论文部分内容阅读
在对遗传算法(GA)进行较为深入、系统的探讨基础上,本文提出了对简单遗传算法(SGA)的一种改进方案—加速遗传算法(AGA),并把AGA 系统地应用于洪水灾害评估、水文水资源建模和水环境优化等一系列水问题中,形成了一种理论研究与应用研究紧密结合的独特体系。其主要内容如下:1.指出了传统优化方法处理复杂水问题的局限性,论述了GA 的研究进展,并提出了研究遗传算法的一种基本思路,即对遗传算法本身的研究过程也可以采用与GA 演化过程一致的方式来进行。这种思路对选择科研策略、评价科研成果甚至认识自然、改造自然等过程也同样适用。2.指出了SGA 在全局优化性能与收敛性之间存在着固有的矛盾。3.归纳了SGA 在应用中已表现出的许多缺陷,并在前人研究成果的基础上提出了对SGA 进行全面改进的11 种方式。为提高SGA 的收敛速度,同时兼顾SGA的全局优化能力,提出了AGA,其要点是:(1)AGA的基本原理是利用在SGA演化过程中所搜索到的优秀个体这一小群体来逐步调整、压缩SGA 以后的搜索空间,从而减少了算法的计算量,提高了算法的搜索效率;(2)得到了AGA 控制参数的简便设置技术,它们是:二进制编码长度e、杂交概率pc和个体串的变异率pm分别固定设置为10、1.0 和1.0;群体规模n 与优秀个体数目s 存在经验关系式:s/n>n/(e·2e),并且建议n 取300 以上,s 相应取10 以上;在每次加速循环中AGA 只进行两次进化迭代;(3)归纳了AGA 的一些显著特点:它是收敛的;具有全局优化能力;它的计算量少、解的精度不再受二进制编码长度的控制,因此它适用于实变量优化问题、连续/离散混合优化问题;它对优化变量搜索空间的大小变化具有适应性,表现为对适应度函数值越敏感的优化变量,它的搜索空间被压缩得越快;AGA 控制参数的设置技术较确定、简便;(4)11 个不同的典型优化问题对AGA 的测试结果表明了AGA 的优化性能是稳健的,AGA 控制参数的简便设置技术是可行的,初步预示出AGA 潜在的应用前景。4.探讨了AGA与BP网络的结合问题,并提出了训练BP神经网络的新方法—BP-AGA 混合算法并给出了相应的实现技术。测试结果表明了,与纯BP 算法相比,BP-AGA混合算法能加快BP神经网络参数的优化进程,同时在一定程度上改善了