改進(jìn)遺傳算法的函數(shù)優(yōu)化及應(yīng)用.pdf

1、許多工程應(yīng)用問題的數(shù)學(xué)模型是多峰值函數(shù)，比如模糊系統(tǒng)的參數(shù)設(shè)計(jì)、最優(yōu)控制系統(tǒng)、雷達(dá)目標(biāo)識(shí)別等等。遺傳算法是求解多峰值函數(shù)問題的有效方法，但需要對(duì)基本遺傳算法輔以針對(duì)多峰值函數(shù)問題而設(shè)計(jì)的尋優(yōu)策略，否則基本遺傳算法往往達(dá)不到多峰值函數(shù)優(yōu)化的要求。支持向量機(jī)(SVM)作為近年來(lái)興起的一種具有良好發(fā)展前景的學(xué)習(xí)機(jī)器，目前其參數(shù)的選取國(guó)際上還沒有公認(rèn)的成熟、完美的理論來(lái)指導(dǎo)，這給SVM的廣泛應(yīng)用帶來(lái)了較大的不便。SVM參數(shù)選取問題事實(shí)上是一個(gè)多

2、峰值函數(shù)優(yōu)化問題，而通過現(xiàn)代智能算法動(dòng)態(tài)獲得相應(yīng)問題的SVM最佳參數(shù)是目前的發(fā)展趨勢(shì)。針對(duì)多峰值函數(shù)優(yōu)化問題的特點(diǎn)，論文對(duì)基本遺傳算法加以改進(jìn)并輔以一些尋優(yōu)策略以期能夠求解多峰值函數(shù)優(yōu)化問題，論文的改進(jìn)以及主要工作有以下內(nèi)容:
　　(1)重新設(shè)計(jì)適應(yīng)度函數(shù)，使每個(gè)極值點(diǎn)具有相同的適應(yīng)度，同時(shí)還能區(qū)分不同的點(diǎn)接近極值點(diǎn)的程度。采用基于適應(yīng)度比的交叉策略，使得算法能夠根據(jù)交叉?zhèn)€體的適應(yīng)度情況動(dòng)態(tài)調(diào)整算法的全局搜索強(qiáng)度以及范圍。設(shè)計(jì)基于

3、適應(yīng)度大小的變異策略，使不同個(gè)體能夠根據(jù)自身的情況調(diào)整局部搜索精度，加快收斂速度。為了驗(yàn)證算法的有效性以及性能，通過2個(gè)單峰值函數(shù)，7個(gè)無(wú)約束多峰值函數(shù)，1個(gè)有約束多峰值函數(shù)進(jìn)行實(shí)驗(yàn)測(cè)試。
　　(2)針對(duì)SVM參數(shù)選取問題的特殊性，論文對(duì)用于多峰值函數(shù)優(yōu)化問題的改進(jìn)遺傳算法加以修改并輔以額外的進(jìn)化策略以期能夠求解最高分類正確率對(duì)應(yīng)的泛化能力最好的可行解，針對(duì)相同核函數(shù)參數(shù)值情況下，一定范圍內(nèi)的懲罰因子對(duì)應(yīng)的分類超平面具有相同分類正