遗传算法【精品毕业设计】(完整版)

遗传算法的概念最早是由Bagley J.D 于1967年提出的。后来Michigan大学的J.H.Holland 教授于1975年开始对遗传算法（Genetic Algorithm, GA）的机理进行系统化的研究。遗传算法是对达尔文生物进化理论的简单模拟，其遵循“适者生存”、“优胜略汰”的原理。遗传算法模拟一个人工种群的进化过程，并且通过选择、杂交以及变异等机制，种群经过若干代以后，总是达到最优（或近最优）的状态。

自从遗传算法被提出以来，其得到了广泛的应用，特别是在函数优化、生产调度、模式识别、神经网络、自适应控制等领域，遗传算法更是发挥了重大的作用，大大提高了问题求解的效率。遗传算法也是当前“软计算”领域的重要研究课题。

本文首先结合MATLAB对遗传算法实现过程进行详细的分析，然后通过1个实际的函数优化案例对其应用进行探讨。

1. 遗传算法实现过程

现实生活中很多问题都可以转换为函数优化问题，所以本文将以函数优化问题作为背景，对GA 的实现过程进行探讨。大部分函数优化问题都可以写成求最大值或者最小值的形式，为了不是一般性，我们可以将所有求最优值的情况都转换成求最大值的形式，例如，求函数f(x)的最大值，

若是求函数f(x)的最小值，可以将其转换成g(x)=-f(x)，然后求g(x)的最大值，

这里x可以是一个变量，也可是是一个由k个变量组成的向量, x=(x1, x2, …, x k)。每个

x i, i=1,2,…,k, 其定义域为D i，D i=[a i, b i]。

一般规定f(x)在其定义域内只取正值，若不满足，可以将其转换成以下形式，

其中C是一个正常数。

1.1 编码与解码

要实现遗传算法首先需要弄清楚如何对求解问题进行编码和解码。对于函数优化问题，一般来说，有两种编码方式，一是实数编码，一是二进制编码，两者各有优缺点，二进制编码具有稳定性高、种群多样性大等优点，但是需要的存储空间大，需要解码过程并且难以理解；而实数编码直接用实数表示基因，容易理解并且不要解码过程，但是容易过早收敛，从而陷入局部最优。本文以最常用的二进制编码为例，说明遗传编码的过程。

从遗传算法求解的过程来看，需要处理好两个空间的问题，一个是编码空间，另一个是解空间，如下图所示

从解空间到编码空间的映射过程成为编码过程；从编码空间到解空间的映射过程成为解码过程。下面就以求解一个简单的一维函数f(x) = -(x-1)^2+4, x的取值范围为[-1,3]最大值为例，

来说明编码及解码过程。

编码：

在编码之前需要确定求解的精度，在这里，我们设定求解的精度为小数点后四位，即1e-4。这样可以将每个自变量x i的解空间划分为个等分。以上面这个函数为例，即可以将x的解空间划分为(3-(-1))*1e+4=40000个等分。使n i满足，

这里n i表示使上式成立的最小整数，即表示自变量x i的基因串的长度。因为215<40000<216 ，这里n i取16。例如0000110110000101就表示一个解空间中的基因串。表示所有自变量

x=(x1, x2, …, x k)的二进制串的总长度称为一个染色体(Chromosome)的长度或者一个个体(Individual)的长度，。编码过程一般在实现遗传算法之前需要指定。解码：

解码即将编码空间中的基因串翻译成解空间中的自变量的实际值的过程。对于二进制编码而言，每个二进制基因串都可以这样翻译成一个十进制实数值，

。例如基因串0000110110000101，可以翻译为

，这里二进制基因串转变成十进制是从左至右进行的。

1.2 初始化种群

在开始遗传算法迭代过程之前，需要对种群进行初始化。设种群大小为pop_size，每个染色体或个体的长度为chromo_size，种群的大小决定了种群的多样性，而染色体的长度则是由前述的编码过程决定的。一般随机生成初始种群，但是如果知道种群的实际分布，也可以按照此分布来生成初始种群。假设生成的初始种群为(v1, v2, …, v pop_size)。

1.3 选择操作

选择操作即从前代种群中选择个体到下一代种群的过程。一般根据个体适应度的分布来选择个体。以初始种群(v1, v2, …, v pop_size)为例，假设每个个体的适应度为(fitness(v1), fitness(v2),…,

fitness(v pop_size))，一般适应度可以按照解码的过程进行计算。以轮盘赌的方式选择个体，如下图

随机转动一下轮盘，当轮盘停止转动时，若指针指向某个个体，则该个体被选中。很明显，具有较高适应度的个体比具有较低适应度的个体更有机会被选中。但是这种选择具有随机性，在选择的过程中可能会丢失掉比较好的个体，所以可以使用精英机制，将前代最优个体直接选到下一代中。

轮盘赌选择具体算法如下（这里假定种群中个体是按照适应度从小到大进行排列的，如果不是，可以按照某种排序算法对种群个体进行重排）：

Selection Algorithm

var pop, pop_new;/*pop为前代种群，pop_new为下一代种群*/

var fitness_value, fitness_table;/*fitness_value为种群的适应度，fitness_table为种群累积适应度*/

for i=1:pop_size

r = rand*fitness_table(pop_size);/*随机生成一个随机数，在0和总适应度之间，因为fitness_table(pop_size)为最后一个个体的累积适应度，即为总适应度*/

first = 1;

last = pop_size;

mid = round((last+first)/2);

idx = -1;

