众文网1.计算机毕业论文 遗传算法在计算机仿真技术中的应用
计算机的出现和计算技术的发展为仿真技术的发展 提供了强有力的手段和工具。最近几年，随着计算机的迅 速发展和普及，尤其是微型计算机的发展和普及，很多大 计算量的仿真系统得以实现，并在国民生产、科学研究等 领域得到广泛的应用。
现代科技发展中提出愈来愈复杂的随机性问题， 除极 少数外， 要想通过仿真给出其严格解是困难的， 用确定性 方法给出其近似解也很困难， 甚至不可能。遗传算法 GA (Genetic Algorithm)[1]是模拟生物进化的优化算法，把遗 传算法GA 应用到仿真技术中，是一种很强的特殊的数值 方法。
1 遗传算法[ 1 ]
1.1 并行遗传算法实现方案 目前并行遗传算法的实现方案大致可分为3 类： （1）全局型—主从式模型（master-slave model）：并行
系统分为一个主处理器和若干个从处理器。主处理器监控 整个染色体种群，并基于全局统计执行选择操作；各个从 处理器接受来自主处理器的个体进行重组交叉和变异，产 生新一代个体，并计算适应度，再把计算结果传给主处理
器。
从而加快满足终止条件的要求。粗粒度模型也称岛屿模型
(island model)，基于粗粒度模型的遗传算法也称为分布 式遗传算法（Distributed Genetic Algorithm），也是目 前应用最广泛的一种并行遗传算法。
(3)分散型—细粒度模型（fine-grained model）：为种 群中的每一个个体分配一个处理器，每个处理器进行适应 度的计算，而选择、重组交叉和变异操作仅在与之相邻的 一个处理器之间相互传递个体中进行，细粒度模型也称邻 域模型（neighborhood model），适合于连接机、阵列机和 SIMD 系统。
1.2 迁移策略
迁移（migration）是并行遗传算法引入的一个新的算 子，它是指在进化过程中子群体间交换个体的过程，一般 的迁移方法是将子群体中最好的个体发给其它的子群体 毕业论文网， 通过迁移可以加快较好个体在群体中的传播，提高收敛速 度和解的精度。最基本的迁移模型是环状拓扑模型，如图
(2)独立型—粗粒度模型（coarse-grained model）：将 种群分成若干个子群体并分配给各自对应的处理器，每个 处理器不仅独立计算适应度，而且独立进行选择、重组交 叉和变异操作，还要定期地相互传送适应度最好的个体，
从而加快满足终止条件的要求。粗粒度模型也称岛屿模型
(island model)，基于粗粒度模型的遗传算法也称为分布 式遗传算法（Distributed Genetic Algorithm），也是目 前应用最广泛的一种并行遗传算法。
(3)分散型—细粒度模型（fine-grained model）：为种 群中的每一个个体分配一个处理器，每个处理器进行适应 度的计算，而选择、重组交叉和变异操作仅在与之相邻的 一个处理器之间相互传递个体中进行，细粒度模型也称邻 域模型（neighborhood model），适合于连接机、阵列机和 SIMD 系统。
1.2 迁移策略
迁移（migration）是并行遗传算法引入的一个新的算 子，它是指在进化过程中子群体间交换个体的过程，一般 的迁移方法是将子群体中最好的个体发给其它的子群体， 通过迁移可以加快较好个体在群体中的传播，提高收敛速 度和解的精度。最基本的迁移模型是环状拓扑模型
2.计算机论文 并行遗传算法的性能参数
独立型—粗粒度模型（coarse-grained model）：将 种群分成若干个子群体并分配给各自对应的处理器，每个 处理器不仅独立计算适应度，而且独立进行选择、重组交 叉和变异操作，还要定期地相互传送适应度最好的个体， 从而加快满足终止条件的要求。
