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