/*下面按照排中法选择个体*/

while (first <= last) && (idx == -1)

if r > fitness_table(mid)

first = mid;

elseif r < fitness_table(mid)

last = mid;

else

idx = mid;

break;

end if

mid = round((last+first)/2);

if (last - first) == 1

idx = last;

break;

end if

end while

for j=1:chromo_size

pop_new(i,j)=pop(idx,j);

end for

end for

/*是否精英选择*/

if elitism

p = pop_size-1;

else

p = pop_size;

end if

for i=1:p

for j=1:chromo_size

pop(i,j) = pop_new(i,j);/*若是精英选择，则只将pop_new前pop_size-1个个体赋给pop，最后一个为前代最优个体保留*/

end for

end for

1.3 交叉操作

交叉操作是对任意两个个体进行的（在这里我们实现的算法是直接对相邻的两个个体进行的）。随机选择两个个体，如下图所示

然后随机生成一个实数0<=r<=1, 如果r

(rand*chromo_size)，如果等于0或者1，将不进行交叉。否则将交叉位置以后的二进制串进行对换（包括交叉位置）。（注意：有时候还可以进行多点交叉，但是这里只讨论单点交叉的情况）

单点交叉具体算法如下：

Crossover algorithm

for i=1:2:pop_size

if(rand < cross_rate)/*cross_rate为交叉概率*/

cross_pos = round(rand * chromo_size);/*交叉位置*/

if or (cross_pos == 0, cross_pos == 1)

continue;/*若交叉位置为0或1，则不进行交叉*/

end if

for j=cross_pos:chromo_size

pop(i,j)<->pop(i+1,j);/*交换*/

end for

end if

end for

1.4 变异操作

变异操作是对单个个体进行的。首先生成一个随机实数0<=r<=1, 如果r

如个体需要进行变异操作，首先需要确定变异位置(rand*chromo_size)，若为0则不进行变异，否则则对该位置的二进制数字进行变异：1变成0, 0变成1.（当然也可以选择多点进行变异）

单点变异的具体算法描述如下：

Mutation algorithm

for i=1:pop_size

if rand < mutate_rate/*mutate_rate为变异概率*/

mutate_pos = round(rand*chromo_size);/*变异位置*/

if mutate_pos == 0

continue;/*若变异位置为0，则不进行变异*/

end if

pop(i,mutate_pos) = 1 - pop(i, mutate_pos);/*将变异位置上的数字至反*/

end if

end for

1.5 遗传算法流程

遗传算法计算流程图如下图所示

1.6 MATLAB程序实现

遗传算法——耐心看完-你就掌握了遗传算法【精品毕业设计】(完整版)

遗传算法入门到掌握 读完这个讲义，你将基本掌握遗传算法，要有耐心看完。 想了很久，应该用一个怎么样的例子带领大家走进遗传算法的神奇世界呢？遗传算法的有趣应用很多，诸如寻路问题，8数码问题，囚犯困境，动作控制，找圆心问题（这是一个国外网友的建议：在一个不规则的多边形中，寻找一个包含在该多边形内的最大圆圈的圆心。），TSP问题（在以后的章节里面将做详细介绍。），生产调度问题，人工生命模拟等。直到最后看到一个非常有趣的比喻，觉得由此引出的袋鼠跳问题（暂且这么叫它吧），既有趣直观又直达遗传算法的本质，确实非常适合作为初学者入门的例子。这一章将告诉读者，我们怎么让袋鼠跳到珠穆朗玛峰上去(如果它没有过早被冻坏的话)。 问题的提出与解决方案 让我们先来考虑考虑下面这个问题的解决办法。 已知一元函数： 图2-1 现在要求在既定的区间内找出函数的最大值。函数图像如图2-1所示。 极大值、最大值、局部最优解、全局最优解

在解决上面提出的问题之前我们有必要先澄清几个以后将常常会碰到的概念：极大值、最大值、局部最优解、全局最优解。学过高中数学的人都知道极大值在一个小邻域里面左边的函数值递增，右边的函数值递减，在图2.1里面的表现就是一个“山峰”。当然，在图上有很多个“山峰”，所以这个函数有很多个极大值。而对于一个函数来说，最大值就是在所有极大值当中，最大的那个。所以极大值具有局部性，而最大值则具有全局性。 因为遗传算法中每一条染色体，对应着遗传算法的一个解决方案，一般我们用适应性函数（fitness function）来衡量这个解决方案的优劣。所以从一个基因组到其解的适应度形成一个映射。所以也可以把遗传算法的过程看作是一个在多元函数里面求最优解的过程。在这个多维曲面里面也有数不清的“山峰”，而这些最优解所对应的就是局部最优解。而其中也会有一个“山峰”的海拔最高的，那么这个就是全局最优解。而遗传算法的任务就是尽量爬到最高峰，而不是陷落在一些小山峰。（另外，值得注意的是遗传算法不一定要找“最高的山峰”，如果问题的适应度评价越小越好的话，那么全局最优解就是函数的最小值，对应的，遗传算法所要找的就是“最深的谷底”）如果至今你还不太理解的话，那么你先往下看。本章的示例程序将会非常形象的表现出这个情景。 “袋鼠跳”问题 既然我们把函数曲线理解成一个一个山峰和山谷组成的山脉。那么我们可以设想所得到的每一个解就是一只袋鼠，我们希望它们不断的向着更高处跳去，直到跳到最高的山峰（尽管袋鼠本身不见得愿意那么做）。所以求最大值的过程就转化成一个“袋鼠跳”的过程。下面介绍介绍“袋鼠跳”的几种方式。 爬山法、模拟退火和遗传算法 解决寻找最大值问题的几种常见的算法： 1. 爬山法（最速上升爬山法）： 从搜索空间中随机产生邻近的点，从中选择对应解最优的个体，替换原来的个体，不断重复上述过程。因为只对“邻近”的点作比较，所以目光比较“短浅”，常常只能收敛到离开初始位置比较近的局部最优解上面。对于存在很多局部最优点的问题，通过一个简单的迭代找出全局最优解的机会非常渺茫。（在爬山法中，袋鼠最有希望到达最靠近它出发点的山顶，但不能保证该山顶是珠穆朗玛峰，或者是一个非常高的山峰。因为一路上它只顾上坡，没有下坡。） 2. 模拟退火： 这个方法来自金属热加工过程的启发。在金属热加工过程中，当金属的温度超过它的熔点（Melting Point）时，原子就会激烈地随机运动。与所有的其它的物理系统相类似，原子的这种运动趋向于寻找其能量的极小状态。在这个能量的变

