freepeople性欧美熟妇, 色戒完整版无删减158分钟hd, 无码精品国产vα在线观看DVD, 丰满少妇伦精品无码专区在线观看,艾栗栗与纹身男宾馆3p50分钟,国产AV片在线观看,黑人与美女高潮,18岁女RAPPERDISSSUBS,国产手机在机看影片

正文內(nèi)容

畢業(yè)設計遺傳算法畢業(yè)設計-在線瀏覽

2025-02-05 17:52本頁面
  

【正文】 Geic Algorithms)一詞。 1971 年, stien 在他的博士論文中首次把遺傳算法用于函數(shù)優(yōu)化。 Holland 在該書中系統(tǒng)地闡述了遺傳算法的基本理論和方法,并提出了對遺傳算法的理論研究和發(fā)展極其重要的模式理論( schema theory)。同年, Jong 完成了他的博士論文《一類遺傳自適應系統(tǒng)的行為分析》( An Analysis of the Behavior of a Class of Geic Adaptive System)。盡管 De Jong 和 Hollstien 一樣主要側(cè)重于函數(shù)優(yōu)化的應用研究,但他將選擇、交叉和變異操作進一步完善和系統(tǒng)化,同時又提出了諸如代溝( generation gap)等新的遺 傳操作技術。 進入八十年代,遺傳算法迎來了興盛發(fā)展時期,無論是理論研究還是應用研究都成了十分熱門的課題。 1989 年, Hollandberg 出版了專著《搜索、優(yōu)化和機器學習中的遺傳算法》( Geic Algorithms in Search , Optimization, and Machine Learning)。同年,美國斯坦福大學的 Koza 基于自然選擇原則創(chuàng)造性地提出了用層次化的計算機程序來表達問題的遺傳程序設計 geic programming, GP 方法,成功地解決了許多問題。此外,以遺傳算法的理論基礎為中心的學術會議還有 Foundations of Geic Algorithms,該會也是從 1990 年開始隔年召開一次。 1991 年, 編輯出版了《遺傳算法手冊》( Handbook of Geic Algorithms),其中包括了遺傳算法在工程技術和社會生活中的 大量應用實例。 1994 年,他又出版了《遺傳程序設計,第二冊 :可重用程序的自動發(fā)現(xiàn)》深化了遺傳程序設計的研究,使程序設計自動化展現(xiàn)了新局面。 1993 年, MIT 出版社創(chuàng)刊了新雜志《 Evolutionary Computation》?!?Advanced Computational Intelligence》雜志即將發(fā)刊,由模糊集合 h 教授為名譽主編。 遺傳算法 Geic Algorithm, GA 是近三十年來迅速發(fā)展起來的一種全新的隨機搜索與優(yōu)化算法 ,其基本思想是基于 Darwin 的進化論和 Mendel 的遺傳學說。此后,遺傳算法的研究引起了國內(nèi)外學者的關注。為研究和應用遺傳算法提供了國際交流的機會。 遺傳程序設計是借鑒生物界的自然選擇和遺傳機制,在遺傳算法的基礎上發(fā)展起來的搜索算法,它已成為進化計算的一個新分支。遺傳程序設計運用遺傳算法的思想,常采用樹的結(jié)構(gòu)來表示計算機程序,從而解決問題。 把遺傳算法和計算機程序結(jié)合起來的思想出現(xiàn)在遺傳算法中, Holland 把產(chǎn)生式語言和遺傳算法結(jié)合起來實現(xiàn)分類系統(tǒng),還有一些遺傳算法應用領域的 研究者將類似于遺傳算法的遺傳操作施加于樹結(jié)構(gòu)的程序上。 1996 年,舉行了第 1 次遺傳程序設計國際會議,該領域己引起越來越多的相關學者們的興趣。遺傳算法的基本思想是基于 Darwin 進化論和 Mendel 的遺傳學說的。遺傳算法是根據(jù)生物進化思想而啟發(fā)得出的一種全局優(yōu)化算法。