粗粒度模型也称岛屿模型（island model），基于粗粒度模型的遗传算法也称为分布 式遗传算法（Distributed Genetic Algorithm），也是目 前应用最广泛的一种并行遗传算法。（3）分散型—细粒度模型（fine-grained model）：为种 群中的每一个个体分配一个处理器，每个处理器进行适应 度的计算，而选择、重组交叉和变异操作仅在与之相邻的 一个处理器之间相互传递个体中进行，细粒度模型也称邻 域模型（neighborhood model），适合于连接机、阵列机和 SIMD 系统。
1.2 迁移策略迁移（migration）是并行遗传算法引入的一个新的算 子，它是指在进化过程中子群体间交换个体的过程，一般 的迁移方法是将子群体中最好的个体发给其它的子群体， 通过迁移可以加快较好个体在群体中的传播，提高收敛速 度和解的精度。最基本的迁移模型是环状拓扑模型，如图1 所示。
1.3 并行遗传算法的性能参数为了评价并行算法的性能，人们提出了许多不同的 评价指标，其中最重要的一个评价标准是加速比。设T 1 为 某算法在串行计算机上的运行时间，T P 是该算法在由p 个 处理机所构成的并行机上的运行时间，则此算法在该并行 机上的加速比S p 定义为： （1） 并行遗传算法的性能主要体现在收敛速度和精度两 个方面，它们除了与迁移策略有关，还与一些参数选取的 合理性密切相关，如遗传代数、群体数目、群体规模、迁 移率和迁移间隔。
2 计算机仿真 “系统仿真是通过对系统模型的实验，研究一个存在 的或设计中的系统”[2] 。对于给定目标，仿真过程可大致分 为仿真建模、程序实现、仿真结果的统计分析三大部分[3] 。
其中仿真建模是最基础的、关系整个仿真成败的环节。如 果有软件能够辅助用户方便快捷地完成仿真建模工作，那 么不仅可大大减少工作量，而且还可使用户集中精力于提 高建模质量[4] 。
通过以上的概念分析，可以看出：仿真成败的关键是 仿真前的建模，模型建起来以后对输入数据的优化也很重 要。因此，可以把并行遗传算法应用在计算机仿真中，从 而来提高仿真的准确度。
3 并行遗传算法在计算机仿真中的应用 并行遗传算法叙述如下： （ 1） 基于对待解问题的详细分析，建立详细的符合其 特点的并行遗传算法模型。 （ 2） 基于并行遗传算法模型确定仿真前各参数的实现 方案。
（3）运用蒙特卡罗方法生成的大量随机数，结合（2）的 实现方案对随机数进行优化。 （ 4） 进行仿真试验，得出仿真结果。
（ 5） 若这个结果和预期理论结果不相符，则说明仿真 失败，重新回到第一步。否则，此次仿真过程成功。
仿真 过程如图2 所示。 遗传算法在计算机仿真技术中的应用 张少刚 面随意地投掷长度为 l 的细针， 设细针与平行线的垂直方 向的夹角为a，则细针与平行线相交的概率为I=Ig∣cosa∣。
由于a 是在[0， π] 间均匀分布的，所以细针与平行线相交的概率等于1/ ∣cosa ∣da=2/ π。设进行了N 次投针试 验 毕业论文网，有M 次与平行线相交，当N 足够大时，细针与平行线相 交的频率就等于以上的概率，于是得到计算的π公式为： π=2N/M。
4.2 计算方法和结果 4.2.1 模型 在二维平面上画三条相距为O.5 ，长度为L 的平行线， 取细针长度为 O.5 ，如图 3 所示，因为本文所用随机数在 [0 ,1] 之间，所以平行线的有效长度为L ，也就是说所有投 掷试验都等效于在上述边长为 L 的正方形区域内进行的。 根据对这个问题的分析，可以确定该仿真例子适合 遗传算法的第（1） 类全局型—主从式模型，基于并行遗传 算法模型确定仿真前各参数为x1、x2、y1、y2，其实现方案见 以下算法。
3.大学里面哪种 自动化专业 要学 遗传算法
为什么一定要学遗传算法？
虽然有很多遗传算法的书，但遗传算法并不是一门很重要的课程。
很多学校只有研究生才会选修遗传算法，即便本科时学习，也是简单过一下。
大多数都是自学的，遗传算法的书主要有：《遗传算法——理论、应用与软件实现》、《遗传算法与工程设计》、或者结合Matlab讲的《MATLAB遗传算法工具箱及应用》。