单片机毕业设计完整版

安徽工业大学继续学院《单片机原理》期末课程设计 题目：单片机计时时钟设计与制作 专业：电气工程及其自动化 班级：14 电升 姓名：夏云飞 学号：1410102003035 指导老师：贺容波 成绩： ( 2015.12 )

目录 一、绪论 (1) 1.1单片机简介 (1) 二、硬件系统设计方案 (3) 2.1 时钟电路的设计 (3) 2.2复位电路的设计 (4) 2.3 数码显示电路的设计 (5) 2.4按键电路的设计 (7) 2.5 蜂鸣器电路的设计 (8) 2.6接线图 (9) 三、软件系统设计方案 3.1 模块化设计方案 (10) 3.2 主程序的设计 (11) 3.3 LED动态显示程序的设计 (14) 3.4 计时程序模块的设计 (17) 3.5 键盘程序的设计 (19) 3.6 蜂鸣器程序的设计 (22) 3.7整个程序 (23) 四、总结 总结与致谢 (28) 参考文献 (29) 使用说明 (29)

安徽工业大学继续教育学院《单片机原理》期末课程设计——单片机计时时钟设计与制作 一绪论 1.1单片机简介 1.1.1单片机的产生 计算机的发展经历了从电子管到大规模集成电路等几个发展阶段，随着大规模集成电路技术的发展，使计算机向性能稳定可靠、微型化、廉价方向发展，从而出现了单片微型计算机。 所谓单片微型计算机，是指将组成微型计算机的基本功能部件，如中央处理器CPU、存储器ROM和RAM、输入/输出（I/O）接口电路等集成在一块集成电路芯片上的微型计算机，简称单片机。总体来讲，单片机可以用以下“表达式”来表示：单片机=CPU+ROM+RAM+I/O+功能部件 1.1.2单片机的特点 随着现代科技的发展，单片机的集成度越来越高，CPU的位数也越来越高，已能将所有主要部件都集成在一块芯片上，使其应用模式多、范围广，并具有以下特点： ①体积小，功耗低，价格便宜，重量轻，易于产品化。 ②控制功能强，运行速度快，能针对性地解决从简单到复杂的各类控制问题，满足工业控制要求，并有很强的位处理和接口逻辑操作等多种功能。 ③抗干扰能力强，适用温度范围宽。由于许多功能部件集成在芯片内部，受外界影响小，故可靠性高。 ④虽然单片机内存储器的容量不可能很大，但存储器和I/O接口都易于扩展。 ⑤可以方便的实现多机和分布式控制。 1.1.3单片机的应用 单片机的应用具有面广量大的特点，目前它广泛的应用于国民经济各个领域，对技术改造和产品的更新起着重要作用。主要表现在以下几个方面： ①单片机在智能化仪器、仪表中的应用：由于单片机有计算机的功能，它不仅能完成测量，还既有数据处理、温度控制等功能，易于实现仪器、仪表的数字化和智能化。 ②单片机在实时控制中的应用：单片机可以用于各种不太复杂的实时控制系统中， 第1页

毕业设计说明范文(艺术类)

XXX 大 学 （空一格，行距：单倍行距） （空四格，行距：单倍行距） 题 目： 女性时尚高跟鞋系列设计 学 院： 美术学院 专业、年级： 艺术设计专业2007级 3 班（产品造型方向） 姓 名： 学 号： 指 导 教师： 职称： 完 成 时间： 年 月 日

声明 本人声明所呈交的设计作品及论文是本人在指导教师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得成都大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确说明并表示谢意。 本设计及论文成果是本人在成都大学读书期间在指导教师指导下取得的，设计及论文成果归成都大学所有，特此声明。 学生签名： 指导教师签名：

具、装饰物品或日常生活用品都带有色彩。因此要对他们进行统一，使他们能在同一色调上进行细微的变化，达到和谐的效果。色彩的运用会受到人的年龄、性别等各种因素的影响，而人的心理感受及联想与色彩的关系问题也是息息相关的。色彩还能造成不同的空间感，每个房间都不可能单独存在一种色调，不同的区域对色彩的要求也不一样。房间布置时应选择适合的“快乐”色彩，会有助于下班回到家里后松弛紧张的神经，觉客厅、卧室，有时也会因居住者秉性不同而有差异。 （空一格） ：色彩；空间；心理；关系

utilization （空一行） room places the furniture, the decoration goods or the daily life thing all have the color. Therefore must carry on the unification to them, enables them to carry on the slight change in the identical tone, achieves the harmonious effect. The color utilization can receive human's age, the sex and so on each kind of factor influence, but human's psychological feeling and the association and the color relational question also is closely linked.The color also can create the different sense of space, each room is all impossible alone to have one kind of tone, the different region is dissimilar to the color request. When room arrangement should choose suitably “joyful” the color, can be helpful after gets off work gets in the home to relax the tense nerve, thought the relaxation is comfortable.The different room function is different, the color should not be same; Is the same function room, like is similarly the living difference differently. （空一格） Color ；Space ；

