毕业论文课题相关文献综述

文献综述

1.课题背景、意义和前景

近年来,一种被称为遗传算法(GeneticAlgorithms,GA)的优化技术有了很大发展,由于在许多重要领域获得成功应用,它受到普遍关注而成为当前十分热门的研究领域。[1]

遗传算法(geneticalgorithm，GA)是由Holland提出的一种进化计算模型是基于自然选择和适者生存机理的一种并行、随机且自适应的智能优化算法。该算法模拟生物的进化过程，将问题的可行解表示成生物体的染色体，将问题的求解优化过程描述成染色体的适者生存过程，通过种群的不断迭代进化，包括复制、交叉和变异，得到最适应环境的个体，即为问题的最优解。[2]GA编码技术与遗传操作比较简单，具有隐含并行性以及实现全局搜索的能力，并已在众多领域得到了较为成功的应用。但GA算法本身也存在易于早熟收敛，算法性能严重依赖参数等缺点，这些问题都已成为GA进一步研究的方向。遗传算法被广泛用于函数优化、机器学习、智能控制、模式识别等领域。[3]

虽然遗传算法在许多领域中都有成功的应用,但其自身也存在不足,如局部搜索能力差、存在未成熟收敛和随机游走等现象,导致算法的收敛性能差,需要很长时间才能找到最优解等问题。这些不足阻碍了遗传算法的推广应用。有必要设计一种改进遗传算法对现有GA进行改进以提高其搜索性能。[4]

最早是由Kennedy和Eberhart于1995年提出的一种启发式全局优化技术。粒子群优化算法是一种基于群智能的演化计算方法，其源于鸟群群体运动行为的研究。鸟群在觅食时，在它们找到有食物的地方之前的迁徙过程中，既有分散又有群集的特点。对于鸟群来说，在它们找到食源之前的从一地到另一地的迁徙过程中，总是有那么一只鸟对食物的嗅觉较好，即对食源的大致方向具有较好的洞察力，从而，这只鸟就拥有食源的较好信息。由于在找寻食物的途中，它们又无时无刻的不在相互传递信息，特别是这种较好的信息。所以，在这种"好消息"的指引下，最终导致了鸟群"一窝蜂"的奔向食源，达到了在食源的群集。粒子群算法中，解群相当于鸟群，一地到另一地的迁徙相当于解群的进化，"好消息"相当于解群每代进化中的最优解，食源相当于全局最优解。与基于达尔文"适者生存，优胜劣汰"进化思想的遗传算法不同的是，粒子群优化算法是通过个体之间的协作来寻找最优解的。它用无质量无体积的粒子作为个体，并为每个粒子规定简单的行为规则，从而使整个粒子群表现出复杂的特性，可用来求解复杂的优化问题。[5-7]

由于PSO结构简单易于控制，对于动态目标函数，它的性能更稳定。在解决一些典型的函数优化问题，PSO能够取得比遗传算法更好的优化结果。虽然GA是成熟的函数优化算法，但遇到超高维，多局部极值的复杂函数问题，往往在优化的收敛速度和精度上难以达到预期的要求，POS没有选择，交叉，变异的复杂操作，更能适应这类问题的求解，能更快的达到全局优值。Shi和Eberhart得出，PSO对大多数的非线性Benchmark函数优化问题比GA在速度和精度上都有提高。PSO作为有效的新型算法几乎可以替代GA应用到所有GA渗透的科学和领域。已经几乎成功的例子有实时机器人路劲规划、模糊控制器设计、工作调度、图像分割、语音识别等。

但是PSO过于简单，缺乏数学理论支撑，还不具备普遍的意义，不易直接应用于科学研究和工程领域。因此需要加强其数学理论基础方面的研究，建立相应的数学理论模型，完善其自然规律模拟的合理性，并建立模型，除遗传算法和微利群算法，还有其他被人们关注和研究的人工智能算法，如神经网络、模糊逻辑系统及模拟退火、蚁群算法等。它们的互相渗透结合将是针对具体问题提升算法性能和应用的主要途径。[8-11]

仔细研究遗传算法的优化过程，可发现此类算法对初始点的分布严重依赖，而基于鸟群觅食行为发展起来的微粒群优化算法(简称PSO)由于种群间的交流更充分，故可将PSO与GA组合形成新的算法，先用GA进行搜索域内基本搜索，获取可能的全局最优范围，再利用PSO继续搜索，克服GA的局部搜索能力差的缺点，使得算法具有更快的收敛速度和收敛精度。

各种遗传算法的改进模型、有改进其个别步骤或参数的，也有该进算法全局的。GA虽然较PSO算法复杂，但有其算法上的优势个特点，因此，把GA和PSO的特点结合起来可以达到更好的效果。