协同进化遗传算法的比较研究
１
目 录
Abstract １
Key words １
1 绪论 ２
1.1 研究背景 ２
1.2 协同进化算法的研究综述 ２
1.2.1 协同进化算法的分类 ２
1.2.2 国内外研究进展 ２
1.2.3 目前存在的问题 ３
1.3 研究内容与技术路线 ３
1.3.1 研究内容 ３
1.3.2 技术路线 ３
2 基础理论 ４
2.1 协同进化算法基本框架 ４
2.2 协同进化算法构成要素 ５
2.2.1 编码方式 ５
2.2.2 初始群体设定 ５
2.2.3 个体适应度评价 ５
2.2.4 遗传操作算子 ５
2.2.5 控制参数设定 ６
2.2.6 子种群建立 ６
2.2.7 精英策略 ６
3 算法仿真 ６
3.1 个体优势遗传算法 ６
3.1.1 算法流程 ６
3.1.2 IAGA算法仿真 ７
3.2 M精英协同进化数值优化算法 １３
3.2.1 算法流程 １３
3.2.2 MECA算法仿真 １３
3.3 双精英协同进化遗传算法 １８
3.3.1 算法流程 １８
3.3.2 DECGA算法仿真 １９
4 实验数据分析 ２５
4.1 性能分析 ２５
4.2 测试函数 ２５
4.3 验证试验 ２８
4.3.1 IAGA算法 ２８
4.3.2 MECA算法 ２８
4.3.3 DECGA算法 ２９
4.4 IAGA算法实验及性能分析 ２９
4.5 MECA算法实验及性能分析 ３０
4.6 DECGA算法实验及性能分析 ３１
4.7 IAGA、MECA和DECGA的比较 ３２
4.7.1 收敛性比较 ３２ *好棒文|www.hbsrm.com +Q: *351916072*
4.7.2 寻优能力比较 ３３
4.7.3 函数值变化图 ３４
4.8 IAGA和DECGA的比较 ３７
4.8.1 收敛性比较 ３８
4.8.2 寻优能力比较 ３８
4.8.3 函数值变化图 ３９
5 总结与展望 ４１
5.1 总结 ４１
5.2 展望 ４１
致谢 ４１
参考文献 ４２
附件2 ４５
附件3 ４８
附件4 ５０
附录 ５３
协同进化遗传算法的比较研究
计算机科学与技术专业 洪晓宇
指导教师 姜海燕
摘要：协同进化遗传算法是受大自然普遍存在的协同进化现象的启发而提出的全局优化算法，在改善未成熟收敛和收敛速度两方面都具有良好的性能，成为近几年来研究的热点。本文选取了三种基于精英策略的协同进化遗传算法（双精英协同遗传算法、M精英协同遗传算法、个体优势遗传算法），从编码方式、操作算子、适应度函数设计等方面阐述了改进策略。将算法在计算机上仿真实现，用29种不同的测试函数对三种算法进行测试，从收敛性、寻优能力方面对三种算法进行比较，实验结果表明MECA适用于高维且决策变量范围大的函数，且维数越高，寻优能力反而越强，IAGA和DECGA在10维以下的低维函数中寻优能力和收敛效果都很好，并且IAGA算法在低维函数中的效果要好于DECGA算法。
A comparative study of genetic algorithm coevolution
majoring in computer science and technology HONG Xiaoyu
Tutor JIANG Haiyan
Abstract:Coevolutionary genetic algorithm is a global optimization algorithm, which is prevalent phenomenon inspired by coevolution of nature.The algorithm has good performance in terms of improving the premature convergence and convergence rate,which become a research hot spot in recent years.This paper selects three coevolutionary genetic algorithm, which is based on elitist strategy(DECGA、MECA、IAGA), from encoding, Operator, design and other aspects of fitness function to discuss improvement strategies. The algorithm on a computer simulation, using 29 different test functions to test the three algorithms, from convergence, optimization capabilities of the three algorithms are compared. Experimental results show that MECA large dimensions and high range of the function of decision variables good results, and with the number of dimensions increases, the algorithm optimization ability but stronger; IAGA and DECGA less in 10dimensional lowdimensional function optimization ability and convergence results are good, and IAGA algorithm performance in lowdimensional function better than DECGA algorithm.