遗传算法应用论文

论文 题目：遗传应用算法 院系：计算机工程系 专业：网络工程 班级学号： 学生姓名： 2014年10月23日

摘要: 遗传算法是基于自然界生物进化基本法则而发展起来的一类新算法。本文在简要介绍遗传算法的起源与发展、算法原理的基础上,对算法在优化、拟合与校正、结构分析与图谱解析、变量选择、与其他算法的联用等方面的应用进行了综述。该算法由于无需体系的先验知识,是一种全局最优化方法,能有效地处理复杂的非线性问题,因此有着广阔的应用前景。 关键词: 遗传算法; 化学计量学; 优化 THEORY AND APPL ICATION OF GENETIC AL GORITHM ABSTRACT: Genetic Algo rithm( GA) is a kind of recursive computational procedure based on the simulation of principle principles of evaluati on of living organisms in nature1Based on brief int roduction of the principle ,the beginning and development of the algorithms ,the pape r reviewed its applications in the fields of optimization ,fitting an d calibration,structure analysis and spectra interpretation variable selection ,and it s usage in combination with othersThe application o f GA needs no initiating knowledge of the system ,and therefore is a comprehensive optimization method with extensive application in terms of processing complex nonlinear problems。 KEY WORDS : Genetic Algorithm( GA) Chemometrics Optimization 遗传算法是在模拟自然界生物遗传进化过程中形成的一种自适应优化的概率搜索算法，它于1962年被提出，直到1989年才最终形成基本框架。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化搜索算法, 由美国J. H. Ho llad教授提出, 其主要特点是群体搜索策略和群体中个体之间的信息交换。该算法尤其适用于处理传统搜索方法难以解决的复杂和非线性问题, 可广泛用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域。 顾名思义,遗传算法(Genetic Algorithm ,GA)是模拟自然界生物进化机制的一种算法 ,即遵循适者生存、优胜劣汰的法则 ,也就是寻优过程中有用的保留 ,无用的则去除。在科学和生产实践中表现为 ,在所有可能的解决方法中找出最符合该问题所要求的条件的解决方法 ,即找出一个最优解。这种算法是 1960 年由

(完整版)华北理工大学本科毕业设计说明书格式示例

学号：［单击此处键入］ 毕业设计说明书 G RADUATE D ESIGN 设计题目：［单击此处键入设计中文题名］ —［单击此处继续键入副题名或删除此提示］学生姓名：［单击此处键入］ 专业班级：［单击此处键入］ 学院：［单击此处键入］ 指导教师：［导师姓名］［职称］

［副导师姓名］［职称］XXXX年XX月XX日

摘要 随着互联网在国际上迅猛的发展，基于互联网的各种应用也日益受到人们的重视，特别是现代远程教育得到了巨大的发展。基于Web的考试系统正是在这种形势下应运而生的。尽管传统的考试形式应用还非常普遍，但伴随着远程教学的推广普及，作为远程教学系统子系统的在线考试系统呼之欲出。 …… （中文摘要约300汉字） 关键词考试系统；自动组卷；题库；遗传算法

Abstract With the rapid development of Internet in the international, more and more web-based applications were increasingly subject to people's attention in recent years, and the modern distance education tremendous development. The web-based examination system is emerged in such a situation. Although the traditional form of examination is also very common, with the expansion and universality of distance learning, the online examination system come into being as a subsystem of distance learning system. Automatic Test Paper is a crucial part in the examination system. With the rapid development of artificial intelligence, this issue a growing number of scientists concerned. Automatic Test Paper is the real follow a strategy of topics, and select a group of questions from the questions, makes them all the properties are within a certain range by volume to meet the expectations index. The core of the problem is multi-target strategy of choice. The design of database is also a very important part in the examination system, and the design of database is good or bad will directly affect the effectiveness of automatic Test Paper. This paper designs and implements an on-line examination system, and its functions include on-line examinations, test management and maintenance, automatic Test Paper, Grade examination papers and grade point, seeing results and information management features such as students etc. It focuses on the automatic Test Paper algorithm and the

论文-遗传算法的基本步骤

遗传算法 遗传算法（Genetic Algorithm）是基于进化论的原理发展起来的一种广为应用，高效的随机搜索与优化的方法。它从一组随机产生的初始解称为“种群”，开始搜索过程。种群中的每个个体是问题的一个解，成为“染色体”是一串符号。这些染色体在每一代中用“适应度”来测量染色体的好坏, 通过选择、交叉、变异运算形成下一代。选择的原则是适应度越高,被选中的概率越大。适应度越低，被淘汰的概率越大。每一代都保持种群大小是常数。经过若干代之后，算法收敛于最好的染色体，它很可能是问题的最优解或次优解。这一系列过程正好体现了生物界优胜劣汰的自然规律。 比如有编号为1到10的特征，现在要选取其中的5个，基于遗传算法的特征选择可以如下这样直观的理解： 下续（表格） 下续……

