遗传算法的参数分析

遗传算法的参数分析内容摘要：

1：如果还有其他附录， 可放在中文译文之前，中文译文、英文原文编号顺延 ) (注 2： 先将目录排好，基本对齐，然后选择段落 对齐方式 分散对齐 ) 太原科技大学毕业设计（论文） III 遗传算法的参数分析 摘要 思维进化计算是模拟人类思维过程提出的一种很有潜力的新型演化算法。 思维进化计算已成功应用于求解数值优化问题，对 TSP、常微分方程组建模和Jobshop 调度问题等非数值优化问题也做了一定的研究， 但目前思维进化计算尚未有关于非数值优化问题的通用算法框架。 本文针对解空间为有限空间的非数值优化问题，提出了求解这些问题的思维进化计算通用算法框架。 首先针对这些非数值优化问题的特点，抽象出它们的通用编码。 然后引入特征、信息矩阵的概念，提出了通用信息抽取和个体学习策略，从而实现了思维进化的趋同和异化操作，给出了通用的思维进化计算框架，并运用组合原理和马尔可夫链理论证明了该算法框架的全局收敛性。 最后通过应用该算法框架求解顶点着色问题 、 Jobshop 调度问题验证了该算法框架的可行性、有效性。 该算法框架具有较强的 通用性，适合于 TSP、顶点着色问题、 Jobshop 调度问题、神经网络结构优化问题、系统建模等一大类非数值优化问题。 实际应用中将具体非数值优化问题合理转化，设计编码与解码策略，定义该问题的特征和信息矩阵等概念，就可以直接应用该框架。 本文研究为求解复杂的非数值优化问题提供了一种新的有效途径。 关键词 ： 非数值优化问题 ， 思维进化计算 ， 趋同 ， 异化 ， 信息矩阵 太原科技大学毕业设计（论文） IV Inheritance Algorithmic Parameter Analysis ABSTRACT Mind Evolutionary Computation(MEC) was proposed by simulating the processes of human mind. It is a new potential evolutionary algorithm. MEC has been applied to numerical optimization problems, and some nonnumerical optimization problems, for example traveling salesman problem, jobshop scheduling, and Modeling for Systems of Ordinary Differential Equations, are solved successfully with MEC. But the allpurpose algorithm of MEC for nonnumerical problems doesn’t exist. In this paper, MEC algorithm is introduced for a kind of nonnumeric optimization problems which solution space is limit. First an allpurpose coding method is induced according to the mon characteristics of those problems. Then a series of concepts ,for example character ,information matrix， etc， are introduced. So an allpurpose similartaxis and dissimilation operations of MEC for those problems are designed. Consequently MEC algorithm for a kind of nonnumeric optimization problems is intro。