|
楼主 |
发表于 2006-9-14 14:56:49
|
显示全部楼层
遗传算法的研究方向
[ 作者:佚名 转贴自:南大小百合 点击数:11182 ]
遗传算法是多学科结合与渗透的产物,已经发展成一种自组织、
自适应的综合技术,广泛应用在计算机科学、工程技术和社会科学等
领域。其研究工作主要集中在以下几个方面
1.基础理论
包括进一步发展遗传算法的数学基础,从理论和试验研究它们的
计算复杂性。在遗传算法中,群体规模和遗传算子的控制参数的选取
非常困难,但它们又是必不可少的试验参数。在这方面,已有一些具有
指导性的试验结果。遗传算法还有一个过早收敛的问题,怎样阻止过
早收敛也是人们正在研究的问题之一。
2.分布并行遗传算法
遗传算法在操作上具有高度的并行性,许多研究人员都在探索在
并行机和分布式系统上高效执行遗传算法的策略。对分布并行遗传算
法的研究表明,只要通过保持多个群体和恰当控制群体间的相互作用
来模拟并行执行过程,即使不使用并行计算机,也能提高算法的执行效
率。
3.分类系统
分类系统属于基于遗传算法的机器学习中的一类,包括一个简单
的基于串规则的并行生成子系统、规则评价子系统和遗传算法子系统
。分类系统被人们越来越多地应用在科学、工程和经济领域中,是目
前遗传算法研究中一个十分活跃的领域。
4.遗传神经网络
包括连接权、网络结构和学习规则的进化。遗传算法与神经网络
相结合,正成功地用于从时间序列分析来进行财政预算。在这些系统
中,训练信号是模糊的,数据是有噪声的,一般很难正确给出每个执行
的定量评价。如果采用遗传算法来学习,就能克服这些困难,显著提高
系统性能。Muhlenbein分析了多层感知机网络的局限性,并猜想下一
代神经网络将是遗传神经网络。
5.进化算法
模拟自然进化过程可以产生鲁棒的计算机算法--进化算法。遗
传算法是其三种典型的算法之一,其余两种算法是进化规划(Evolutio
nary Programming,EP)和进化策略(Evolutio nary Strategies,ES)
。这三种算法是彼此独立地发展起来的。进化规划最早由美国的L.J.
Fogel、A.J.Owens和M.J.Walsh提出;进化策略则由德国的I.Rechenb
erg和H.P.Schwefel建立。 |
|