即设有4个不同的初始特征组合，分别计算判别值，然后取最大的2个组合（[1,2,3,4,9]和[1,3,5,7,8]）进行杂交，即互换部分相异的特征（4和7），得到新的两个特征组合（[1,2,3,7,9]和[1,3,4,5,8]）,然后再计算这两个新的组合的判别值，和原来的放在一起，再从中选择2个具有最大判别值的组合进行杂交。如此循环下去，在某一代的时候就得到了一个最好的特征组合（比如第2代的[1,3,5,7,9]的特征组合）。当然，在实际中每代的个体和杂交的数量是比较大的。 遗传算法的具体的步骤如下：

1.编码：把所需要选择的特征进行编号，每一个特征就是一个基因，一个解就是一串基因的组合。为了减少组合数量，在图像中进行分块（比如5*5大小的块），然后再把每一块看成一个基因进行组合优化的计算。每个解的基因数量是要通过实验确定的。 2.初始群体（population）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。GA以这N个串结构数据作为初始点开始迭代。这个参数N需要根据问题的规模而确定。 3.交换(crossover)：交换（也叫杂交）操作是遗传算法中最主要的遗传操作。由交换概率( P)挑选的每两个父代 c 通过将相异的部分基因进行交换（如果交换全部相异的就变成了对方而没什么意义），从而产生新的个体。可以得到新一代个体，新个体组合了其父辈个体的特性。交换体现了信息交换的思想。 4.适应度值(fitness)评估检测：计算交换产生的新个体的适应度。适应度用来度量种群中个体优劣（符合条件的程度）的指标值，这里的适应度就是特征组合的判据的值。这个判据的选取是GA的关键所在。

一种基于遗传算法的Kmeans聚类算法

一种基于遗传算法的K-means聚类算法 一种基于遗传算法的K-means聚类算法 摘要：传统K-means算法对初始聚类中心的选取和样本的输入顺序非常敏感，容易陷入局部最优。针对上述问题，提出了一种基于遗传算法的K-means聚类算法GKA，将K-means算法的局部寻优能力与遗传算法的全局寻优能力相结合，通过多次选择、交叉、变异的遗传操作，最终得到最优的聚类数和初始质心集，克服了传统K-means 算法的局部性和对初始聚类中心的敏感性。关键词：遗传算法；K-means；聚类 聚类分析是一个无监督的学习过程，是指按照事物的某些属性将其聚集成类，使得簇间相似性尽量小，簇内相似性尽量大，实现对数据的分类[1]。聚类分析是数据挖掘 技术的重要组成部分，它既可以作为独立的数据挖掘工具来获取数据库中数据的分布情况，也可以作为其他数据挖掘算法的预处理步骤。聚类分析已成为数据挖掘主要的研究领域，目前已被广泛应用于模式识别、图像处理、数据分析和客户关系管理等领域中。K-means算法是聚类分析中一种基本的划分方法，因其算法简单、理论可靠、收敛速 度快、能有效处理较大数据而被广泛应用，但传统的K-means算法对初始聚类中心敏 感，容易受初始选定的聚类中心的影响而过早地收敛于局部最优解，因此亟需一种能克服上述缺点的全局优化算法。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化搜索算法。在进化过程中进行的遗传操作包括编码、选择、交叉、变异和适者生存选择。它以适应度函数为依据，通过对种群个体不断进行遗传操作实现种群个体一代代地优化并逐渐逼近最优解。鉴于遗传算法的全局优化性，本文针 对应用最为广泛的K-means方法的缺点，提出了一种基于遗传算法的K-means聚类算法GKA(Genetic K-means Algorithm)，以克服传统K-means算法的局部性和对初始聚类中心的敏感性。用遗传算法求解聚类问题，首先要解决三个问题：(1)如何将聚类问题的解编码到个体中；(2)如何构造适应度函数来度量每个个体对聚 类问题的适应程度，即如果某个个体的编码代表良好的聚类结果，则其适应度就高；反之，其适应度就低。适应度函数类似于有机体进化过程中环境的作用，适应度高的个体 在一代又一代的繁殖过程中产生出较多的后代，而适应度低的个体则逐渐消亡；(3) 如何选择各个遗传操作以及如何确定各控制参数的取值。解决了这些问题就可以利

基于遗传算法的自动排课系统毕业设计

摘要 随着科学技术和社会信息技术的不断提高，计算机科学的日渐成熟，其强大的功能已为人们深刻认识，它在人类社会的各个领域发挥着越来越重要的作用，给人们的生活带来了极大的便利，成为推动社会发展的首要技术动力。排课是学校教学管理中十分重要、又相当复杂的工作之一。解决好教学工作中的排课问题对整个教学计划的进行，有着十分重要的意义。首先对排课的已有算法作了相关的调查研究，决定采用遗传算法。通过设计实现基于遗传算法的自动排课系统，研究了遗传算法在排课系统中的应用。 关键词：遗传算法、自动排课、Java。

Abstract Along with science technical and community information technical increases continuously, calculator science is gradually mature, its mighty function has behaved deep cognition, and it has entered the human social each realm erupts to flick the more and more important function, bringing our life biggest of convenience. Curriculum arrangement is an important and complicated working in school,so solving the problem is of great importance for teaching programming.Investigated and studied the algorithm existed, determine that adoptgenetic algorithm. ThroughDesign Implementation theAuto CourseArrangementManagement System Base onGenetic Algorithm, researched the application of genetic algorithmin theCourseArrangementManagement System. Keywords: Genetic Algorithm Auto Course Arrangement ManagementJava.

