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.为什么很多论文都要用遗传算法,蚁群算法
蚁群算法又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质.针对PID控制器参数优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。
神经网络
思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。
逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点：1.信息是通过神经元上的兴奋模式分布储在网络上；2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然。蚁群算法又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质.针对PID控制器参数优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。
神经网络
思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。
逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点：1.信息是通过神经元上的兴奋模式分布储在网络上；2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面：
(1)生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。
(2)建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。
(3)网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机馍拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。
(4)人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。
纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。
遗传算法，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。
转载请注明出处众文网 » 遗传算法路径规划毕业论文(计算机毕业论文遗传算法在计算机仿真技术中的应用)