论文总字数：22958字

摘 要

遗传算法是一种借鉴“自然选择，适者生存”的生物界的进化规律演化而来的搜索算法。DNA遗传算法（DNA—GA）作为一种全局优化算法，具有很强的鲁棒性。常被用来解决参数估计问题。

但是，GA本身具有一定的局限性，如算法局部搜索能力差、易早熟收敛等。近年来研究者发现,基于DNA 的编码方式的遗传算法更易于实现各种生物基因级的操作。由于DNA更多的是从微观角度去研究碱基的结构，即只重视单个编码的变异；而实际生物DNA链的生物研究发现，DNA链存在很多无效基因片段，以及重复片段，故从中观的角度去考虑结合GA算法的标准结构，并将这种观点下所表征的个体变异引入到标准GA的变异策略中，设计出有效的变异算子。而本课题的研究的目的和方向在于改进遗传算法的搜索性能。

关键词：遗传算法，DNA，基因，变异算子

Abstract

Genetic algorithm is kind of randomized search method evolution laws(Natural selection, survival of the fittest)in the biosphere.DNA genetic algorithm (DNA-GA) as a global optimization algorithm, which has strong robustness. It is often used to solve the problem of parameter estimation. However, GA itself has some limitations such as poor local search ability and premature convergence easily. In recent years, researchers found that Genetic algorithm based on DNA encoding is easier to implement operation of various kinds of biological gene level. Due to DNA is more bases from the microscopic Angle to study the structure of the base that is only concerned about a single coding mutation; The actual biological DNA strand biological research findings that there are many strands of DNA fragment is invalid and repeated, So from the Angle of the medium to consider the concept of combining a standard structure GA algorithm and the characterization of this view individual variability introduced into the standard GA mutation strategy to design effective mutation operator. The purpose and direction of the research topic is to improve the search performance of genetic algorithms.

Key words: Genetic algorithm, DNA, Gene，Mutation operat

目 录

摘 要 I

Abstract II

目 录 III

第一章 绪 论 1

1.1引 言 1

1.2 遗传算法 1

1.2.1 遗传算法概述 1

1.2.2 遗传算法的组成部分 2

1.2.3 遗传算法的优点与不足 4

1.2.4 遗传算法运算过程 5

1.2.5 遗传算法的研究进展 8

1.3本章小结 10

第二章 标准遗传算法 11

2.1 引 言 11

2.2 标准遗传算法过程 11

2.3 测试函数 12

2.4 本章小结 13

第三章 改进遗传算法 14

3.1 引 言 14

3.2 改进遗传算法 14

3.3测试结果 16

3.4本章小结 16

第四章 催化裂化主分馏塔参数估计 17

4.1 问题描述 17

4.2 参数估计结果及讨论 19

4.3 本章小结 20

第五章 总结和展望 21

5.1 总 结 21

5.2 展 望 21

参考文献 23

致 谢 26

附 录 27

1.遗传算法主程序 27

2.附程序 27

2.1 Schaffer(测试遗传算法性能程序) 27

2.2 Griewank(即优化算法程序) 28

2.3 cross（种群交叉程序） 28

2.4 mutate(种群变异程序) 28

2.5 section(种群删选程序) 29

2.6 f4-f10(四进制，十进制转换程序) 29

第一章 绪 论

1.1引 言

生物的进化（Evolution）过程主要是通过染色体之间的交叉和变异来完成的。根据达尔文的进化论，从低级到高级，从简单到复杂的进化规律是自然界的生物进化应该遵循的。在进化过程中，生存能力较强的个体容易存活并且容易产生后代，而生存能力较低的个体则容易被淘汰，即“自然选择，适者生存”^[1]。而一些学者受到了进化论和种群遗传学的启发提出来模仿生物自然进化过程的随机优化算法，即进化算法；进化算法作为一个新兴的交叉学科从20世纪60年代以来，已经成为智能计算的一个重要组成部分。进化算法一般可以划分为四个分支：遗传算法（ Genetic Algorithms ）、遗传规划（ Genetic Programming ）、进化策略（ Evolutionary Strategies ）和进化规划（ Evolutionary Programming ）,其中，遗传算法的研究最受关注^[2]。基于对自然界中生物遗传与进化机理的模仿，很多学者针对不同的问题设计了许多不同的编码方法来表示问题的可行解，开发出了许多种不同的编码方式来模仿不同环境下的生物遗传特性。这样，由不同的编码方法和不同的遗传算子就构成了各种不同的遗传算法^[3]。

尽管遗传算法在多个领域得到了广泛的应用，但是它仍然存在不足之处，例如遗传算法的局部搜索能力较弱，在全局最优解周围耗费很长时间才能达到问题的精确求解，而且遗传算法在进化到一定程度后，种群中的个体相似性高，不能对空间进一步的探索，导致算法早熟收敛。

1.2 遗传算法

请支付后下载全文，论文总字数：22958字