1349-遗传算法中参数与算法性能关系的分析
以下是资料介绍,如需要完整的请充值下载.
1.无需注册登录,支付后按照提示操作即可获取该资料.
2.资料以网页介绍的为准,下载后不会有水印.资料仅供学习参考之用.
密 惠 保
1.无需注册登录,支付后按照提示操作即可获取该资料.
2.资料以网页介绍的为准,下载后不会有水印.资料仅供学习参考之用.
密 惠 保
资料介绍：
摘要
遗传算法(Genetic Algorithm ，GA ) 是由美国J. Holland 教授提出的一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法.它起源于达尔文的进化论， 是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型.其主要特点是群体搜索策略和群体中个体之间的信息交换， 搜索不以梯度信息为基础.它尤其适用于处理传统搜索方法难于解决的复杂和非线性问题， 计算机毕业设计，可广泛应用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域.
本文主要运用遗传算法优化工具箱对不同函数进行测试分析，研究不同参数对GA算法的性能的影响.首先介绍了遗传算法的研究背景、发展历史以及发展方向.第二，简单介绍了遗传算法的主要内容和操作步骤和流程.第三，分别运用GA算法对一维无约束非线性函数、二维无约束非线性函数以及二维约束非线性函数进行测试分析，验证GA算法的优越性.最后，分析测试不同参数对GA算法性能的影响.
通过测试分析，得到如下结果：在其他参数一定的情况下，（1）随着种群大小的不断增加，GA算法求解问题的收敛性不断增强，同时获得最优值的速度也加快.（2）随着繁殖代数的增加，GA算法求解问题的收敛性不断增强，同时获得最优值的速度也加快.（3）随着变异概率的增加，GA算法求解问题的收敛性不断增强，同时获得最优值的速度也加快.[计算机毕业设计_毕业设计论文_计算机硕士论文下载-计算机毕业网]8.934748E-022013-3-4 本文来自think58
关键词：遗传算法；Matlab软件；一维函数；二维函数；变异；交叉
第1章 绪论
1.1遗传算法的研究背景
当前科学技术正进入多学科互相交叉、互相渗透、互相影响的时代，生命科学与工程科学的交叉、渗透和相互促进是其中一个典型例子，也是近代科学技术发展的一个显著特点.遗传算法的蓬勃发展正体现了科学发展的这一特点和趋势.
制造机器智能一直是人类的梦想，人们为此付出了巨大的努力.人工智能技术的出现，就是人们得到的成果.但是，近年来，随着人工智能应用领域的不断拓广，传统的基于符号处理机制的人工智能方法在知识表示、处理模式信息及解决组合爆炸等方面所碰到的问题已变得越来越突出，这些困难甚至使某些学者对强人工智能提出了强烈批判，对人工智能的可能性提出了质疑.
众所周知，在人工智能领域中，有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准优解.像货朗担问题和规划问题等组合优化问题就是典型的例子.在求解此类问题时，若不能利用问题的固有知识来缩小搜索空间则会产生搜索的组合爆炸.因此，研究能在搜索过程中自动获得和积累有关搜索空间的知识，并能自适应地控制搜索过程，工程硕士论文，从而得到最优解或准有解的通用搜索算法一直是令人瞩目的课题.遗传算法就是在这种背景下产生并经实践证明特别有效的算法. 本文来自think58
遗传算法(Genetic Algorithm， GA)是近年来迅速发展起来的一种全新的随机搜索与优化算法，其基本思想是基于Darw in的进化论和Mendel的遗传学说.该算法由密执安大学教授Holland及其学生于1975年创建.此后，遗传算法的研究引起了国内外学者的关注.自1985年以来.国际上已召开了多次遗传算法的学术会议和研讨会.
国际遗传算法学会组织召开的ICGA会议和FOGA会议.为研究和应用遗传算法提供了国际交流的机会.作为一种通用的问题求解方法，遗传算法采用简单的编码技术来表示各种复杂的结构并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向.
近年来，遗传算法已被成功地应用于下业、经济答理、交通运输、工业设计等不同领域.解决了许多问题.例如，可靠性优化、流水车间调度、作业车间调度、机器调度、设备布局设计、图像处理以及数据挖掘等.本文将从遗传算法的理论和技术两方而概述目前的研究现状.描述遗传算法的主要特点、基木原理以及各种改进算法，介绍遗传算法的程序设计.
