遺傳算法論文范文精選

摘要在浮點編碼遺傳算法中加入Powell方法，構成適于不可微函數全局優化的混合遺傳算法?；旌纤惴ǜ纳屏诉z傳算法的局部搜索能力，顯著提高了遺傳算法求得全局解的概率。由于只利用函數值信息，混合算法是一種求解可微和不可微函數全局優化問題的通用方法。

關鍵詞全局最優；混合算法；遺傳算法；Powell方法

1引言

不可微非線性函數優化問題具有廣泛的工程和應用背景，如結構設計中使得結構內最大應力最小而歸結為極大極小優化（minmax）問題、數據魯棒性擬合中采取最小絕對值準則建立失擬函數等。其求解方法的研究越來越受到人們的重視，常用的算法有模式搜索法、單純形法、Powell方法等，但是這些方法都是局部優化方法，優化結果與初值有關。

近年來，由Holland研究自然現象與人工系統的自適應行為時，借鑒“優勝劣汰”的生物進化與遺傳思想而首先提出的遺傳算法，是一種較為有效的求不可微非線性函數全局最優解的方法。以遺傳算法為代表的進化算法發展很快，在各種問題的求解與應用中展現了其特點和魅力，但是其理論基礎還不完善，在理論和應用上暴露出諸多不足和缺陷，如存在收斂速度慢且存在早熟收斂問題[1,2]。為克服這一問題，早在1989年Goldberg就提出混合方法的框架[2]，把GA與傳統的、基于知識的啟發式搜索技術相結合，來改善基本遺傳算法的局部搜索能力，使遺傳算法離開早熟收斂狀態而繼續接近全局最優解。近來，文獻[3]和[4]在總結分析已有發展成果的基礎上，均指出充分利用遺傳算法的大范圍搜索性能，與快速收斂的局部優化方法結合構成新的全局優化方法，是目前有待集中研究的問題之一，這種混合策略可以從根本上提高遺傳算法計算性能。文獻[5]采用牛頓－萊佛森法和遺傳算法進行雜交求解旅行商問題，文獻[6]把最速下降法與遺傳算法相結合來求解連續可微函數優化問題，均取得良好的計算效果，但是不適于不可微函數優化問題。

本文提出把Powell方法融入浮點編碼遺傳算法，把Powell方法作為與選擇、交叉、變異平行的一個算子，構成適于求解不可微函數優化問題的混合遺傳算法，該方法可以較好解決遺傳算法的早熟收斂問題。數值算例對混合方法的有效性進行了驗證。

摘要：遺傳算法是根據生物學上的染色體基因因子構成機制而產生的一種啟發式算法。該算法以群體中的所有個體為對象，通過選擇、交叉、變異和重排序等類似生物遺傳的操作算子，得到滿足一定群體適應度的新種群。遺傳算法為頻率分配問題提供了解決途徑。

關鍵字：頻率分配遺傳算法GECP組合優化

1.通信網頻率分配問題的背景

無線通信設備之間通過相互發射電磁波達成信息溝通。相互通信的設備之間使用特定的頻率（信道）構成無線通信鏈路。由于電磁波的自然特性，無線通信設備發射的電磁波可能對位于附近、滿足一定功率和頻率條件的其它設備形成干擾。頻率分配（FAP）的目的就是給工作在一定地域內的無線通信設備指定使用的工作頻率(或信道)，使所有設備都以盡量小的概率被干擾，從而使整個網絡的可用性得到優化。FAP可以描述為：對N個給定的待分配工作頻率的鏈路，設G={S1,S2,…Sn}為所有狀態構成的解空間，C(si)為狀態si對應的目標函數值，尋找最優解s*，使任意si∈G，C(s*)=minC（si）。因此FAP是一種組合優化問題。

