仿生算法及其在专家分配问题中的应用

论文摘要

遗传算法和蚁群优化算法是两种最流行的仿生算法,前者以自然选择和遗传变异理论为基础,后者则是对蚂蚁觅食行为进行模拟而提出的一种仿生算法。本文对这两种算法进行了深入的研究,针对它们收敛速度慢、多样性差、容易早熟等不足,提出了几种改进的方法。此外,本文还将这两种算法成功应用到一个新的领域——专家分配问题。取得的成果和创新点如下:提出了两种改进多峰值搜索能力的遗传算法。一种是改进局部搜索能力的小生境遗传算法。该算法在进化后期进行小生境境内的交叉与变异操作来取代其在整个解空间内的交叉变异,进行有针对性的局部搜索。它具有更高的求解精度,更快的收敛速度,是一种寻优能力、效率和可靠性更高的优化算法。另一种方法将小生境遗传算法和Hopfield神经网络有机的结合在一起,首先进行小生境遗传算法寻优,然后对所得具有全局多样性的解进行聚类分析,得到的聚类中心作为Hopfield网络的初始搜索点,最后利用Hopfield网络逐个寻优。该方法综合了Hopfield神经网络准确、快速和小生境遗传算法多样性的优点。提出了一种蚁群优化算法和遗传算法的混合算法。该算法将遗传操作引入到了蚁群优化算法的每一次迭代后,利用遗传算法全局快速收敛的优点,来加快蚁群系统的收敛速度。并且通过遗传算法的变异机制,增强了蚁群系统跳出局部最优的能力。提出了一种具有先验知识的蚁群优化算法。新算法将问题特征作为先验知识事先提取出来,并赋予蚁群优化算法中的精英蚂蚁以识别该固有特征的能力,以提高精英蚂蚁的搜索质量,进而使得新算法整体的求解能力得以提高。在随着项目数量的迅速增长与研究范围的不断扩大,传统的分配方法和手工操作已经不能满足基金管理工作需要的前提下,本课题研究了专家分配问题,并结合专家分配问题的特点,设计了信息素指导下的遗传算子,使用遗传算法对其进行了求解。并进一步提出了蚁群优化算法求解专家分配问题的方法,实验取得了较好的效果。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 仿生算法
• 1.1.1 遗传算法
• 1.1.2 蚁群优化算法
• 1.2 优化问题
• 1.2.1 连续优化问题
• 1.2.2 组合优化问题
• 1.3 专家分配问题
• 1.3.1 专家分配问题的研究背景和意义
• 1.3.2 专家分配问题的主要内容和研究步骤
• 1.3.3 专家分配问题的研究现状
• 1.3.4 专家分配问题的数学模型
• 1.3.5 专家分配问题的求解方法选择
• 1.4 研究内容
• 第二章 遗传算法研究
• 2.1 遗传算法简介
• 2.1.1 遗传算法的基本原理
• 2.1.2 遗传算法流程
• 2.1.3 遗传算子
• 2.1.4 遗传算法的特点
• 2.2 基于负选择的遗传算法
• 2.2.1 负选择
• 2.2.2 算法描述
• 2.2.3 仿真实验
• 2.3 改进遗传算法的多样性
• 2.3.1 小生境遗传算法
• 2.3.2 具有局部搜索能力的小生境遗传算法
• 2.3.3 小生境遗传算法与神经网络结合
• 第三章 蚁群优化算法研究
• 3.1 蚁群优化算法简介
• 3.1.1 蚁群优化算法的基本原理
• 3.1.2 主要的蚁群优化算法
• 3.1.3 蚁群优化算法的当前研究热点
• 3.2 具有先验知识的蚁群优化算法
• 3.2.1 先验知识
• 3.2.2 算法流程描述
• 3.2.3 仿真实验
• 3.3 混合蚂蚁遗传算法
• 3.3.1 蚁群优化算法与遗传算法的比较
• 3.3.2 混合研究现状
• 3.3.3 第一种混合策略
• 3.3.4 第二种混合策略
• 第四章 遗传算法求解专家分配问题
• 4.1 专家分配问题的分析
• 4.2 基本遗传算法
• 4.2.1 数据初始化
• 4.2.2 编码设计
• 4.2.3 适应度函数的构造
• 4.2.4 遗传算子设计
• 4.2.5 初始种群的产生
• 4.3 改进算法
• 4.3.1 信息素矩阵的建立
• 4.3.2 信息素更新方程
• 4.3.3 改进交叉算子
• 4.3.4 改进变异算子
• 4.4 实验结果与分析
• 第五章 蚁群优化算法求解专家分配问题
• 5.1 基本思路
• 5.2 启发式信息
• 5.3 可行解构造
• 5.4 信息素更新
• 5.5 实验结果与分析
• 第六章 结论
• 6.1 全文总结
• 6.2 研究展望
• 参考文献
• 发表论文和科研情况说明
• 致谢