参 考 文 献 25

1绪论

1。1研究背景和意义

遗传算法（Genetic Algorithm）是对达尔文的生物进化论中自然选择和遗传学机理的生物进化过程的模拟, 是一种通过模拟自然进化过程搜索最优解的方法[1]。与传统搜索算法不同,遗传算法从一组随机产生的初始解。称为群体，开始搜索过程。群体中的每个个体是问题的一个解,称为染色体。这些染色体在后续迭代中不断进化,称为遗传。遗传算法主要通过交叉、变异、选择运算实现。交叉或变异运算生成下一代染色体,称为后代。染色体的好坏用适应度来衡量。根据适应度的大小从上一代和后代中选择一定数量的个体,作为下一代群体,再继续进化,这样经过若干代之后,算法收敛于最好的染色体,它很可能就是问题的最优解或次优解。遗传算法中使用适应度这个概念来度量群体中的各个个体的在优化计算中有可能到达最优解的优良程度。度量个体适应度的函数称为适应度函数。适应度函数的定义一般与具体求解问题有关[2]。

由于遗传算法的整体搜索策略和优化搜索方法在计算时不依赖于梯度信息或其它辅助知识，而只需要影响搜索方向的目标函数和相应的适应度函数，所以遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性。因此研究基于模糊逻辑的遗传算法优化设计的目的在于如何将模糊控制和遗传算法有机结合，充分发挥二者的优点[3-4]。

1。2研究现状

1。3本文研究的工作

本文主要研究一种用模糊控制来改进遗传算法的方法，采用MATLAB直接进行编程实现。该方法将在一定程度上改进遗传算法性能，克服遗传算法搜索效率低和过早收敛的缺点。主要研究分为以下几点：

（1）研究遗传算法和模糊控制，两者的工作流程，以及怎样把模糊控制应用到遗传算法里面去。

（2）使用MATLAB编程，选一个函数，用一般遗传算法对其进行求解搜索。找到最优解，并作出仿真曲线。

（3）在以往一般遗传算法基础上加上模糊逻辑推理，对遗传算法的交叉概率、变异概率进行模糊控制。寻找最优解，作出仿真曲线。

（4）将一般遗传算法和模糊遗传算法结果进行比对，看加入模糊控制后对遗传算法有怎样的优化。

（5）最后做出总结，并思考模糊遗传算法本课题在哪些方面还有不足和改进。

2基本遗传算法

2。1遗传算法的基本概念

遗传算法（Genetic Algorithm）于1975年由美国学者J。 H 。 Holland提出，它模仿生物进化的过程，利用字符串编码模拟“自然选择，优胜劣汰”的进化理论，在字符的串与串之间进行随机且有序的信息交换。这个过程导致种群中个体的进化，得到的新个体比原个体更能适应环境，就像自然界中的改造一样。遗传算法是生物进化过程应用到计算机科学中，生物遗传学和遗传算法基本用语有如下对照表：论文网

表2。1 生物遗传学和遗传算法基本用语对照表

自然遗传学 人工遗传算法

染色体(Chromosome) 解的编码(数据、数组、位串)

基因(Gene) 解中每一分量的特征(特性、个性、探测器、位)

等位基因(Allele) 特性值

基因座(Locus) 串中位置

基因型(Genptype)