具體設備頻率分配方法雖然會隨著設備的工作方式（單工、雙工）、工作頻段、天線類型、信號的調制解調方式的不同而有所區別，但是大部分頻率分配算法都可以轉換為等價的圖的邊著色問題。從圖論算法理論上講，圖的廣義邊著色問題是NPC問題[7]，也就是說無法在多項式時間內求得問題的最優解。例如對于存在n條邊的無向圖，使用c種顏色對其著色，在沒有其它約束條件下，其解空間是cn。即使在不考慮顏色重復使用（c>n）的情況下，其解空間也達到n!。這兩者都是超越數，在c和n的值較大的情況下想利用窮舉搜索的方法求得問題的最優解在時間上是不可行的。

在工程實踐中許多NPC問題使用一些使用的近似算法得到問題的可行解。這些方法包括[]：只對問題的特殊實例求解；動態規劃（DP）或者分支界限算法（BC）；概率算法；求近似解；啟發式算法（HeufisticAlgorithms）等。這些方法的和核心是分割問題的解空間，按照特定規則搜索典型解作為次最優解。

摘要在浮點編碼遺傳算法中加入Powell方法，構成適于不可微函數全局優化的混合遺傳算法。混合算法改善了遺傳算法的局部搜索能力，顯著提高了遺傳算法求得全局解的概率。由于只利用函數值信息，混合算法是一種求解可微和不可微函數全局優化問題的通用方法。

關鍵詞全局最優；混合算法；遺傳算法；Powell方法

1引言

不可微非線性函數優化問題具有廣泛的工程和應用背景，如結構設計中使得結構內最大應力最小而歸結為極大極小優化（minmax）問題、數據魯棒性擬合中采取最小絕對值準則建立失擬函數等。其求解方法的研究越來越受到人們的重視，常用的算法有模式搜索法、單純形法、Powell方法等，但是這些方法都是局部優化方法，優化結果與初值有關。

近年來，由Holland研究自然現象與人工系統的自適應行為時，借鑒“優勝劣汰”的生物進化與遺傳思想而首先提出的遺傳算法，是一種較為有效的求不可微非線性函數全局最優解的方法。以遺傳算法為代表的進化算法發展很快，在各種問題的求解與應用中展現了其特點和魅力，但是其理論基礎還不完善，在理論和應用上暴露出諸多不足和缺陷，如存在收斂速度慢且存在早熟收斂問題[1,2]。為克服這一問題，早在1989年Goldberg就提出混合方法的框架[2]，把GA與傳統的、基于知識的啟發式搜索技術相結合，來改善基本遺傳算法的局部搜索能力，使遺傳算法離開早熟收斂狀態而繼續接近全局最優解。近來，文獻[3]和[4]在總結分析已有發展成果的基礎上，均指出充分利用遺傳算法的大范圍搜索性能，與快速收斂的局部優化方法結合構成新的全局優化方法，是目前有待集中研究的問題之一，這種混合策略可以從根本上提高遺傳算法計算性能。文獻[5]采用牛頓－萊佛森法和遺傳算法進行雜交求解旅行商問題，文獻[6]把最速下降法與遺傳算法相結合來求解連續可微函數優化問題，均取得良好的計算效果，但是不適于不可微函數優化問題。

本文提出把Powell方法融入浮點編碼遺傳算法，把Powell方法作為與選擇、交叉、變異平行的一個算子，構成適于求解不可微函數優化問題的混合遺傳算法，該方法可以較好解決遺傳算法的早熟收斂問題。數值算例對混合方法的有效性進行了驗證。

摘要：裝配規劃是影響產品裝配質量和成本的重要因素，寫作論文作為并行工程和計算機集成制造的關鍵支撐技術，計算機輔助裝配規劃涉及計算機、人工智能、自動化和機器人等領域。對目前該領域國內外的研究現狀進行了綜述，總結和剖析了經典方法、虛擬現實方法、軟計算方法和協同方法等4種具有代表性的裝配規劃技術，并對今后計算機輔助裝配規劃的發展方向和研究趨勢進行了分析。

