论文部分内容阅读
当前在工程、管理、经济、科研、军事等领域不断涌现出复杂的约束优化问题,此类问题一般规模大、高度复杂、不确定、建模困难,一般采用智能优化方法求解。遗传算法(Genetic Algorithms: GA)是一类模拟生物进化机制的智能优化算法,具有易操作性、高度并行性、自适应性和应用范围广的优点,已经成为人工智能领域研究的一个热点。本文主要研究对遗传算法编码方式和遗传算子的改进,以及如何利用遗传算法的优势来解决复杂的约束优化问题。主要内容可以归结为如下几个方面:1.针对一类非线性规划和非线性整数规划,设计了一种基于新的实数编码的遗传算法(a Genetic Algorithm based on a New Real Code: NRCGA),该方法采用一种新的实数编码策略,通过简单的排序就能修复遗传操作中产生的所有不可行的染色体。新算法是一种基于解码的方法,没有额外的参数,可以独立的处理某一类约束,与其他约束处理技术结合后可以处理更为复杂的约束。6个仿真实例表明,新方法提高了遗传算法的收敛速度,鲁棒性强。2.针对凸二次背包问题(Quadratic Knapsack Problem: QKP),提出了改进的基于变量分组的遗传算法。该方法首先求解凸二次背包问题的连续松弛模型的最优解,然后利用该最优解的信息消去部分变量从而达到降维的目的,进而将原问题转化为降维后的子问题,最后用基于变量分组的遗传算法求解子问题,最终可以得到原问题的最优解。数值算例验证改进的算法优于基于变量分组的遗传算法(Variable-Grouping based Genetic Algorithm: VGGA)。3.设计了一种基于遗传算法的哈希函数构造方法。该方法首先通过分析折叠法和除留余数法的共性,把哈希函数的构造问题转化为一个整数规划问题,然后用NRCGA求解该整数规划,最后根据求得的最优解构造出了哈希函数。仿真结果验证了该方法的有效性。4.给出了一种新的基于解码的约束优化进化算法。该方法采用遗传算法作为进化机制,建立了n维向量与其单位向量和模的一一对应关系,构造了一种冗余度为0的编码。13个标准测试问题和3个常用的测试问题验证了该方法的有效性。