當時,其主要目的不是對遺傳算法系統(tǒng)研究而是說明自然和人工系統(tǒng)的自適應過程。遺傳算法在模式識別、神經(jīng)網(wǎng)絡、圖像處理、機器學 習、工業(yè)優(yōu)化控制、自適應控制、生物科學、社會科學等方面都得到應用。 遺傳算法的基本思想是基于 Darwin 進化論和 Mendel 的遺傳學說的。它認為每一物種在發(fā)展中越來越適應環(huán)境。在環(huán)境變化時,只有那些能適應環(huán)境的個體特征方能保留下來。它認為遺傳以密碼方式存在細胞中,并以基因形式包含在染色體內(nèi)。基因突變和基因雜交可產(chǎn)生更適應于環(huán)境的后代。 由于遺傳算法是由進化論和遺傳學機理而產(chǎn)生的直接搜索優(yōu)化方法;故而在這個算法中要用到各種進化和遺傳學的概念。 2 群體 Population 個體的集合稱為群體,“串”是群體的元素 ( 3)群體大小 Population Size 在群體中個體的數(shù)量稱為群體的大小。例如有一個串 S= 1011,則其中的 1, 0, 1, 1 這 4 個元素分別稱為基因。 ( 5)基因位置 Gene Position 一個基因在串中的位置稱為基因位置,有時也簡稱基因位。基因位置對應于遺傳學中的地點 Locus 。 ( 7)串結(jié)構(gòu)空間( SS) 在串中,基因任意組合所構(gòu)成的串的集合。串結(jié)構(gòu)空間對應于遺傳學中的基因型 Genotype 的集合。 ( 9)適應度 Fitness 表示某一個體對于環(huán)境的適應程度。并且,在執(zhí)行遺傳算法之前,給出一群“染色體”,也即是假設解。這樣,“一代一代”地進化,最后就會收斂到最適應環(huán)境的一個“染色體”上,它就是問題的最優(yōu)解。染色體一般被表達為簡單的字符串或數(shù)字串,不過也有其他的表示方法適用,這一過程稱為編碼。在每一代中,每一個個體都被評價,并通過計算適應度函數(shù)得到一個適應度數(shù)值。這里的“高”是相對于初始的種群的“低適應度”來說的。這個過程是通過選擇和交叉完成的,其中繁殖包括 crossover 和突變 mutation 。初始的數(shù)據(jù)可以通過這樣的選擇過程組成一個相對優(yōu)化的群體。一般的遺傳算法都有一個交配概率,范圍一般是 ,這個交配概率反映兩個被選中的個體進行交配的概率。每兩個個體通過交配產(chǎn)生兩個新個體,代替原來的“老”個體,而沒交配的個體則保持不變。不過這里的半段并不是真正的一半,這個位置叫做交配點,也是隨機產(chǎn)生的,可以是染色體的任意位置。一般遺傳算法都有一個固定的突變常數(shù),通常是 或者更小,這代表變異發(fā)生的概率。 經(jīng)過這一系列的過程(選擇、交配和突變),產(chǎn)生的新一代個體不同于初始的一代,并“一代一代”向增加整體適應度的方向發(fā)展,因 為最好的個體總是更多的被選擇去產(chǎn)生下一代,而適應度低的個體逐漸被淘汰掉。周而復始,直到終止條件滿足為止。它的有關內(nèi)容如下: 1 摸式 Schema 概念 [1] 一個基因串用符號集 0, 1, * 表示,則稱為一個因式;其中 *可以是 0 或 1。 2 摸式的“階”和“長度” 摸式中 0 和 1 的個數(shù)稱為模式的階,并用 0 H 表示。對于模式 H=1xx0xx,有 0 H = 2,δ H = 4。當群體的大小為 n 時,每代處理的模式數(shù)目為 0 n3 。一般把問題的各種參數(shù)用二進制編碼,構(gòu)成子串;然后把子串拼接構(gòu)成“染色體”串。一般可以把問題的模型函數(shù)作為對象函數(shù);但有時需要另行構(gòu)造。群體大小 n 太小時難以求出最優(yōu)解,太大則增長收斂時間。交叉概率 Pc 太小時難以向前搜索,太大則容易破壞“高適應值”的結(jié)構(gòu)。變異概率 Pm 太小時難以產(chǎn)生新的基因結(jié)構(gòu),太大使遺傳算法成了單純的隨機搜索。 