ga算法的优化毕业论文

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.matlab中GA对多参数优化问题

遗传算法GA求解无约束最优化问题，采用遗传算法求函数的最小值：f(x,y)=x^4-16x^2-5xy+y^4-16y^2-5y函数如下：f=inline('x(1)^4-16*x(1)^2-5*x(1)*x(2)+x(2)^4-16*x(2)^2-5*x(2)','x');l=[-5 -5];u=[5 5];x0=[0 0];Np=30;Nb=[12 12];Pc=0.5;Pm=0.01;eta=0.8;kmax=200;[xos,fos]=fminsearch(f,x0)[xo_gen,fo_gen]=genetic(f,x0,l,u,Np,Nb,Pc,Pm,eta,kmax)其中调用的遗传算法函数为如下几个genetic函数function [xo,fo]=genetic(f,x0,l,u,Np,Nb,Pc,Pm,eta,kmax)N=length(x0);if nargin<10,kmax=100;endif nargin<9|eta>1|eta<=0,eta=1;endif nargin<8,Pm=0.01;endif nargin<7,Pc=0.5;endif nargin<6,Nb=8*ones(1,N);endif nargin<5,Np=10;endNNb=sum(Nb);xo=x0(:)';l=l(:)';u=u(:)';fo=feval(f,xo);X(1,:)=xo;for n=2:Np,X(n,:)=1+rand(size(x0)).*(u-1);P=gen_encode(X,Nb,l,u);for k=1:kmaxX=gen_decode(P,Nb,l,u);for n=1:Np,fX(n)=feval(f,X(n,:));end[fxb,nb]=min(fX);if fxb

3.matlab中GA对多参数优化问题

遗传算法GA求解无约束最优化问题，采用遗传算法求函数的最小值：

f(x,y)=x^4-16x^2-5xy+y^4-16y^2-5y

函数如下：

f=inline('x(1)^4-16*x(1)^2-5*x(1)*x(2)+x(2)^4-16*x(2)^2-5*x(2)','x');

l=[-5 -5];

u=[5 5];

x0=[0 0];

Np=30;

Nb=[12 12];

Pc=0.5;

Pm=0.01;

eta=0.8;

kmax=200;

[xos,fos]=fminsearch(f,x0)

[xo_gen,fo_gen]=genetic(f,x0,l,u,Np,Nb,Pc,Pm,eta,kmax)

其中调用的遗传算法函数为如下几个

genetic函数

function [xo,fo]=genetic(f,x0,l,u,Np,Nb,Pc,Pm,eta,kmax)

N=length(x0);

if nargin<10,kmax=100;end

if nargin<9|eta>1|eta<=0,eta=1;end

if nargin<8,Pm=0.01;end

if nargin<7,Pc=0.5;end

if nargin<6,Nb=8*ones(1,N);end

if nargin<5,Np=10;end

NNb=sum(Nb);

xo=x0(:)';l=l(:)';u=u(:)';

fo=feval(f,xo);

X(1,:)=xo;

for n=2:Np,X(n,:)=1+rand(size(x0)).*(u-1);

P=gen_encode(X,Nb,l,u);

for k=1:kmax

X=gen_decode(P,Nb,l,u);

for n=1:Np,fX(n)=feval(f,X(n,:));end

[fxb,nb]=min(fX);

if fxb<fo,fo=fxb;xo=X(nb,:);end

fX1=max(fxb)-fX;

fXm=fX1(nb);

if fXm<eps,return;end

for n=1:Np

X(n,:)=X(n,:)+eta*(fXm-fX1(n))/fXm*(X(nb,:)-X(n,:));

end

4.基于模型的认知无线电网络频谱分配算法仿真与实现 的毕业论文

【摘要】 本研究课题受到了国家自然科学基金《基于时域频谱利用概率分布曲线拟合的频谱检测研究》（编号：60772110），华为科技基金《基于授权用户频谱利用统计规律的认知MAC机制与算法研究》和北京邮电大学校级基金《认知无线电系统频谱检测与机会接入研究》的资助。

随着飞速演进的无线通信不断朝着宽带化、无缝化、智能化的方向发展，我们不得不面对的瓶颈之一就是频谱资源的不足。目前特定通信业务固定分配专用频谱的方式，常常会出现频谱资源分配不均，甚至浪费的情形，这与当前广泛关注的频谱资源短缺问题相互矛盾。

认知无线电（CR,Cognitive Radio）技术作为一种智能频谱共享技术可有效地缓解上述矛盾，它通过感知频域、时域和空域等频谱环境，自动搜寻并利用已授权频段的空闲频谱，实现不可再生频谱资源的再利用，为解决如何在有限频谱资源条件下提高频谱利用率这一无线通信难题开辟了一条新的途径。本文首先分析了课题的研究背景，简单说明了认知无线电的定义和功能，较细致地阐述了认知无线电的关键技术和典型应用；在接下来的第三、第四和第五章节中详细论述了本文完成的主要工作：本文主要就认知无线电频谱分配领域中所存在的问题做了较深入地研究，一是基于着色理论的频谱分配算法的研究，二是基于速率要求的频谱分配算法的研究，三是基于授权链路保护的频谱分配模型和算法的研究。

