论文摘要
遗传算法是模拟自然界生物进化过程与机制求解极值问题的一类自组织、自适应人工智能技术，它通过对当前群体施加选择、交叉、变异等一系列遗传操作，从而产生新一代的群体，并逐渐使群体进化到包含或接近最优解的状态。由于其具有易于实现、应用效果明显等优点而被众多应用领域所接受，在自适应控制、组合优化、模式识别、机器学习、人工生命等领域得到了广泛的应用。 但是许多仿真和应用结果都表明遗传算法还存在群体易陷入“早熟”现象、局部搜索能力弱等问题。为改进其优化性能，人们从模式的角度分析其寻优机理，但是仍然存在着一些理论空白。目前，鲜见关于群体模式再生能力的理论，所以本文讨论了基本遗传算法的模式再生能力，并得出基本遗传算法模式再生能力弱，在有限群体规模和有限进化代数条件下，基本遗传算法依靠群体难以再生丢失模式的结论。 为了解决“早熟”现象，需要提高群体的模式再生能力，这势必需要引入一些增加算法模式再生能力的策略，但是这样的策略往往会使群体的收敛速度降低。为了缓解“早熟”现象且不影响群体的收敛速度，势必要在算法中同时引入增加模式再生能力和加速群体收敛的策略。参考其他算法以及现实某些现象，本文提出引入新个体策略、基因控制策略和基因库策略。理论分析和仿真结果都证明这三种改进策略可以有效的增加群体的模式再生能力，同时也提高群体的收敛速度，从而使算法的寻优性能提高。 神经网络的网络拓扑结构优化是一个复杂的优化过程。使用梯度下降法对神经网络进行优化存在优化结果不理想，优化时间长等问题。故而，采用遗传算法对神经网络的拓扑结构进行优化，仿真结果表明用遗传算法的优化效果要好于梯度下降法。