法基 本操作 ( 1)初始化 選擇一個群體,即選擇一個串或個體的集合 bi, i 1, 2, ...n。一般取 n= 30問題的最優(yōu)解將通過這些初始假設解進化而求出。在選擇時,以適應度為選擇原則。給出目標函數(shù) f,則f bi 稱為個體 bi 的適應度。適應度較小的個體,繁殖下一代的數(shù)目較少;甚至被淘汰。對于問題求解角度來講,就是選擇出和最優(yōu)解較接近的中間解。在選中的位置實行交換。交叉時,可實行單點交叉或多點交叉。 ( 4)變異 根據(jù)生物遺傳中基因變異的原理,以變異概率 Pm 對某些個體的某些“位”執(zhí)行變異。變異概率 Pm 與生物變異極小的情況一致,所以, Pm 的取值較小,一般取 。 對其的第 1, 4 位置的基因進行變異,則有 001111 單靠變異不能在求解中得到好處。因為在所有的個體一樣時,交叉是無法產(chǎn)生新的個體的,這時只能靠變異產(chǎn)生新的個體。否則,用經(jīng)過選擇、交叉、變異所得到的新一代群體取代上一代群體,并返回到第 2 步即選擇操作處繼續(xù)循環(huán)執(zhí)行。 這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。遺 傳算法從“串集”開始搜索,覆蓋面大,利于全局擇優(yōu)。 由于遺傳算法使用“適應值”這一信息進行搜索,并不需要問題導數(shù)等與問題直接相關的信息。 ( 3)遺傳算法有極強的容錯能力。故而,遺傳算法有很高的容錯能力。 遺傳算法中的選擇、交叉和變異都是隨機操作,而不是確定的精確規(guī)則。 ( 5)遺傳算法具有隱含的并行性。遺傳算法主要應用于以下幾個主要領域: [17][13] ( 1)函數(shù)優(yōu)化 函數(shù)優(yōu)化是遺傳算法的經(jīng)典應用領域,也是對遺傳算法 進行性能評價的常用例子。對于非線性、多目標的函數(shù)優(yōu)化問題,用其他算法通常較難求解,但使用遺傳算法卻很方便并可以得到較好的結(jié)果。對于這類復雜問題,使用遺傳算法求解可行解就顯得更加有實際價值。 ( 3)生成調(diào)度 生產(chǎn)調(diào)度問題在很多情況下 所建立起來的數(shù)學模型難以精確求解,即使經(jīng)過一些簡化之后可以進行求解,也因簡化太多而使得求解結(jié)果與實際相差甚遠。遺傳算法已經(jīng)成為解決復雜調(diào)度問題的有效工具,在單件生產(chǎn)車間調(diào)度、流水線生產(chǎn)車間調(diào)度、生產(chǎn)規(guī)劃、任務分配等方面遺傳算法都得到了有效的應用。遺傳算法已在其中得到了初步的應用,并顯示出良好的效果。都顯出了遺傳算法在這此領域中應用的可能性。所以,機器人學理所當然地成為遺傳算法的一個重要應用領域。 [12] ( 6)圖像處理 圖像處理是計算 機視覺中的一個重要研究領域。如何使這些誤差最小是使計算機視覺達到實用化的重要要求。目前已在模式識別 包括漢字識別 、圖像恢復、圖像邊緣特征提取等方而得到了應用。自組織能力和自學習能力是人下生命的兩大主要特征?;谶z傳算法的進化模 型是研究人下生命現(xiàn)象的重要基礎理論。人工生命與遺傳算法相輔相成,遺傳算法為人下生命的研究提供一個有效的下具,人下生命的研究也必將促進遺傳算法的進一步發(fā)展 .[12] ( 8)遺傳編程 1989 年,美國 Standford 大學的 Koza 教授發(fā)展了遺傳編程的概念,其基本思想是 :采用樹型結(jié)構(gòu)表示計算機程序,運用遺傳算法的思想,通過自動生成計算機程序來解決問題。目前公開的遺傳編程實驗系統(tǒng)有十多個。例如,遺傳算法被用于學習模糊控制規(guī)則,利用遺傳算法來學習隸屬度函數(shù),從而更好地改進了模糊系統(tǒng)的性能;基于遺傳算法的機器學習可用來調(diào)整人工神經(jīng)網(wǎng)絡的連接權,也可用于人工神經(jīng)網(wǎng)絡結(jié)構(gòu)優(yōu)化設計;分類器系統(tǒng)也在學習式多機器人路徑規(guī)劃系統(tǒng)中得到了成功的應用。