(完整版)电大《毕业设计论文》参照

齐齐哈尔广播电视大学 毕业设计 题目： 学生所在单位： 姓名：教育层次：本科 学号：专业：土木工程 指导教师：分校：齐齐哈尔电大

本科生毕业设计任务书

摘要 本设计为楼毕业设计，建在区，建筑面积㎡，共层，地震设防烈度为度。 本设计依据设计要求和原始资料，运用力学钢筋混凝土、结构力学基本原理及土力学和对材料性质的深刻了解，遵守设计规则，保证建筑结构合理，所有材料的质量和强度合格，工艺良好。 本建筑设计分为三部分：建筑设计、结构设计、施工组织设计。建筑设计采取积极措施来增强建筑物的外表强度和坚固性，给人以心理上的安全感。另外，还要有艺术的美感，要有时代气息。结构体系是钢筋混凝土框架结构，用砖做墙。结构设计是使结构物得到足够的强度、刚度和韧性的过程。结构体系选择后，进行荷载分析和强度分析，同时考虑与建筑经济学的关系，把材料制做安装所需成本、所用时间，以及结构使用期间的维修联系起来。 施工组织设计：科学的依据分项工程，流水施工的方法，合理安排施顺序，注意安全措施，力求经济效益。 关键词：建筑面积，设防烈度，砖混结构

目录 2.3 2.4 2.5 第一章建筑设计部分 1.1设计依据 1、建设单位提供的小区规划平面图及竖向高程图一份。 2、建设单位提供的设计委托书一份。 3、建设单位提供的该地段岩土勘察报告一份。 4、国家现行的设计规范及有关标准规定。 《住宅设计规范》GB50096—1999 《住宅建筑规范》GB50368—2005 《黑龙江省民用建筑节能设计标准实施细则》DB23\120—2001 《民用建筑热工设计规范》GB50176—93 《民用建筑设计通则》GB50352—2005 《建筑设计防火规范》GB50016—2006 《民用建筑节能设计标准》（采暖居住建筑部分）JGJ26—95 5、本工程施工及验收均需按照国家现行建筑安装工程施工规范及验收规范施 工。 6、节能住宅节点做法及施工工艺要求均按02J—1标准图集设计施工，苯板与 苯板之间，与墙体之间采用塑料涨钉。 1.2工程概况 1.2.1工程特点 1、本工程为

数学建模遗传算法与优化问题【精品毕业设计】(完整版)

实验十遗传算法与优化问题 一、问题背景与实验目的 遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点，奠定了它作为21世纪关键智能计算之一的地位． 本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题，使读者能够学会利用遗传算法进行初步的优化计算．1．遗传算法的基本原理 遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程．它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体．这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代．后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程．群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要（目前生物界对此学说尚有争议）． （1）遗传算法中的生物遗传学概念 由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念． 首先给出遗传学概念、遗传算法概念和相应的数学概念三者之间的对应关系．这些概念如下： 序号遗传学概念遗传算法概念数学概念 1 个体要处理的基本对象、结构也就是可行解 2 群体个体的集合被选定的一组可行解 3 染色体个体的表现形式可行解的编码 4 基因染色体中的元素编码中的元素 5 基因位某一基因在染色体中的位置元素在编码中的位置 6 适应值个体对于环境的适应程度， 或在环境压力下的生存能力可行解所对应的适应函数值 7 种群被选定的一组染色体或个体根据入选概率定出的一组 可行解 8 选择从群体中选择优胜的个体， 淘汰劣质个体的操作保留或复制适应值大的可行解，去掉小的可行解 9 交叉一组染色体上对应基因段的 交换根据交叉原则产生的一组新解 10 交叉概率染色体对应基因段交换的概 率（可能性大小）闭区间[0,1]上的一个值，一般为0.65~0.90 11 变异染色体水平上基因变化编码的某些元素被改变

毕业设计说明完整版

本科毕业设计说明 题 目 《嘟噜嘟噜》 互动性儿童书籍中的衍生情景创意设计 姓 名 李晨 学 号 2011311201213 学 院 文法学院 专业班级 艺术设计1102 指导教师 姚克难 职 称 副教授 中国·武汉 二〇一五年六月

分类号密级 本科毕业论文 《嘟噜嘟噜》互动性儿童书籍中的衍生情景创意设计interactive children's books in the derivative scenario creative design study 学生姓名：李晨 学生学号：2010311201213 学生专业：艺术设计 指导教师：姚克难副教授 华中农业大学文法学院 二〇一五年六月

《嘟噜嘟噜》互动性儿童书籍的衍生情景创意设计 目录 摘要 ................................................................................................................................ II Abstract .............................................................................................................................. III 前言 ............................................................................................................................... I V 一、《嘟噜嘟噜》互动型儿童书籍概述 . (1) （一）《嘟噜嘟噜》儿童书籍情景设计选题背景及意义 (1) 1.选题背景 (1) 2.选题意义 (1) （二）中国儿童书籍情景研究现状以及存在的问题 (1) 1.中国儿童书籍情景设计现状 (1) 2.中国儿童书籍情景设计现状存在的问题 (2) 3.《嘟噜嘟噜》创意点 (2) 二、《嘟噜嘟噜》情景设计思路及过程 (4) （一）选题设定 (4) （二）主题风格设定 (4) （三）《嘟噜嘟噜》情景定案设计--海报设计 (5) 三、《嘟噜嘟噜》情景设计作品说明 (6) （一）《嘟噜嘟噜》情景设计作品内容 (6) 1.“嘟噜嘟噜咩乐园”“嘟噜嘟噜渡渡鸟” (6) 2.《嘟噜嘟噜》书籍情景设计中的互动形式 (7) （二）《嘟噜嘟噜》情景设计后期制作 (8) 1.书籍制作 (8) 2.周边产品制作 (8) （三）《嘟噜嘟噜》情景设计展示效果 (9) 总结 (11) 参考文献 (12) 致谢 (13)