關鍵詞：計算機應用;裝配規劃;綜述;虛擬現實;軟計算;協同裝配

裝配是產品生命周期的重要環節，是實現產品功能的主要過程。寫作畢業論文裝配成本占產品制造成本40%～50%，裝配自動化一直是制造自動化中的瓶頸問題。裝配規劃是在給定產品與相關制造資源的完整描述前提下，得到產品詳細的裝配方案的過程，對指導產品可裝配性設計、提高產品裝配質量和降低裝配成本具有重要意義。產品的裝配規劃通常需要得到零部件的裝配序列、裝配路徑、使用的工裝夾具和裝配時間等內容[1]~[3]。

較早的傳統裝配規劃采用人工方式，工藝人員根據設計圖紙和技術文檔，通過分析產品裝配圖中零件的幾何形狀和位置關系，必要時再和設計人員進行討論，進一步明確設計者的真正意圖，利用自己的經驗和知識規劃出產品的裝配方案。這種方法工作量大、效率低，且難于保證裝配方案的經濟性。

隨著計算機集成制造CIMS和并行工程CE技術的發展和應用，一方面對裝配相關的設計技術提出了計算機化的要求，以提高和產品開發過程中其他環節的集成化程度。另一方面要求裝配方案的優化以降低成本和縮短規劃時間以加快產品開發進程。受“需求牽引”和“技術推動”兩方面的影響，80年代初，出現了對計算機輔助裝配規劃(ComputerAidedAssemblyPlanning，CAAP)技術的研究。到目前為止，CAAP經歷了幾個不同的發展階段，出現了4種代表性的方法，按照出現的時間順序及方法的特點，筆者將其歸結為經典裝配規劃方法、虛擬裝配規劃方法、裝配規劃軟計算方法和協同裝配規劃方法。

1經典裝配規劃方法

論文關鍵詞:圖像分割邊緣檢測模糊理論遺傳算法Matlab

論文摘要：分割的目的是將圖像劃分為不同區域。圖像分割算法一般是基于亮度值的兩個基本特性之一：不連續性和相似性。第一類性質的已用途徑是基于亮度的不連續變化分割圖像，比如圖像的邊緣。第二類的主要應用途徑是依據事先制訂的準則將圖像分割為相似的區域。門限處理、區域生長、區域分離和聚合都是這類方法的實例。遺傳算法具有簡單、魯棒性好和本質并行的突出優點。其在應用領域取得的巨大成功，引起了廣大學者的關注。在圖像分割領域，遺傳算法常用來幫助確定分割閾值。

本文介紹討論了幾種目前廣泛應用的圖像邊緣檢測、圖像閾值分割的各種算法，并給出了對比分析;對遺傳算法的基本概念和研究進展進行了綜述;給出了標準遺傳算法的原理、過程、實驗結果及分析.實驗結果表明，本文提出的遺傳分割算法優于傳統分割算法。

第一章緒論1.1圖像分割綜述

圖像分割就是指把圖像分成各具特性的區域并提取出感興趣目標的技術和過程。這里所說的特性可以是灰度、顏色、紋理等，而目標可以對應單個區域，也可以對應多個區域。圖像分割是數字圖像處理中的一項關鍵技術，它使得其后的圖像分析，識別等高級處理階段所要處理的數據量大大減少，同時又保留有關圖像結構特征的信息。而且，在數字圖像處理工程中，一方面，圖像分割是目標表達的基礎，對特征測量有重要的影響；另一方面，圖像分割是自動目標識別的關鍵步驟，圖像分割及其基于分割的目標表達、特征提取和參數測量等將原始圖像轉化為更抽象更緊湊的形式，分割中出現的誤差會傳播至高層次處理階段，因此分割的精確程度是至關重要的。只有通過細致精細的圖像分割，才能使得更高層的圖像分析和理解成為可能。因此，圖像分割是由圖像處理進到圖像分析的關鍵步驟，在圖像工程中占據重要的位置。

1.2圖像分割的研究意義與發展現狀