基于MATLAB的遗传算法及其在稀布阵列天线中的应用,基于matlab的遗传算法及其在稀布阵列天线中的应用 pdf

基于论文所做的一篇ppt

通俗的语言 来表述什么是遗传算法 浅显易懂

简单介绍遗传算法，非常通俗，适合入门。

在工业工程中,许多最优化问题性质十分复杂,很难用 传统的优化方法来求解.自1960年以来,人们对求解这类难 解问题日益增加.一种模仿生物自然进化过程的、被称为“ 进化算法（evolutionary algorithm）”的随机优化技术在解这 类优化难题中显示了优于传统优化算法的性能。目前，进化 算法主要包括三个研究领域：遗传算法、进化规划和进化 策略。其中遗传算法是迄今为止进化算法中应用最多、比较 成熟、广为人知的算法。

实验内容与步骤 TSP 问题是一个经典的 NP 问题，很难得到最优解，利用遗传算法，可以比较快的找到近似最优。本实验采用 TSPLIB 的数据,利用遗传算法进行求解。 染色体设计 染色体设计是遗传算法的关键之一，在本实验中，采用基于路径的方法进行设计，即一条完整合法的路径为一个染色体。如 12345678 或 51834762 (以 8 个城市为例)。 交叉编码方式设计 在本实验中采用部分交叉编码方式，编码过程如下： 根据两个父代染色体建立基因对应规则 确定父代中交叉的起始位置、结束位置 互换需要交叉的编码得到子代，对于每一个子代，如果交叉的部分已经在存在，则根据基因对应规则对寻找替换基因 示例：父代 1 : 12345678; 父代 2： 51834762 步骤 1、确定基因对应规则。 父代 1 视角： 1->5、 2->1、 3->8、 4->3、 5->4、 6->7、 7->6、8->2 父代 2 视角： 5->1、 1->2、 8->3、 3->4、 4->5、 7->6、 6->7、2->8 步骤 2、确定交叉起始位置为 4，结束位置为 6。 父代 1 中需要交换的基因为 456 父代 2 中需要交换的基因为 347 步骤 3、通过互换基因得到子代。 子代 1 生成过程：父代 1 中前 3 个基因和后 2 个基因无需互换，遗传给子代 1，得到 123***78 第四个基因 4 需要交换，对应的基因为 3，得到 1233##78。由于基因 3 已经存在于子代 1（位置 3）中，因此将该基因根据对应规则修改为 8，得到1283##78，但基因 8 也已经存在，根据规则修改为 2，得到 1223##78； 2 同样存在，修改为 1，得到 1213##78； 1 也存在，修改为 5，得到 1253##78； 第五个基因 5 需要交换，对应的基因为 4，得到 12534*78； 第六个基因 6 需要交换，对应的基因为 7，得到 12534778，基因 7 已经存在，根据规则修改为 6，得到 12534768，子代 1 编码完成； 用同样的方式编码子代 2（用父代 2 视角的对应规则）。 编码原则 如果交换得到的基因已经存在，保留交换得到的基因、修改由父代遗传下来的基因。基因修改可能会有多次（由于多次冲突），但都只在同一位置进行。 变异编码规则设计 本实验采用交换变异，即在自身染色体中随机挑选两个基因，然后互换位置。 程序实现 1.设定种群数量 2.随机初始化种群染色体并计算适应度 3.根据适应度选择父代进行遗传（根据交叉概率决定是否交叉染色体） 4.根据变异率进行变异操作 5.计算适应度，如达到要求或达到迭代次数则终止算法，否则跳转到第3步

分析了粒子群优化算法的收敛性,指出它在满足收敛性的前提下种群多样性趋于减小, 粒子将会因速度降低而失去继续搜索可行解的能力;提出混沌粒子群优化算法, 该算法在满足收敛性的条件下利用混沌特性提高种群的多样性和粒子搜索的遍历性, 将混沌状态引入到优化变量使粒子获得持续搜索的能力.实验结果表明混沌粒子群优化算法是有效的,与粒子群优化算法、遗传算法、模拟退火相比,特别是针对高维、多模态函数优化问题取得了明显改善.

提出利用遗传算法优化在线支持向量机的风电场风速预测方法,应用遗传算法选择在线支持向量机的参数,将选择的参数代入在线支持向量模型,对前7 d的风速进行预测,实验结果证明了该方法的可行性。

基于改进遗传算法的路径规划MATLAB实现.pdf

人工智能实验之遗传算法求函数极值