污水处理厂毕业设计说明书 完整版可做毕业设计模版

给水排水工程专业 毕业设计任务书 设计题目：朔州市恢河污水处理厂设计 学生：李文鹃 指导教师：杨纪伟 完成日期：2006年2月日---2006年6月日 河北工程大学城建学院 给水排水教研室 2006年2月 一、设计题目：朔州市恢河污水处理厂设计 二、设计（研究）内容和要求：（包括设计或研究内容、主要指标与技术参数，并根 据课题性质对学生提出具体要求） 根据朔州市城市总体规划图和所给的设计资料进行城市污水处理厂7设计。设计内容如下： 1、完成一套完整的设计计算说明书。说明书应包括：污水水量的计算；设计方案对 比论证；污水、污泥、中水处理工艺流程确定；污水、污泥、中水处理单元构筑物的详细设计计算，（包括设计流量计算、参数选择、计算过程等，并配相应的单线计算草图），厂区总平面布置说明；污水厂环境保护方案；污水处理工程建设的技术经济初步分析等。 2、绘制图纸不得少于8张，所有图纸按2#图出。（个别图纸也可画成1#图）。此外， 其组成还应满足下列要求： （1）污水处理工艺及污水回用总平面布置图1张，包括处理构筑物、附属构筑物、配水、集水构筑物、污水污泥管渠、回流管渠、放空管、超越管渠、 空气管路、厂内给水、污水管线、中水管线、道路、绿化、图例、构筑物 一览表、说明等。 （2）污水处理厂污水和污泥及污水回用工程高程布置图1张，即污水、污泥、中水处理高程纵剖面图，包括构筑物标高、水面标高、地面标高、构筑物 名称等。 （3）污水总泵站或中途泵站工艺施工图1张。 （4）污水处理及污泥处理工艺中两个单项构筑物施工平面图和剖面图及部分大样图3~4张。 （5）污水回用工程中主要单体构筑物工艺施工图1~2张。 3、完成相关的外文文献翻译1篇（不少于5000汉字）。外文资料的选择在教师指导 下进行，严禁抄袭有中文译文的外文资料。

基于遗传算法的配送路径优化研究开题报告

北京师范大学珠海分校 本科生毕业论文（设计）开题报告

理论和实践的意义及可行性论述 (包括文献综述) 理论和实践的意义：当前，现代物流是企业继续降低物资消耗、提高劳动生产 率后的第三利润源泉。但我国物流企业的运输成本普遍偏高。其中很重要一个 原因就是对配送车辆运输路线规划不科学。要想降低运输成本，离不开对配送 路线的优化和配送车辆的合理安排。对物流配送车辆行驶路径进行优化，可以降低物流成本，节约运输时间，是提高物流经济效益的有效手段。 可行性论述：配送路径优化问题是典型的优化组合问题，具有很高的计算复杂 性。但遗传算法解决作为一种有效的全局搜索方法具有隐并行性和较强的鲁棒性，在解决非线性的大规模复杂问题上具有很好的适应性，适合于对VPR问 题进行优化求解。标准遗传算法虽然未必每次都能找到最优解，但通过对标准 遗传算法进行改进，完全可以在有限时间内对较复杂的VPR问题计算出次优 解或可行解。因此，用遗传算法来解决物流车辆调度问题还是完全可行的。 文献综述： [1]朱剑英?非经典数学方法[M].武昌：华中科技大学出版社，2001 [2]李敏强，寇纪淞，林丹，李书全?遗传算法的基本理论与应用[M].北京：科 学技术出版社，2002 [3]孙丽丽?物流配送中车辆路径算法分析与研究[D].上海：上海海事大学，2007 [4]盖杉.基于遗传算法的物流配送调度系统 [D].长春：长春理工大学，2007 [5]高运良，基于免疫遗传算法的物流配送V RP 求解[D].武汉：武汉科技大学， 2007 论文撰写过程中拟采取的方法和手段 本论文主要采用遗传算法作为解决物流配送路径优化问题的主要算法。但由于标准遗传算法具有“早熟收敛”的缺陷，有可能使算法陷入局部最优解。论文还将尝试通过把其他算法和遗传算法相结合，来有效控制早熟现象的发生。为了快速得到任意两个配送点之间的最优路线。本论文还拟采用佛洛依德 算法构造配送路线的地理数据库的方式来对路线网络进行预处理。从而减少整 个算法的时间复杂度和空间复杂度。

(完整版)框架结构毕业设计

第一章设计任书 1.1.1 工程概况 该工程为六层办公楼，主体为现浇钢筋混凝土框架结构，占地面积为1310㎡，建筑面积5240㎡，建筑物共6层，底层层高5.1m，标准层层高3.6m，顶层层高4.5m，总高度25.5m，室内外高差0.450m，基础顶面距离室外地面1.05m，基础采用柱下独立基础。 该办公楼主要以层为单元出租，每层为一个独立的单元，拥有接待室、会议室、档案室、普通办公室、专用办公室等。楼内设有两个电梯三个楼梯，主、次楼梯开间均为3m，进深均为6.6m，楼梯的布置均符合消防、抗震的要求。 1.1.2 设计条件 一、抗震设防烈度：7度设防，抗震设计分组为第一组，设计基本地震加速度值为0.1g； 二、基本风压： 0.55KNm2，B类粗糙度； 三、雪荷载标准值：0.2KNm2； 四、结构体系：现浇钢筋混凝土框架结构。 五、工程地质条件：拟建场地地形平坦，土质分布具体情况见表，II 类场地土。地下稳定水位距地表-9m，表中给定土层深度由自然地坪算起。建筑地点冰冻深度-0.5m。 表1-1 建筑地层一览表 序号岩土 深度 土层 深度 （m） 厚度 范围 （m） 地基土 承载力 （kPa） 压缩 模量 （mPa） 1 杂填土0.0—1. 2 1.2 --- ---

