论文部分内容阅读
遗传算法在处理测量领域中的非线性问题时,算法中的种群数目大小、个体中的参数分量的数量以及参数的取值区间都会对算法的效率产生影响。针对基本遗传算法在处理非线性问题时,容易陷入局部最优值、速度慢、收敛区间小等问题,本文采用了一种新的交叉策略,并对变异算子中的变异步长作动态的自适应改变。最后通过实例解算验证了这种改进的遗传算法比基本遗传算法更加稳定、精度更高、收敛速度更快、收敛区间更大。