Matlab遗传算法及仿真研究 第4页

（6）社会与经济领域。基于遗传算法的思想，软件开发人员设计了很多的软件包，服务于各类社会和经济行业，比如金融系统和股票投资分析行业。
（7）人工智能与科学计算。因为很多求解问题的复杂性，往往得不到问题的解析解，人们尝试运用各种算法求出最优解的近似解来逼近最优解。遗传算法是这类算法中一种典型的方法，被广泛应用在很多问题求解中。例如本文给出了遗传算法在配电网设备检修优化模型中的应用实例，如果将优化结果应用在配电网设备检修计划中，能从很大程度上降低因检修而带来的损耗，具有很好的经济应用价值。
至此，我们可以看出遗传算法具有很高的应用价值。但是，遗传算法并不是一种完美的算法，其存在着不足之处，导致有时优化结果并不理想。因而，为了充分利用遗传算法的优势，克服其缺陷，还需要开展进一步相关的研究工作。

2.分析
 本论文主要针对遗传算法和优化遗传算法做了一些初步的分析：

2.1基本遗传算法
 基本遗传算法采用如下参数：
 选择策略采用轮盘赌策略，令                    ，PP0=0，其中PPi为累计概率，Pi为个体的选择概率，其计算公为：

其中fitness（xi）为个体的适应度。共转轮NP次（NP为种群个体数），每次转轮时，随机产生0到1之间的随机数r，当PPi-1≤r＜PPi时选择个体I
 从选择概率的计算公式可以看出，个体的适应值越大，其选择概率越大，因此如果将目标函数作为适应函数，则此遗传算法是求目标函数的最大值的。
1) 算法原理
a) 用二进制编码来离散自变量，码长根据离散精度来确定
b) 交叉方法采用单点交叉
c) 变异是根据变异概率反转子代某个位的值
d) 选择策略采用轮盘赌策略
2)  算法步骤
基本遗传算法的基本步骤如下：
a) 随机产生初始种群，个体数目一定、每个个体表示为染色体的基因编码
b) 用轮盘赌策略确定个体的适应度，并判断是否符合优化准则，若符合，输出最佳个体及其代表的最优解，并结束计算，否则转向c)
c) 依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰
d) 按照一定的交叉概率和交叉算法、生成新的个体
e) 按照一定的变异概率和变异算法，生成新的个体
f) 由交叉和变异产生新一代的种群，返回到b)

上一页  [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] 下一页

Matlab遗传算法及仿真研究 第4页下载如图片无法显示或论文不完整，请联系qq752018766