5。1。5自适应遗传算法 16

5。1。6双切点交叉遗传算法 16

5。1。7多变异位自适应遗传算法 17

5。2运用标准函数对算法进行比较 18

5。2。1 每个函数用不同算法求最大值 18

5。2。2 基本遗传算法中种群数对算法的影响 19

5。2。3 SBOGA最好个体选择概率 20

5。2。4 研究自适应遗传算法中交叉概率和变异概率对算法的影响 21

5。3 结果分析结论 23

6 总结展望 24

致谢 25

参考文献 26

附录 27

1 绪论

1。1课题的意义和目的

遗传算法是以生物学进化论的自然选择和遗传规则为基础，模仿生物进化过程的计算模型。主要用与对一些复杂问题最优解的计算。近年来遗传算法发展十分迅速。由与其搜索策略和优化方法不需要梯度信息和其它辅助知识，只需要目标函数和相应的适应度函数，所以遗传算法本质上是给求解复杂系统问题提供了一个通用框架。它不受问题领域的约束，在众多领域被广泛应。，例如组合优化问题、机械设计问题、数学问题、地质问题、信号处理方面、软件工程方面等。遗传算法在这些领域都有着重要作用，是十分适合学习和研究的优化算法。本次课题结合自身学过的信息专业的基本知识和基本技能，学习遗传算法的寻优原理。并运用MATLAB 完成对遗传算法及其改进算法的设计与仿真，通过利用标准函数来完成多次实验，结合实验所得数据对各个遗传算法的稳定性及速度进行比较。进而更好的了解遗传算法，并通过学习研究加以运用。

1。2发展和现状

2 进化算法

1859年达尔文创立了进化论，提出了自然选择的理论：生物之间存在生存争斗，适者生存，不适者淘汰。这一学说成为生物界和人类文明史上的里程碑，促进了人类科学技术的发展。1960年后进化论在工程技术应用上被推广开了，形成了一个新颖的计算方法，即进化算法（Evolutionary Algorithms, EAS），进化算法模拟生物学当中遗传和进化的过程，遵守“优胜劣汰，适者生存”的原则。以一组随机产生初始群体开始，通过复制、重组（交换）、变异等。逐步寻找出问题的最优解。是有自适应调节能力的寻优技术。

现在，进化计算成为了一门受人追捧，值得人研究的新型科学。在德国、美国、等科学强国，在工业、经济管理、交通运输、工业设计等众多领域被成功应用。在解决非线性优化、可靠性优化、机器调度、图像处理、设备布局设计和数据挖掘等复杂问题中有着很好的表现。但科学在进步，新问题也不断出现，对于进化计算的研究和改进是要不断进行的研究。这样才能满足解决新的复杂问题的需要。论文网

进化计算主要组成部分有四个算法。遗传算法（GA）和遗传规则(GP)，进化规则(ES)以及进化策略(EP)。它们遵从相同的进化原则，却在进化手段的实施上各有不同，自有特点。而遗传算法发展要比其他三种更加迅速，理论方法也更加成熟，应用也更广泛。

2。1遗传算法