遗传算法的机理与收敛性研究

采用一种新的基于解空间分解的定量分析方法,对遗传算法的种群进化过程进行分析,阐明了选择、交叉和变异操作的寻优机理,给出了子代种群在解空间上的概率分布情况;理论上,证明了遗传算法具备寻找全局最优解的能力,并给出了具备寻找全局最优解能力的充分必要条件,即证明了积木块假设的结论是成立的.同时,建立了二进制编码有限群体的M arkov链模型,计算出在用于静态优化问题的交叉和变异操作下,种群在解空间上概率分布情况以及收敛到最优解的概率,并讨论了产生早熟现象和GA-欺骗问题的原因.

加权编码遗传算法线性函数能力分析

引入基因座系数作为基因座上一阶模式适应度差别的衡量指标;通过基因座系数和一阶积木块的对应关系,分析了线性加权编码用于线性函数编码时生成一阶积木块的能力。分析结果给出了基因座系数的一个上限与加权值的关系,结果同时表明,为保证计算精度,无论加权值如何变化,总有部分基因座上的基因座系数接近于1,因此在相当部分的搜索子空间中搜索随机性强、效率低。