种改进的遗传算法以及它在计划波导过滤器设计重点额应用,迁移策略在结构化的随机交配群体中的并行分布遗传算法的影响应用智能经典遗传算法的收敛分析基于神经网络的转录种新的改进遗传算法及其性能分析外文翻译中英文翻译外文文献翻译摘要虽然遗传算法以其全局搜索并行计算更好的健壮性以及在进化过程中不需要求导而著称，但是它仍然有定的缺陷，比如收敛速度慢。本文根据几个基本定理，提出了种使用变异染色体长度和交叉变异概率的改进遗传算法，它的主要思想是在进化的开始阶段，我们使用短些的变异染色体长度和高些的交叉变异概率来解决，在全局最优解附近，使用长些的变异染色体长度和低些的交叉变异概率。最后，些关键功能的测试表明，我们的解决方案可以显著提高遗传算法的收敛速度，其综合性能优于只保留最佳个体的遗传算法。关键字编译染色体长度变异概率遗传算法在线离线性能遗传算法是种以自然界进化中的选择和繁殖机制为基础的自适应的搜索技术，它是由年首先提出的。它以其全局搜索并行计算更好的健壮性以及在进化过程中不需要求导而著称。然而它也有些缺点，如本地搜索不佳，过早收敛，以及收敛速度慢。近些年，这个问题被广泛地进行了研究。本文提出了种使用变异染色体长度和交叉变异概率的改进遗传算法。些关键功能的测试表明，我们的解决方案可以显著提高遗传算法的收敛速度，其综合性能优于只保留最佳个体的遗传算法。在第部分，提出了我们的新算法。第二部分，通过几个优化例子，将该算法和只保留最佳个体的遗传算法进行了效率的比较。第三部分，就是所得出的结论。最后，相关定理的证明过程可见附录。算法的描述些定理在提出我们的算法之前，先给出个般性的定理见附件，如下我们假设有个变量多变量可以拆分成多个部分，每部分是个变量∈∈，二进制的染色体编码是定理染色体的最小分辨率是定理染色体的第位的权重值是定理单点交叉的染色体搜索步骤的数学期望是其中是交叉概率定理位变异的染色体搜索步骤的数学期望是其中是变异概率算法机制在进化过程中，我们假设变量的值域是固定的，交叉的概率是个常数，所以从定理和定理我们知道，较长的染色体长度有着较少的染色体搜索步骤和较高的分辨率反之亦然。同时，交叉概率与搜索步骤成正比。由定理，改变染色体的长度不影响变异的搜索步骤，而变异概率与搜索步骤也是成正比的。进化的开始阶段，较短染色体可以是过短，否则它不利于种群多样性和较高的交叉和变异概率会增加搜索步骤，这样可进行更大的域名搜索，避免陷入局部最优。而全局最优的附近，较长染色体和较低的交叉和变异概率会减少搜索的步骤，较长的染色体也提高了变异分辨率，避免在全局最优解附近徘徊，提高了算法收敛速度。最后，应当指出，染色体长度的改变不会使个体适应性改变，因此它不影响选择轮盘赌选择。算法描述由于基本遗传算法没有在全局优化时收敛，而遗传算法保留了当前代的最佳个体，我们的方法采用这项策略。在进化过程中，我们跟踪到当代个体平均适应度的累计值。它被写成其中是当前进化的代，是个体的平均适应度。当累计平均适用性增加到最初个体平均适应度的,∈倍，我们将染色体长度变为其自身的是个正整数倍，然后减小交叉和变异的概率，可以提高个体分辨率减少搜索步骤以及提高算法收敛速度。算法的执行步骤如下第步初始化群体，并计算个体平均适应度，然后设置改变参数的标志。设为第二步在所保留的当代的最佳个体，进行选择再生交叉和变异，并计算当代个体的累积平均适应度第三步如果且，把染色体的长度增加至自身的倍，减少交叉和变异概率，并设置等于否则继续进化。第四步如果满足结束条件，停止否则转自第二步。测试和分析我们采用以下两种方法来测试我们的方法，和只保留最佳个体的遗传算法进行比较收敛的分析在功能测试中，我们进行了以下政策轮盘赌选择，单点交叉，位变异。种群的规模是。是染色体长度，和分别是交叉概率和变异概率。我们随机选择个遗传算法所保留的最佳个体来与我们的方法进行比较，它们具有不同的固定染色体长度和交叉和变异的概率。表给出了在次测试的平均收敛代。在我们的方法中，我们采取的初始参数是和，当满足改变参数的条件时，我们调整参数。从表中得知，我们的方法显著提高了遗传算法的收敛速度，正符合上述分析。表功能测试结果方法我们的算法在线和离线性能的分析提出了遗传算法的定量评价方法，包括在线和离线性能评价。前者测试动态性能，而后者评估收敛性能。为了更好地分析测试功能的在线和离线性能，我们把个体的适应性乘以，并和分别给出了和代的曲线在线离线图的在线与离线性能在线离线图的在线与离线性能从图和图可以看出，我们方法的在线性能只比第四种情况差点点，但比第二种第三种第五种好很多，这几种情况下的在线性能几乎完全相同。同时，我们方法的离线性能也比其他四种好很多。结论本文提出了种使用变异染色体长度和交叉变异概率的改进遗传算法。些关键功能的测试表明，我们的解决方案可以显著提高遗传算法的收敛速度，其综合性能优于只保留最佳个体的遗传算法。附件有了第部分中假定的条件，定理和定理的验证是显而易见的。下面给出定理和定理的证明过程定理单点交叉的染色体搜索步骤的数学期望是其中是交叉概率证明如图所示，我们假设交叉发生在第个基因位点，从到的父基因位点没有变化，基因位点到上的基因改变了。在交叉过程中，到基因位点上的基因改变的概率为变化或者变为，因此，交叉之后，基因位点上的染色体搜索步骤从到的数学期望是此外，每个位点的染色体发生交叉的概率是相等的，即。交叉后，染色体搜索步骤的数学期望是把替换为，我们得到其中是非常大的所以图单点交叉定理位变异的染色体搜索步骤的数学期望是其中是变异概率。证明每个基因位点上的基因的变异概率是相等的，比如，因此变异搜索步骤的数学期望是参考,自适应变异概率的遗传算法以及其性能分析基于大规模的分布式系统损失最小化的改进遗传算法进化计算会议,种改进的遗传算法以及它在计划波导过滤器设计重点额应用,迁移策略在结构化的随机交配群体中的并行分布遗传算法的影响应用智能经典遗传算法的收敛分析基于神经网络的转录,