毕业设计指导网:毕业设计范文、毕业答辩指导,免费毕业设计、计算机毕业论文参考资料下载服务。

技术团队主要成员为国内著名高校计算机专业导师。诚实守信,优质服务,是我们的宗旨!
当前位置:毕业设计指导网计算机毕业设计频道其他设计

vfp基于遗传算法的课表研究

  • 设计环境:vfp + 其他设计
  • 论文字数:18328
  • 包含资料:开题报告+论文+源码+英文翻译+答辩ppt
  • 相关Tags:遗传算法  
  • 难度系数:

vfp基于遗传算法的课表研究简介

     利用遗传算法设计出理想中合理科学的课程表。在设计的过程中要建立数学模型,然后根据数学模型优化课表。遗传算法是一种模拟自然生存机制的求解方法,对解空间进行编码,产生染色体,进而产生初始种群。设定适应度函数,经过算子的遗传操作,最终产生最优秀的种群,终止遗传,形成最后优化的结果,从而得到结果。
遗传算法
2.1  遗传算法简介
在绪论中,初步的介绍了一下什么叫做遗传算法及它的原理。下面继续对遗传算法(GA)做一下更为详细的介绍。
遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法。它与传统的算法不同,大多数古典的优化算法是基于一个单一的度量函数(评估函数)的梯度和较高次统计,以产生一确定性的试验解序列;遗传算法不依赖于梯度信息,而是通过模拟自然进化过程来搜索最优解。它利用某种编码技术,作用于称为染色体的字符串,模拟由这些串组成的群体的进化过程。遗传算法通过有组织的、随机的信息来重新交换组合那些适应性好的串,生成新的串的群体。
2.1.1 遗传算法的优点
遗传算法具有如下优点:
1.对可行解表示的广泛性。遗传算法的处理对象不是参数本身,而是针对那些通过参数集进行编码得到的基因个体。此编码操作使得遗传算法可以直接对结构对象进行操作。所谓结构对象,泛指集合、序列矩阵、图和表等各种一维或二维甚至多维结构形式的对象。这一特点使得遗传算法具有广泛的应用领域。
2.群体搜索特性。许多传统的搜索方法都是单点搜索,这种点对点的搜索方法,对于多峰分布的搜索空间常常会陷于局部的某个单峰的极值点。相反,遗传算法采用的是同时处理群体中多个个体的方法,即同时对搜索空间中的解进行评估,这一特点使遗传算法具有较好的全局搜索性能,也使得遗传算法本身易于并行化。
3.不需要辅助信息。遗传算法仅用适应度函数的数值来评估基因个体,并在此基础上进行遗传操作,更重要的是,遗传算法的适应度函数不仅不受连续可微的约束,而且其定义域可以任意设定。对适应度函数的唯一要求是,编码必须与可行解空间对应,不能有死码。由于限制的缩小,使得遗传算法的应用范围大大扩展。
4.内在的启发式随即搜索特性。遗传算法不是采用确定性规则,而是采用概率的变迁规则来知道它的搜索方向。概率仅仅是作为一种工具来引导其搜索过程朝着搜索空间的更具有内在的并行搜索机制。
    5.遗传算法在搜索过程中不容易陷入局部最优,及时在所定义的适应度函数是不连续的、分规则的或有噪音的情况下,也能以最大的概率找到全局最优解。
6.遗传算法采用自然进化机制来表现复杂的现象,能够快速可靠地解决求解非常困难的问题。
7.遗传算法具有固有的并行性和并行计算的能力。
8..遗传算法具有可扩展性,易于同别的技术混合。
2.1.2遗传算法的不足之处
遗传算法作为一种优化方法,它存在自身的局限性:
1.编码不规范及编码存在表示的不准确。
2.变异的遗传算法编码不能全面地将优化问题的约束表示出来。考虑约束的一个方法就是对不可行解菜油阈值,这样,计算的时间必然增加。
3.遗传算法通常的效率比其他的传统的优化方法低。
4.遗传算法容易出现过早收敛。
5.遗传算法对算法的精度、可信度、计算复杂性等方面,还没有有效的定量分析方法。
2.2 遗传算法的基本知识
2.2.1 遗传算法基本术语
由于遗传算法是自然遗传学和计算机科学相互结合渗透而成的新的计算方法,因此遗传算法中经常使用自然进化中的一些用语。了解这些用语对于讨论和应用遗传算法是十分必要的。
染 色 体  解的编码(数据、数组、位串)
基    因  解中每一分量的特征(特征、个性、探测器、位)
等位基因  特性值
基 因 座  串中位置
基 因 型  结构
表 现 型  参数集、解码结构、候选解
个    体  解
适者生存  在算法停止时,最优目标值的解有最大的可能被留住
适 应 性  适应度函数
群    体  选定的一组解(其中解的个数为群体的规模)
交    叉  通过交配原则产生一组新解的过程
变    异  编码的某一个分量发生变化的过程
2.2.2遗传算法的运算流程
完整的遗传算法运算流程是这样的:
1.编码:解空间中的解数据x,作为遗传算法的表现型形式。从表现型到基因型的映射称为编码。遗传算法在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据,这些串结构数据的不同组合就构成了不同的点。
2.初始群体的生成:随机产生N个初始串结构数据,每个串结构数据称为一个个体,N个个体构成了一个群体。遗传算法以这N个串结构作为初始点开始迭代。设置进化代数计数器t←0;设置最大进化代数T;随机生成M个个体作为初试群体P(0)。
3.适应度值评价检测:适应度函数表明可行解的优劣性。对于不同的问题,适应度函数的定义方式不用。根据具体问题,计算群体P(t)中各个个体的适应度。
4.选择:将选择算子作于群体。
5.交叉:将交叉算子左作用于群体。
6.变异:将变异算子作用于群体。群体P(t)经过选择、交叉、变异运算后得到下一代群体P(t+1)。
7.终止条件判断:若t≤T,则t←t+1,转到步骤2;若t>T ,则以进化过程中所得到的具有最佳适应度的个体作为最优解输出,终止运算。
 

计算机毕业设计说明

本论文出自毕业设计指导网http://www.bysj120.cn,为保证客户隐私本站的成品计算机毕业设计一律不在网站上刊登任何程序截图、毕业论文目录摘要等。如需详细了解设计具体内容请联系本站在线客服索取的程序运行演示、毕业论文介绍。网站上展示的只是部分成品设计,如找不到您需要的毕业设计请联系在线客服查询。

在线客服

  • 咨询QQ:
  • 407894958
  • 点击和客服QQ在线沟通
  • 点击和客服QQ在线沟通
  • 成品购买:
  • 定制咨询:
  • 点击和客服QQ在线沟通
  • 点击和客服QQ在线沟通
  • 如临时会话消息无法接收 请先加客服QQ好友咨询
    微信客服

计算机毕业设计,免费毕业论文,优秀毕业设计论文下载


120毕业设计指导网
地址:徐州市西安路41号
收缩
  • 计算机毕业设计定做咨询