許多數(shù)據(jù)挖掘問題可看成是搜索問題,數(shù)據(jù)庫看作是搜索空間,挖掘算法看作是搜索策略。 Sunil 已成功地開發(fā)了一個基于遺傳算法的數(shù)據(jù)挖掘下具。 遺傳算法發(fā)展 方向 遺傳算法發(fā)展方向其實就是和其他方法結(jié)合優(yōu)化問題,單方面改進遺傳算法的各種算子不能取得明顯進展。但遺傳算法存在收斂速度慢和易于陷入局部最優(yōu)的問題,在需要優(yōu)化的參數(shù)較多時,更凸現(xiàn)了遺傳算法的不足。許多學者從不同的角度對遺傳算法進行了改進,使遺傳算法的尋優(yōu)能力有了不同程度的提高。目前,對遺傳算法的研究主要集中在數(shù)學基礎、各環(huán)節(jié)的實現(xiàn)方式以及與其他算法的結(jié)合方面。由于遺傳算法具有開放式的結(jié)構(gòu),與問題的關聯(lián)性不大,很容易和其他算法進行結(jié)合,所以融合了其他的算法思想和遺傳算法思想的混合遺傳算法成了目前改進遺傳算法研究的一個重要方向。 ( 1)模擬退火遺傳算法 模擬退火算法的基本思想是通過模擬高溫物體退火過程的方法來找到優(yōu)化問題的全局最優(yōu)或近似全局最優(yōu)解。遺傳算法的局部搜索能力較差,但把握搜索過程總體的能力較強;而模擬退火算法具有較強的局部搜索能力,并能使搜索過程避免陷入局部最優(yōu)解,但它卻對整個搜索空間的了解不多,不便于使搜索過程進入最有希望的搜索區(qū)域,從而使得模擬退火算法的運算效率不高。目前,已有許多學者將退火機制引入到遺傳操作中,使遺傳操作產(chǎn)生優(yōu)良個體的概率增加,并使遺傳算法的尋優(yōu)能力有 了明顯的提高。我們可以通過注射疫苗的方法來減少遺傳操作的盲目性,加強遺傳算法收斂性能,多次的測試結(jié)果證明了該改進方法的有效性?!敖饪臻g”中峰周圍的子空間中的個體具有相對獨立生長繁衍的特性。這樣可以保護解的多樣性,也可以避免大量重復的解充斥整個解空間。 ( 4)模糊遺傳算法 模糊遺傳算法,即融合模糊優(yōu)化設計思 想的遺傳算法,它把模糊優(yōu)化和遺傳算法優(yōu)化結(jié)合起來,構(gòu)成一種混合優(yōu)化的設計方法。首先,在模糊遺傳算法中引入“論域”的概念。用隸屬函數(shù)來表示遺傳算法的約束條件,以使約束條件能夠更容易得到表達,又能夠保證遺傳子代的選擇中能夠擁有更廣泛的群體組成。模糊遺傳算 法運用模糊控制的思想來自適應改變遺傳算法的種群規(guī)模、交叉概率、變異概率、適應度函數(shù)以及控制策略等。混沌運動具有類似隨機變量的雜亂表現(xiàn),具有隨機性;“混沌”能在一定范圍內(nèi)按其自身特性不重復地歷經(jīng)所有狀態(tài),具有遍歷性;初值條件極其微弱的變化會引起混沌系統(tǒng)行為的巨大變化,具有對初始條件的極度敏感性。可以利用混沌的遍歷性產(chǎn)生 初始種群,也可以運用混沌的遍歷性對優(yōu)良個體進行變異操作,混沌遺傳算法增強了遺傳算法的全局尋優(yōu)能力。與遺傳算法類似,它也是一個產(chǎn)生―檢驗的過程,但其實現(xiàn)同標準遺傳算法不一樣。這些區(qū)別,使得量子遺傳算法表現(xiàn)出比標準遺傳算法更好的種群多樣性、更強的全局搜索能力和更快的收斂速度。遺傳算法與其他算法和理論的結(jié)合已經(jīng)成為改進遺傳算法的一個非常有效的手段。相信通過遺傳算法與其他算法的結(jié)合以及自身實現(xiàn)方式的不斷改進,在不久的將來,遺傳算法的優(yōu)化能力會有一個質(zhì)的提高 . 第二章.遺傳算法的基本原理和實現(xiàn)技術 前一章講了遺傳算法的原理,概念,這一章就具體將編碼。例如二值字符
點擊復制文檔內(nèi)容
公司管理相關推薦
文庫吧 www.dybbs8.com
備案圖鄂ICP備17016276號-1