1、遺傳算法是一種借鑒生物界自然選擇和遺傳機(jī)制的高度并行、隨機(jī)、自適應(yīng)的全局優(yōu)化概率搜索算法。國(guó)內(nèi)外都非常重視遺傳算法的理論和應(yīng)用研究，并取得了令人矚目的進(jìn)展，遺傳算法的應(yīng)用成果已滲入到許多領(lǐng)域。但遺傳算法的理論和方法尚未成熟，算法自身的一些不足也有待于進(jìn)一步地改進(jìn)和完善，而函數(shù)優(yōu)化問(wèn)題是對(duì)遺傳算法進(jìn)行性能評(píng)價(jià)的常用算例，為此，本課題選擇了用遺傳算法求解函數(shù)優(yōu)化問(wèn)題為研究對(duì)象，分析了遺傳算法的運(yùn)行機(jī)理，對(duì)適應(yīng)度函數(shù)和遺傳操作進(jìn)行了深入細(xì)致的

2、研究，并針對(duì)基本遺傳算法和一般的實(shí)數(shù)遺傳算法難以有效地求解復(fù)雜函數(shù)的全局優(yōu)化問(wèn)題，對(duì)遺傳算法的適應(yīng)度函數(shù)及遺傳算子進(jìn)行了改進(jìn)，并在MATLAB環(huán)境中實(shí)現(xiàn)了遺傳算法求解函數(shù)優(yōu)化問(wèn)題，最后選擇了一些典型的多維或高維復(fù)雜函數(shù)進(jìn)行仿真測(cè)試，通過(guò)和其它方法比較，證明本文提出的改進(jìn)算法不僅能有效地避免“早熟”現(xiàn)象，提高了算法的收斂速度和收斂概率，而且所求得的解達(dá)到或以相當(dāng)高的精度逼近最優(yōu)解。 本文對(duì)遺傳算法的主要改進(jìn)及工作如下： 1

3、.遺傳算法引導(dǎo)搜索的主要依據(jù)就是個(gè)體的適應(yīng)度值，本文將適應(yīng)度函數(shù)作為重點(diǎn)研究對(duì)象之一。深入分析了適應(yīng)度指數(shù)變換的特點(diǎn)及遺傳過(guò)程中種群目標(biāo)值的變化規(guī)律，提出了基于指數(shù)變換、指數(shù)系數(shù)隨進(jìn)化代數(shù)增加而逐漸增加的動(dòng)態(tài)變化的適應(yīng)度函數(shù)。并通過(guò)數(shù)值實(shí)驗(yàn)，和Goldberg的線性拉伸法及一般的指數(shù)變換法進(jìn)行了比較，結(jié)果表明本文提出的適應(yīng)度函數(shù)能極大地提高算法的優(yōu)化精度、收斂速度和收斂概率。 2.對(duì)遺傳算子的改進(jìn)也是一種常用的改善遺傳性能的方法

4、，本文提出了對(duì)多個(gè)遺傳算子進(jìn)行改進(jìn)的實(shí)數(shù)遺傳算法。本文詳細(xì)分析了各種選擇方法的優(yōu)缺點(diǎn)，提出采用隨機(jī)遍歷抽樣選擇、最優(yōu)保存策略和子代淘汰父代選擇結(jié)合的混合選擇策略；研究了實(shí)數(shù)遺傳算法中離散重組雜交算子和算術(shù)雜交算子的搜索特點(diǎn)，提出了基于適應(yīng)度的線性逼近交叉策略，該交叉策略能充分利用當(dāng)代群體的有利信息，可以使得子代快速地向更高適應(yīng)度的區(qū)域移動(dòng)；選擇和交叉操作中，個(gè)體的適應(yīng)度由線性排序分配獲得，這樣即使進(jìn)化后期個(gè)體目標(biāo)值接近，但個(gè)體適應(yīng)度仍成

5、合適的級(jí)差，有效防止進(jìn)化后期因交叉不起作用而收斂于局部最優(yōu)值，也有利于選擇操作，使算法具有較好的魯棒性；分析了變異概率對(duì)算法的影響，提出了采用變異概率隨進(jìn)化代數(shù)增加而逐漸減小的動(dòng)態(tài)變化的實(shí)值變異策略。最后，分別用該改進(jìn)算法和其它三種算法求解了16個(gè)典型的復(fù)雜函數(shù)，實(shí)驗(yàn)結(jié)果表明該改進(jìn)算法的性能明顯優(yōu)于其它三種遺傳算法，它不但能較好地求解低維函數(shù)，還能非常有效地求解了30維、100維、400維，甚至更高維數(shù)的多種無(wú)約束測(cè)試函數(shù)。 3