遺傳算法及其在約束優(yōu)化中的應(yīng)用.pdf

1、當(dāng)前在工程、管理、經(jīng)濟、科研、軍事等領(lǐng)域不斷涌現(xiàn)出復(fù)雜的約束優(yōu)化問題，此類問題一般規(guī)模大、高度復(fù)雜、不確定、建模困難，一般采用智能優(yōu)化方法求解。遺傳算法(Genetic Algorithms：GA)是一類模擬生物進化機制的智能優(yōu)化算法，具有易操作性、高度并行性、自適應(yīng)性和應(yīng)用范圍廣的優(yōu)點，已經(jīng)成為人工智能領(lǐng)域研究的一個熱點。本文主要研究對遺傳算法編碼方式和遺傳算子的改進，以及如何利用遺傳算法的優(yōu)勢來解決復(fù)雜的約束優(yōu)化問題。主要內(nèi)容可以歸

2、結(jié)為如下幾個方面：
　　 1.針對一類非線性規(guī)劃和非線性整數(shù)規(guī)劃，設(shè)計了一種基于新的實數(shù)編碼的遺傳算法(a Genetic Algorithm based on a New Real Code：NRCGA)，該方法采用一種新的實數(shù)編碼策略，通過簡單的排序就能修復(fù)遺傳操作中產(chǎn)生的所有不可行的染色體。新算法是一種基于解碼的方法，沒有額外的參數(shù)，可以獨立的處理某一類約束，與其他約束處理技術(shù)結(jié)合后可以處理更為復(fù)雜的約束。6個仿真實例表明

3、，新方法提高了遺傳算法的收斂速度，魯棒性強。
　　 2.針對凸二次背包問題(Quadratic Knapsack Problem：QKP)，提出了改進的基于變量分組的遺傳算法。該方法首先求解凸二次背包問題的連續(xù)松弛模型的最優(yōu)解，然后利用該最優(yōu)解的信息消去部分變量從而達到降維的目的，進而將原問題轉(zhuǎn)化為降維后的子問題，最后用基于變量分組的遺傳算法求解子問題，最終可以得到原問題的最優(yōu)解。數(shù)值算例驗證改進的算法優(yōu)于基于變量分組的遺傳算法

4、(Variable-Grouping based Genetic Algorithm：VGGA)。
　　 3.設(shè)計了一種基于遺傳算法的哈希函數(shù)構(gòu)造方法。該方法首先通過分析折疊法和除留余數(shù)法的共性，把哈希函數(shù)的構(gòu)造問題轉(zhuǎn)化為一個整數(shù)規(guī)劃問題，然后用NRCGA求解該整數(shù)規(guī)劃，最后根據(jù)求得的最優(yōu)解構(gòu)造出了哈希函數(shù)。仿真結(jié)果驗證了該方法的有效性。
　　 4.給出了一種新的基于解碼的約束優(yōu)化進化算法。該方法采用遺傳算法作為進化機制