遺傳模擬退火算法及其應用

1、本科畢業(yè)設計（論文）本科畢業(yè)設計（論文）外文參考文獻譯文及原文學院輕工化工學院輕工化工學院專業(yè)制藥工程制藥工程（天然藥物方向）（天然藥物方向）年級班別年級班別2009級（級（2）班）班學號3109002300學生姓名學生姓名黃學潤黃學潤指導教師指導教師魏關鋒魏關鋒2013年6月算法的收斂速度。交叉算子可以由父代個體的基因互換以幫助搜索出更好的個體。變異操作可以帶來遺傳基因進化群，避免陷入局部極值點。近年來，兩種類型的全局隨機優(yōu)化方法模擬

2、退火（SA）和遺傳算法已經得到了廣泛應用[2]。它們在難以由基于梯度的傳統(tǒng)方法解決的復雜的優(yōu)化問題上，顯示出良好的性能。GA通過優(yōu)勝劣汰的策略，采用生物進化的思想解決優(yōu)化問題；SA源于統(tǒng)計物理學方法，由Kirkpatrick和其他研究人員首先引入組合優(yōu)化領域[3]。GA具有較強的全局搜索能力，但存在過早收斂的問題，在進化后期，其搜索效率低，減緩遺傳算法的進化，使得搜索效率低；SA具有較強的局部搜索能力，能避免陷入局部優(yōu)解，但搜索時不能很

3、好地控制搜索過程而使工作效率很低[4]。在本文中，我們將模擬退火的思想嵌入到遺傳算法，并有效地將它們結合在一起，從而減少了GA的參數(shù)選擇的困難，和提高GA的全局收斂性，避免搜索時陷入局部優(yōu)解。II模擬退火算法模擬退火算法模擬退火（SA）是一種基于MonteCarlo迭代法的啟發(fā)式隨機搜索算法。SA來源于對固體物質的退火降溫過程中的熱平衡問題的模擬和隨機搜索優(yōu)化問題，以找到全局最優(yōu)解或近似全局最優(yōu)解[5]。SA在尋找最優(yōu)解的過程中，不僅接

4、受優(yōu)解，而且根據(jù)隨機的驗收標準，在一定程度上接受惡化解（Metropolis準則）。此外，接受惡化解的概率逐漸趨向于0，這使得能夠跳出局部極值區(qū)，從而找到全局最優(yōu)解，所以要確保算法的收斂性[6]。模擬退火算法可以劃分成三個部分：解空間，目標函數(shù)和初始解。其求解過程如下：第一步：產生隨機初始解x0（算法迭代的初始點）；第二步：初始化退火溫度T0（足夠大）；第三步：在溫度Tk下，執(zhí)行如下操作：（1）產生新的可行解x（x是x的相應的目標函數(shù)值