基于强化学习的改进遗传算法研究

论文摘要

遗传算法（Genetic Algorithm, GA）是进化算法中产生最早、影响最大、应用也比较广泛的一个分支算法。它采用达尔文进化论的适者生存、优胜劣汰的进化思想。作为一种全局搜索方法,它具有简单性、鲁棒性和通用性等特点。自算法提出以来,在工程设计、机器学习、模式识别、图像处理等方面得到了广泛的应用。尽管如此,遗传算法在理论和应用方法上还有很多亟待完善之处,如早熟收敛、收敛速度慢等问题。针对传统遗传算法存在的早熟收敛和收敛速度慢的问题,本文提出了相应的改进方法,其研究内容主要包括以下三个方面:（1）提出了一种多策略选择遗传算法,同时将强化学习算法与多策略选择遗传算法融合。该算法通过使用不同的选择策略提高了种群的多样性,有效地避免了遗传算法的早熟收敛问题,并运用强化学习算法动态地优化种群多样性,使其保持在合适的范围,一定程度上增强了算法的自适应能力。实验证明,该算法在收敛速度和搜索效率上都表现出了较好的性能。（2）借鉴精英策略和协同进化思想,提出了一种双精英协同进化遗传算法,并从理论上证明了算法的收敛性。通过对函数进行测试,实验结果表明,该算法能搜索到几乎所有函数的最优解,同时能有效地保持种群的多样性。与已有算法比较表明,该算法在收敛速度和搜索全局最优解上都有了明显的改进和提高。（3）为进一步完善双精英协同进化遗传算法的自我进化机制,增强算法的可靠性和自适应性,将强化学习算法应用到双精英协同进化遗传算法中。实验结果表明,强化学习中的Q-learning算法与遗传算法结合能较好地克服遗传算法自身的随机性,为遗传算法与其它强化学习算法的结合做了铺垫。

论文目录

• 中文摘要
• Abstract
• 第一章 引言
• 1.1 课题的背景及意义
• 1.2 国内外研究现状
• 1.3 本文的创新性工作
• 1.4 文章内容安排
• 第二章 理论基础
• 2.1 遗传算法的基本理论与关键技术
• 2.1.1 编码技术
• 2.1.2 适应度函数
• 2.1.3 遗传操作
• 2.1.4 模式定理和积木块假设
• 2.2 强化学习基本理论与算法介绍
• 2.2.1 强化学习的基本理论
• 2.2.2 强化学习的主要算法
• 2.3 本章小结
• 第三章 基于强化学习的多策略选择遗传算法
• 3.1 多策略选择遗传算法
• 3.1.1 多策略选择要素
• 3.1.2 多策略选择算法结构与算法描述
• 3.2 基于强化学习的多策略选择遗传算法
• 3.2.1 种群多样性的度量
• 3.2.2 学习模型及其组成要素
• 3.2.3 基于强化学习的MPSGA 算法
• 3.2.4 算法收敛性分析
• 3.3 实验结果与分析
• 3.4 本章小结
• 第四章 双精英协同进化遗传算法
• 4.1 精英策略和协同进化策略
• 4.2 双精英协同进化遗传算法
• 4.2.1 个体评价策略
• 4.2.2 协作交叉操作
• 4.2.3 双精英进化机制
• 4.2.4 双精英协同进化遗传算法
• 4.2.5 算法收敛性分析
• 4.3 实验结果与分析
• 4.3.1 DECGA 算法的实验结果
• 4.3.2 种群多样性变化图
• 4.3.3 DECGA 算法与DSGA、LGA 算法的比较
• 4.3.4 DECGA 算法与SGA、EGA、BEGA 算法的比较
• 4.4 本章小结
• 第五章 基于强化学习的双精英协同进化遗传算法
• 5.1 基于强化学习的双精英协同进化遗传算法
• 5.1.1 比例参数调节
• 5.1.2 多交叉、变异操作调整策略
• 5.1.3 交叉、变异概率调整策略
• 5.2 仿真实验
• 5.3 本章小结
• 第六章 总结与展望
• 6.1 本文工作总结
• 6.2 工作展望
• 参考文献
• 攻读硕士期间发表（录用）的论文和参加的科研项目
• 致谢