摘要: 在科学技术和工程实践等诸多领域，许多问题都可归结为某种函数的最优化这类数学模型。进化算法作为处理复杂函数最优化、多目标最优化问题的一种有效算法，正日益受到人们的重视。本文对带约束的单目标、多目标进化算法进行了研究。 在进化过程中... 展开 在科学技术和工程实践等诸多领域，许多问题都可归结为某种函数的最优化这类数学模型。进化算法作为处理复杂函数最优化、多目标最优化问题的一种有效算法，正日益受到人们的重视。本文对带约束的单目标、多目标进化算法进行了研究。 在进化过程中，可能会出现过早收敛现象，这主要是因为种群中出现了超级个体，按照一定的选择策略，该个体很快会在种群中占据绝对优势，从而使算法过早的收敛于一个局部的最优解，本文中有对超级个体的适应函数进行调整，从而控制该个体的选择概率，或增加个体的变异率来增加种群的多样性。同时，不同的群体规模和选择策略对算法性能的影响起到举足轻重作用。 本文通过对进化计算中交叉算子和变异算子产生新个体的机理，以及实际问题的特征进行分析后，对不同的交叉算子，和变异算子进行组合，并结合模拟退火算子相结合，该算子的主要优点在于：能够使种群个体的基因值更加有效地保持多样性，克服传统交叉算子下算法易于陷入局部最优解的缺陷；并且能够引导遗传算法在最优解邻域内搜索，从而提高算法的优化速度。 旅行商问题是典型的NP难问题。在实际应用中具有广泛的代表性。因此本文中将旅行商问题作为测试本文改进的遗传算法，对不固定起点和终点的旅行商问题的进化算法进行改进。这种算法将不固定起点和终点的旅行商问题化简，根据化简以后的问题，设计了一种新的编码方法和解码方法针对编码的特点，设计了一种新的直接产生可行后代的杂交算子和变异算子。为提高算法的收敛速度，结合了一个局部搜索算子改进杂交后得到的个体.并且证明了算法的全局收敛性，计算机仿真结果表明算法是有效的。 收起