论文部分内容阅读
遗传算法是受到自然选择和自然遗传学的启发而产生的数值优化算法。虽然有越来越多衍生的遗传算法,在某些领域此技术还从未有足够的吸引力。 经典算法一直都没能解决许多工程学上的问题,例如: 这个分析方法或古典数学方法都不能解决积分:此处公式省略: 而遗传算法可以帮助解决这些问题。 找到多项式函数此处公式省略:的一个近似或精确的根是一项冗长而又乏味的任务,遗传算法可能是不错的选择。 一些工程问题以解决常微分问题,我们需要一种近似法去求这个常微分的积分,遗传算法是一个很好的选择。 本文的主要研究工作: 首先,提出了一个算法应用于6个城市的货物传输问题。之后,将城市数目扩充为15个,最后增加到20个。应用在此算法的主要运算是部分匹配交叉和突变(交换)。 其次,研究了遗传算法的性能比较和二分法,从而在一维空间找到多项式函数的极值点。此算法解出任何多项式函数的根。 我已经通过数学方式证明了 BM算法优于遗传算法,因此在 BM方法中产生的误差是与迭代次数 n成反比的,其中误差具体是:此处公式省略:是对函数根的限定,仿真结果证实了这个结论。 再次,我们研究了遗传算法的比较性能和欧拉方法解决一阶常系数微分方程。主要结果如下: —用遗传算法解决一个常微分方程。 —证明任意情况下遗传算法优于欧拉算法。 —证明了数学的结果。 最后,研究遗传算法的比较性能和判定方法用于解决线性系统。在详细阐述了遗传算法后,通过4个实验结果发现在解决线性方程系统中,遗传算法比判定法更为高效。 遗传算法保留了最高效的工具,或者说当我们传统方法行不通的时候其中一个方法能算法可以解决工程问题。