论文部分内容阅读
DNA计算是近年来发展的一门新兴学科。其基本原理是利用DNA分子的双螺旋结构和碱基互补配对原则对问题进行编码,并将所要处理的问题映射到特定的DNA片断上,然后通过生物酶的可控生化作用生成数据池,最后得到问题的可能解。遗传算法是一类以进化论与遗传变异理论为基础的随机优化算法,在进化过程中不需要问题连续、可导等苛刻条件的一类鲁棒性很强的优化算法。遗传算法能够提供一类求解问题的通用框架,具有很强的全局搜索能力。尽管如此,遗传算法依然存在局部搜索能力弱、易早熟收敛等不足。DNA计算与遗传算法存在着本质的相似,DNA遗传算法是遗传算法结合DNA计算发展而来。本文在DNA遗传算法的研究基础上,结合其它优化算法的优点,对DNA遗传算法进行改进。将所提出的DNA遗传算法运用在实际的流程工业优化问题中。本文的研究内容如下：1.在前人研究DNA遗传算法的基础上进行更深入的研究。利用DNA编码方式设计三种新的交叉算子很好地保证了种群在进化过程中的多样性,使得算法不易早熟收敛。提出一种新的逐级进化策略,该策略明显增强了算法的全局搜索能力,同时在此策略中结合模拟退火操作,提高了算法的局部搜索能力和解的精度。最后利用几个经典测试函数和实际流程工业中的重油热解过程的建模问题进行实验仿真,验证了所提出算法的高效性和优越性。2.在传统DNA遗传算法基础上研究多种群进化策略并提出隔代融合多种群策略的DNA遗传算法。每一个子种群蕴含着不同的目的分工细致的进行相应的遗传操作,很好的解决了遗传操作中算法的全局搜索和局部搜索。结合隔代融合迁移思想,不同的子种群之间可以进行信息交换。对该算法进行了几个测试函数的仿真实验以及PID控制器参数整定。3.引入了种群信息熵来控制DNA遗传算法的进化过程,构造一种带有信息熵的DNA遗传算法。根据种群标准差和种群熵体现种群分散性,从而自适应的改变遗传操作的交叉概率,克服了传统遗传算法交叉概率固定设置的盲目性问题,同时也利用个体熵信息与适应度函数值的平衡点作为个体的选择概率。该算法所涉及的工业问题是汽油调和配方优化问题,实验表明该算法相对于其它算法在满足卡边效应的条件下效益更高。