遗传算法(Genetic Algorithm ，GA ) 是由美国J. Holland 教授提出的一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法.它起源于达尔文的进化论， 是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型.其主要特点是群体搜索策略和群体中个体之间的信息交换， 搜索不以梯度信息为基础.它尤其适用于处理传统搜索方法难于解决的复杂和非线性问题， 计算机毕业设计，可广泛应用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域.
本文主要运用遗传算法优化工具箱对不同函数进行测试分析，研究不同参数对GA算法的性能的影响.首先介绍了遗传算法的研究背景、发展历史以及发展方向.第二，简单介绍了遗传算法的主要内容和操作步骤和流程.第三，分别运用GA算法对一维无约束非线性函数、二维无约束非线性函数以及二维约束非线性函数进行测试分析，验证GA算法的优越性.最后，分析测试不同参数对GA算法性能的影响.
通过测试分析，得到如下结果：在其他参数一定的情况下，（1）随着种群大小的不断增加，GA算法求解问题的收敛性不断增强，同时获得最优值的速度也加快.（2）随着繁殖代数的增加，GA算法求解问题的收敛性不断增强，同时获得最优值的速度也加快.（3）随着变异概率的增加，GA算法求解问题的收敛性不断增强，同时获得最优值的速度也加快.[计算机毕业设计_毕业设计论文_计算机硕士论文下载-计算机毕业网]8.934748E-022013-3-4 本文来自think58
[资料来源：http://THINK58.com]
关键词：遗传算法；Matlab软件；一维函数；二维函数；变异；交叉
第1章 绪论
1.1遗传算法的研究背景
当前科学技术正进入多学科互相交叉、互相渗透、互相影响的时代，生命科学与工程科学的交叉、渗透和相互促进是其中一个典型例子，也是近代科学技术发展的一个显著特点.遗传算法的蓬勃发展正体现了科学发展的这一特点和趋势.
制造机器智能一直是人类的梦想，人们为此付出了巨大的努力.人工智能技术的出现，就是人们得到的成果.但是，近年来，随着人工智能应用领域的不断拓广，传统的基于符号处理机制的人工智能方法在知识表示、处理模式信息及解决组合爆炸等方面所碰到的问题已变得越来越突出，这些困难甚至使某些学者对强人工智能提出了强烈批判，对人工智能的可能性提出了质疑.
众所周知，在人工智能领域中，有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准优解.像货朗担问题和规划问题等组合优化问题就是典型的例子.在求解此类问题时，若不能利用问题的固有知识来缩小搜索空间则会产生搜索的组合爆炸.因此，研究能在搜索过程中自动获得和积累有关搜索空间的知识，并能自适应地控制搜索过程，工程硕士论文，从而得到最优解或准有解的通用搜索算法一直是令人瞩目的课题.遗传算法就是在这种背景下产生并经实践证明特别有效的算法. 本文来自think58
[版权所有：http://think58.com]
遗传算法(Genetic Algorithm， GA)是近年来迅速发展起来的一种全新的随机搜索与优化算法，其基本思想是基于Darw in的进化论和Mendel的遗传学说.该算法由密执安大学教授Holland及其学生于1975年创建.此后，遗传算法的研究引起了国内外学者的关注.自1985年以来.国际上已召开了多次遗传算法的学术会议和研讨会.
国际遗传算法学会组织召开的ICGA会议和FOGA会议.为研究和应用遗传算法提供了国际交流的机会.作为一种通用的问题求解方法，遗传算法采用简单的编码技术来表示各种复杂的结构并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向.
近年来，遗传算法已被成功地应用于下业、经济答理、交通运输、工业设计等不同领域.解决了许多问题.例如，可靠性优化、流水车间调度、作业车间调度、机器调度、设备布局设计、图像处理以及数据挖掘等.本文将从遗传算法的理论和技术两方而概述目前的研究现状.描述遗传算法的主要特点、基木原理以及各种改进算法，介绍遗传算法的程序设计.