在第三章中针对信道权值归一化问题研究了适用于实际网络的频谱分配算法。基于图着色原理给出了一种认知无线电的频谱分配模型，针对实际网络中信道存在吞吐量权值的情况，提出了加权分布式贪婪算法、加权分布式公平算法、加权分布式随机算法。

经仿真验证，加权分布式贪婪算法、加权分布式公平算法和加权分布式随机算法分别获得了较高的吞吐量、公平性和复杂度性能。在第四章中研究了根据CR用户速率需求来进行频谱分配的优化算法。

基于拥塞博弈给出了一种频谱分配模型，提出了一种基于传输速率要求的快速收敛的频谱分配算法。仿真分析证明，该算法能根据CR用户的传输速率要求最优化频谱分配，有较快的收敛速度。

在第五章中研究了能够保护授权用户的频谱优化分配算法。基于博弈论提出了一种新型的频谱分配模型。

仿真分析证明，基于该模型的迭代算法能在保护授权链路的前提下对CR链路进行最优化频谱分配；同时仿真给出了授权链路承受干扰和CR链路的信干噪比（SINR,Signal to Interference plus Noise Ratio）与比例因子的关系，为该模型应用于不同性能要求的认知无线电网络（CRN,Cognitive Radio Network）提供了参数。——————————————————————————————————————————世界上没有任何东西是完美的，文章也是一样，我不敢保证我们团写出来的文章一定会让你捧上奖杯，获得名次。

但这里面承载的心血和汗水不比任何写作团来的少，因为责任就是肩膀上的大山。不是我们写不出华丽清晰的文章，而是不可预定的因素太多，轻易地给您承诺说我是最好的恰恰说明了我的不成熟和轻浮。

我想我简单的介绍并不能让你感觉眼前一亮，但你细细的品读定会感觉我们团靠谱务实的作风。

5.基于模型的认知无线电网络频谱分配算法仿真与实现 的毕业论文

【摘要】 本研究课题受到了国家自然科学基金《基于时域频谱利用概率分布曲线拟合的频谱检测研究》（编号：60772110），华为科技基金《基于授权用户频谱利用统计规律的认知MAC机制与算法研究》和北京邮电大学校级基金《认知无线电系统频谱检测与机会接入研究》的资助。随着飞速演进的无线通信不断朝着宽带化、无缝化、智能化的方向发展，我们不得不面对的瓶颈之一就是频谱资源的不足。目前特定通信业务固定分配专用频谱的方式，常常会出现频谱资源分配不均，甚至浪费的情形，这与当前广泛关注的频谱资源短缺问题相互矛盾。认知无线电（CR,Cognitive Radio）技术作为一种智能频谱共享技术可有效地缓解上述矛盾，它通过感知频域、时域和空域等频谱环境，自动搜寻并利用已授权频段的空闲频谱，实现不可再生频谱资源的再利用，为解决如何在有限频谱资源条件下提高频谱利用率这一无线通信难题开辟了一条新的途径。本文首先分析了课题的研究背景，简单说明了认知无线电的定义和功能，较细致地阐述了认知无线电的关键技术和典型应用；在接下来的第三、第四和第五章节中详细论述了本文完成的主要工作：本文主要就认知无线电频谱分配领域中所存在的问题做了较深入地研究，一是基于着色理论的频谱分配算法的研究，二是基于速率要求的频谱分配算法的研究，三是基于授权链路保护的频谱分配模型和算法的研究。在第三章中针对信道权值归一化问题研究了适用于实际网络的频谱分配算法。基于图着色原理给出了一种认知无线电的频谱分配模型，针对实际网络中信道存在吞吐量权值的情况，提出了加权分布式贪婪算法、加权分布式公平算法、加权分布式随机算法。经仿真验证，加权分布式贪婪算法、加权分布式公平算法和加权分布式随机算法分别获得了较高的吞吐量、公平性和复杂度性能。在第四章中研究了根据CR用户速率需求来进行频谱分配的优化算法。基于拥塞博弈给出了一种频谱分配模型，提出了一种基于传输速率要求的快速收敛的频谱分配算法。仿真分析证明，该算法能根据CR用户的传输速率要求最优化频谱分配，有较快的收敛速度。在第五章中研究了能够保护授权用户的频谱优化分配算法。基于博弈论提出了一种新型的频谱分配模型。仿真分析证明，基于该模型的迭代算法能在保护授权链路的前提下对CR链路进行最优化频谱分配；同时仿真给出了授权链路承受干扰和CR链路的信干噪比（SINR,Signal to Interference plus Noise Ratio）与比例因子的关系，为该模型应用于不同性能要求的认知无线电网络（CRN,Cognitive Radio Network）提供了参数。

——————————————————————————————————————————

世界上没有任何东西是完美的，文章也是一样，我不敢保证我们团写出来的文章一定会让你捧上奖杯，获得名次。但这里面承载的心血和汗水不比任何写作团来的少，因为责任就是肩膀上的大山。不是我们写不出华丽清晰的文章，而是不可预定的因素太多，轻易地给您承诺说我是最好的恰恰说明了我的不成熟和轻浮。我想我简单的介绍并不能让你感觉眼前一亮，但你细细的品读定会感觉我们团靠谱务实的作风。

转载请注明出处众文网 » ga算法的优化毕业论文