受生物分子启发的遗传算法及应用研究

摘要

现代工业生产过程变得越来越复杂，而复杂系统的建模、优化与控制需要高性能的优化算法来辅助实现。遗传算法作为一种启发式随机搜索算法，它模拟了自然选择和生物遗传进化机制，具有易于并行实现、鲁棒性强和良好的全局搜索性能等优点，为这类问题提供了有效的解决途径。目前，遗传算法作为进化计算研究的一个重要分支，引起了众多学者的广泛关注。
　　本文针对遗传算法在求解复杂优化问题时普遍存在搜索能力不足、容易早熟收敛于局部最优点的缺陷进行改进，充分借鉴生物分子特性，将生物分子编码和操作方式融入到遗传算法。同时引入种群多样性度量方法，在遗传算法的搜索过程中，利用动态变化的种群多样性信息对遗传算法的搜索进程加以引导，对基于生物分子特性的遗传算法进行深入研究，主要研究工作概况如下:
　　(1)针对遗传算法局部搜索能力较弱和早熟收敛问题，提出了基于种群聚集度变异概率自适应的DNA遗传算法。深入分析和挖掘DNA生物分子机制，设计了新型的优选交叉算子和移码变异算子。同时，在算法进化过程中引入种群聚集度函数来表征种群中个体在搜索空间的分布情况，采用和聚集度相关的变异概率自适应策略，当种群处于聚集程度高、多样性缺失阶段，通过加大变异概率来有效增强算法跳出局部极值的能力。通过对典型测试函数寻优及超临界水氧化反应动力学参数估计问题求解来验证该算法的有效性。
　　(2)提出了基于个体差异度遗传操作自适应策略的RNA遗传算法。受RNA分子结构和分子特性启发，设计了互补碱基变异算子和稀有碱基变异算予。通过个体差异度测度的引导实现遗传操作自适应控制策略。基于10维和30维的单模态及多模态的基准测试函数寻优，对所提出算法进行性能测试，并通过解决质子交换膜燃料电池机理模型参数估计问题测试算法的实用性，仿真实验结果表明所建立的PEMFC模型具有较高的准确度和鲁棒性。
　　(3)借鉴生物群体间的协作进化机制，将协同进化的思想引入到遗传算法中，提出了多策略协同进化RNA遗传算法(mcRNA-GA)。构建两个子种群，采用不同的进化模式同时独立进化，达到对算法的局部搜索和全局探索能力均衡调控的目的。在协同进化过程中采用信息分享机制交换优秀个体所携带的遗传信息以加快算法收敛，从而有效提高算法的搜索效率。通过4个典型测试函数对算法性能进行研究和对比，最后采用该算法来解决桥式吊车系统非参数建模问题，优化径向基神经网络的参数，通过仿真实验对该建模的有效性和建模精度进行检验。
　　(4)借鉴对立学习思想，提出了基于对立学习策略的RNA遗传算法。该算法中引入基于种群个体空间分布方差的多样性测度，当种群多样性下降较大时，启动多样性调节机制，通过对立学习策略得到相应的对立个体，并与种群中原个体进行混合后经过选择操作得到下一代进化种群。对立策略学习的执行能及时对种群多样性的变化做出合理的反应，四个标准测试函数仿真实验表明该方法能提高算法性能。用该算法对桥式吊车系统定位和防摆的双二维模糊控制器进行参数优化，仿真实例结果表明与传统的PID控制相比，双二维模糊控制具有良好的适应性和鲁棒性，可提高桥式吊车系统的动态性能。

目录

声明

致谢

摘要

插图

表格

缩写、符号清单、术语

1 绪论

1．1 引言

1．2 遗传算法

1．2．1 遗传算法的发展历程

1．2．2 遗传算法的基本结构

1．2．3 遗传算法的基本要素

1．2．4 遗传算法的缺点

1．3 DNA遗传算法

1．3．1 DNA遗传算法的生物学基础

1．3．2 DNA遗传算法的基本要素

1．3．3 DNA遗传算法的研究现状

1．4 RNA遗传算法

1．4．1 RNA遗传算法的生物学基础

1．4．2 RNA遗传算法的研究现状

1．5 遗传算法的应用

1．6 遗传算法种群多样性度量

1．7 本文主要研究内容

2 基于种群聚集度变异概率自适应的DNA遗传算法

2．1 引言

2．2 基于种群聚集度变异概率自适应的DNA遗传算法

2．2．1 编码与解码方式

2．2．2 遗传算子

2．2．3 基于种群聚集度的自适应变异概率

2．2．4 局部搜索策略

2．2．5 终止准则

2．2．6 aamDNA-GA算法实施步骤

2．3 测试函数寻优实验与结果分析

2．3．1 测试函数

2．3．2 结果比较与分析

2．4 超临界水氧化反应动力学模型参数估计

2．5 本章小结

3 基于个体差异度遗传操作自适应策略的RNA遗传算法

3．1 引言

3．2 基于个体差异度遗传操作自适应策略的RNA遗传算法

3．2．1 编码方式

3．2．2 遗传操作自适应策略

3．2．3 选择算子

3．2．4 交叉算子

3．2．5 变异算子

3．2．6 终止条件

3．2．7 算法的实施步骤

3．3 测试函数实验仿真及结果分析

3．3．1 测试函数

3．3．2 参数设置

3．3．3 实验结果与分析

3．4 质子交换膜燃料电池模型参数估计

3．4．1 问题描述

3．4．2 PEMFC电池组数学模型

3．4．3 目标函数确立

3．4．4 实验结果分析

3．5 本章小结

4 多策略协同进化RNA遗传算法

4．1 引言

4．2 多策略协同进化RNA遗传算法

4．2．1 编码方式

4．2．2 适应度函数

4．2．3 选择算子

4．2．4 交叉算子

4．2．5 变异算子

4．2．6 子种群间信息交流机制

4．2．7 多策略协同进化RNA遗传算法流程

4．3 测试函数实验仿真和结果分析

4．4 基于mscRNA-GA的桥式吊车系统RBF神经网络建模

4．4．1 问题描述

4．4．2 径向基函数神经网络

4．4．3 适应度函数

4．4．4 数据的归一化处理

4．4．5 RBF神经网络建模实验及结果分析

4．5 本章小结

5 基于对立学习策略的RNA-GA

5．1 引言

5．2 基于对立学习策略的RNA遗传算法

5．2．1 对立学习的思想(Opposition-based learning)

5．2．2 编码方式

5．2．3 操作算子

5．2．4 自适应交叉概率

5．2．5 基于种群个体空间分布方差的多样性度量

5．2．6 基于对立学习策略的RNA-GA实现步骤

5．3 算法性能测试与结果分析

5．3．1 仿真测试函数

5．3．2 测试结果及分析

5．4 桥式吊车系统自适应模糊控制器参数优化

5．4．1 桥式吊车的数学模型

5．4．2 基于oblRNA-GA的自适应模糊控制器设计

5．5 本章小结

6 总结与展望

6．1 全文工作总结

6．2 研究展望

参考文献

攻读博士学位期间完成的研究成果

个人简历