目 录
Abstract １
Key words １
1 绪论 ２
1.1 研究背景 ２
1.2 协同进化算法的研究综述 ２
1.2.1 协同进化算法的分类 ２
1.2.2 国内外研究进展 ２
1.2.3 目前存在的问题 ３
1.3 研究内容与技术路线 ３
1.3.1 研究内容 ３
1.3.2 技术路线 ３
2 基础理论 ４
2.1 协同进化算法基本框架 ４
2.2 协同进化算法构成要素 ５
2.2.1 编码方式 ５
2.2.2 初始群体设定 ５
2.2.3 个体适应度评价 ５
2.2.4 遗传操作算子 ５
2.2.5 控制参数设定 ６
2.2.6 子种群建立 ６
2.2.7 精英策略 ６
3 算法仿真 ６
3.1 个体优势遗传算法 ６
3.1.1 算法流程 ６
3.1.2 IAGA算法仿真 ７
3.2 M精英协同进化数值优化算法 １３
3.2.1 算法流程 １３
3.2.2 MECA算法仿真 １３
3.3 双精英协同进化遗传算法 １８
3.3.1 算法流程 １８
3.3.2 DECGA算法仿真 １９
4 实验数据分析 ２５
4.1 性能分析 ２５
4.2 测试函数 ２５
4.3 验证试验 ２８
4.3.1 IAGA算法 ２８
4.3.2 MECA算法 ２８
4.3.3 DECGA算法 ２９
4.4 IAGA算法实验及性能分析 ２９
4.5 MECA算法实验及性能分析 ３０
4.6 DECGA算法实验及性能分析 ３１
4.7 IAGA、MECA和DECGA的比较 ３２
4.7.1 收敛性比较 ３２ *好棒文|www.hbsrm.com +Q: *351916072*
4.7.2 寻优能力比较 ３３
4.7.3 函数值变化图 ３４
4.8 IAGA和DECGA的比较 ３７
4.8.1 收敛性比较 ３８
4.8.2 寻优能力比较 ３８
4.8.3 函数值变化图 ３９
5 总结与展望 ４１
5.1 总结 ４１
5.2 展望 ４１
致谢 ４１
参考文献 ４２
附件2 ４５
附件3 ４８
附件4 ５０
附录 ５３
协同进化遗传算法的比较研究
计算机科学与技术专业 洪晓宇
指导教师 姜海燕
摘要：协同进化遗传算法是受大自然普遍存在的协同进化现象的启发而提出的全局优化算法，在改善未成熟收敛和收敛速度两方面都具有良好的性能，成为近几年来研究的热点。本文选取了三种基于精英策略的协同进化遗传算法（双精英协同遗传算法、M精英协同遗传算法、个体优势遗传算法），从编码方式、操作算子、适应度函数设计等方面阐述了改进策略。将算法在计算机上仿真实现，用29种不同的测试函数对三种算法进行测试，从收敛性、寻优能力方面对三种算法进行比较，实验结果表明MECA适用于高维且决策变量范围大的函数，且维数越高，寻优能力反而越强，IAGA和DECGA在10维以下的低维函数中寻优能力和收敛效果都很好，并且IAGA算法在低维函数中的效果要好于DECGA算法。
A comparative study of genetic algorithm coevolution
majoring in computer science and technology HONG Xiaoyu
Tutor JIANG Haiyan
Abstract:Coevolutionary genetic algorithm is a global optimization algorithm, which is prevalent phenomenon inspired by coevolution of nature.The algorithm has good performance in terms of improving the premature convergence and convergence rate,which become a research hot spot in recent years.This paper selects three coevolutionary genetic algorithm, which is based on elitist strategy(DECGA、MECA、IAGA), from encoding, Operator, design and other aspects of fitness function to discuss improvement strategies. The algorithm on a computer simulation, using 29 different test functions to test the three algorithms, from convergence, optimization capabilities of the three algorithms are compared. Experimental results show that MECA large dimensions and high range of the function of decision variables good results, and with the number of dimensions increases, the algorithm optimization ability but stronger; IAGA and DECGA less in 10dimensional lowdimensional function optimization ability and convergence results are good, and IAGA algorithm performance in lowdimensional function better than DECGA algorithm.
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1977.html