2 粉土 1.2—2.0 0.8 200 5.0 3 中粗砂 2.0—4.8 2.8 300 9.5 4 砾砂4.8—15. 10.2 350 21.0 1.2 建筑设计任务及要求 一、基本要求： 满足建筑功能要求，根据已有的设计规范，遵循建筑设计适用、经济合理、技术先进、造型美观的原则，对建筑方案分析其合理性，绘制建筑施工图。 二、规定绘制的建筑施工图为： 1、底层、标准层及顶层平面图：比例 1：150（图1-1） 2、主要立面图：比例 1：150（图1-2，图1-3） 3、屋面排水布置图：比例 1：150 4、剖面图：比例 1：150 5、墙身大样及节点详图：比例 1：100及1：10

毕业设计说明书

毕业设计说明书 设计题目：家居设计之现代简约风格作者姓名：xxx 班级学号：装饰艺术09A1 091043034 系部：艺术系 专业：装饰艺术设计 指导教师：xXx x 年x 月x日

家居设计之现代简约风格 摘要：现代简约风格是近来比较流行的一种风格，其室内布置整体设计就两个字概括“简约”。没有繁琐的装饰，不要附加物，只要能表达出意图即可，材料多为磨砂玻璃、不锈钢和石膏板等，地面、天花板均朴素、淡雅，无一多余饰物，显得简洁、舒适、大方，令人赏心悦目，这样的设计风格崇尚少即是多，装饰少，功能多，十分符合现代人渴求简单生活的心理。因而很受那些追求时尚又不希望受约束的青年人所喜爱。 关键词：设计风格简约材料心理关系

目录 摘要…………………………………………………………………………( 2 ) 前言…………………………………………………………………………( 4 ) 1.现代简约设计风格整体介绍………………………………………………( 5 ) 1.1 简约风格的基本特点…………………………………………………( 5 ) 1.2 简约风格中的色彩搭配体现和分析………………………………( 6 ) 2. 课题研究的背景及意义…………………………………………………( 7 ) 2.1研究背景………………………………………………………………( 7 ) 2.2 研究意义………………………………………………………………( 7 ) 3.设计概述……………………………………………………………………( 8 ) 3.1 设计理念与原则………………………………………………………( 8 ) 3.2 客厅的设计……………………………………………………………( 8 ) 3.3 厨房的设计……………………………………………………………( 9 ) 3.4 主卧的设计……………………………………………………………( 9 ) 3.5书房的设计……………………………………………………………( 10 ) 3.6卫生间的设计…………………………………………………………( 10 ) 4.其他作品欣赏…………………………………………………………………( 10）结论……………………………………………………………………………( 11 ）致谢……………………………………………………………………………( 12 ) 参考文献………………………………………………………………………( 13 ) 图录……………………………………………………………………………( 14 )

人工智能遗传算法新论文

论文 题目：遗传算法应用 院系：计算机工程系 专业：网络工程 班级学号：112055126 学生姓名：崔小杰 2014年10月23日

内容摘要 图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。图像的分割是以灰度值作为分割的依据,通过各个像素的灰度值和事先确定的阈值的比较来分割图像。如何确定最合适的阈值是处理好图像分割的关键,这自然成为一直以来分割算法研究的焦点。 遗传算法是对生物进化论中自然选择和遗传学机理中生物进化过程的模拟来计算最优解的方法。遗传算法具有众多的优点,如鲁棒性、并行性、自适应性和快速收敛,可以应用在图像处理技术领域中图像分割技术来确定分割阈值。 本文主要介绍基于遗传算法的最小误差阈值法、最大类间方差法（Otsu法）以及最佳直方图熵法(KSW熵法)等三种方法分割图像。 关键词：图像分割，遗传算法，阈值分割

目录 第一章绪论 .................................................. - 1 - 第二章遗传算法概述 ........................................ . - 1 - 2.1遗传算法的研究历史....................................... - 1 - 2.2生物背景................................................. - 2 - 2.3遗传算法的基本思想....................................... - 2 - 2.4遗传算法的几个概念....................................... - 2 - 2.4.1适应度函数......................................... - 2 - 2.4.2遗传算法最常用的算子............................... - 3 - 2.5遗传算法运算的基本流程 (4) 第三章图像分割的现状 ........................................ - 4 - 3.1图像分割简介............................................. - 4 - 3.2图像分割方法............................................. - 5 - 3.2.1基于边缘检测的分割 (6) 3.2.2基于区域的分割..................................... - 5 - 3.2.3边缘与区域相结合的分割............................. - 5 - 3.3阈值选取................................................. - 6 - 第四章基于新的遗传算法的图像分割 ............................ - 6 - 4.1混沌遗传算法............................................. - 6 - 4.2量子遗传算法............................................. - 6 - 4.3免疫遗传算法............................................. - 6 - 结论 ........................................................... - 7 - 参考文献: ...................................................... - 7 -