基本上学习遗传算法要大三或大四，甚至是研究生阶段。很多本科生的毕业论文要求用遗传算法来解决实际问题。
但说实话，不管你学哪一个专业，都可以自学遗传算法的，它只是一个算法，不是一门学科。
类似的智能算法有：模拟退火、蚁群算法、禁忌搜索、神经网络等。
其他的专业有计算机方面可能会学到遗传算法。
你现在只是考大学，没必要专门为了遗传算法而选择专业。遗传算法多数是大四或研究生阶段才会接触到的东西。
当然，如果你参加数学建模竞赛，可能会接触的早一些。
4.计算机专业本科生做毕业论文一般用什么算法
一个程序的核心在于算法。比如说打开一个软件和运行一个软件的速度在计算机硬件性能相同情况下，软件的算法起到了几近决定性作用，所有的计算机软件和硬件的编程都是需要算法的，就算一个hello world程序虽然我们编时候没有用到算法但是在编译他和运行再屏幕显示的时候就是算法了。算法是计算机乃至自然界的核心，如果知道人脑的算法，就可以制造出人工智能的软件。
算法太多，也就不全部列举出来了，具体的还有用法，你自己看下书或去网上找下，都应该可以找到的：比如：贪心算法，蚁群算法，遗传算法，进化算法，基于文化的遗传算法，禁忌算法，蒙特卡洛算法，混沌随机算法，序贯数论算法，粒子群算法，模拟退火算法等等。
5.遗传算法的发展过程
遗传算法起源于对生物系统进行的计算机模拟研究。早在20世纪40年代，就有学者开始研究利用计算机进行生物模拟的技术，他们从生物学的角度进行了生物的进化过程模拟、遗传过程模拟等研究工作。
早期的研究特点是侧重于对一些复杂操作的研究。最早意识到自然遗传算法可以转化为人工智能算法的是J.H.Hnllaad教授。1965年，Holland教授首次提出了人工智能操作的重要性，并将其应用到自然系统和人工系统中。1967年，Holland教授的学生.J.D.Bagley在其博士论文中首次提出了“遗传算法”一词，并发表了遗传算法应用方面的第一篇论文，从而创立了自适应遗传算法的概念e J.D.Bagley发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用了双倍体的编码方法。1970年，Cavicchio把遗传算法应用
于模式识别。Holistien最早把遗传算法应用于函数优化。20世纪70年代初，Holland教授提出了遗传算法的基本定理—模式定理，从而奠定了遗传算法的理论基础。模式定理揭示出种群中优良个体（较好的模式）的样本数将以指数级规律增长，因而从理论上保证了遗传算法是一个可以用来寻求最优可行解的优化过程。1975年，Holland教授出版了第一本系统论述遗传算法和人工自适应系统的专著《自然系统和人工系统的自适应性》。同年，K.A.De Song在博士论文《遗传自适应系统的行为分析》‘护结合模式定理进行了大量的纯数值函数优化计算实验，建立了遗传算法的工作框架，为遗传算法及其应用打下了坚实的基础，他所得出的许多结论迄今仍具有普遍的指导意义。20世纪80年代，Hntland教授实现了第一个基于遗传算法的机器学习系统—分类器系统（Classifier Systems，简称CS），提出了基于遗传算法的机器学习的新概念，为分类器系统构造出了一个完整的框架。1989年，D.J.Goldberg出版了专著—《搜索、优化和机器学习中的遗传算法》。该书系统总结了遗传算法的主要研究成果，全面而完整地论述了遗传算法的基本原理及其应用。可以说这本书奠定了现代遗传算法的科学基础，为众多研究和发展遗传算法的学者所瞩目。1991年，L,Davis编辑出版了《遗传算法手册》一书，书中包括了遗传算法在科学计算、工程技术和社会经济中的大量应用样本，为推广和普及遗传算法的应用起到了重要的指导作用。1992年，J.R.Koza将遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传规划（Genetic Programming，简称GP）的概念。