摘 要

遗传算法GA越来越接受到人们的关注，本文在标准遗传算法GA的原理上，加入年龄和老化的概念，提出一种受到年龄启发的改进遗传算法MGA。用MATLAB分别绘制四个单目标优化测试函数Schaffer,Sphere,Gaiewangk和 Ackley的等高线三维图。使用四种测试函数Schaffer,Sphere,Gaiewangk和 Ackley对改进算法进行了各项性能的测试与评估，并与标准算法GA在同样条件下，比较两种算法的所寻优值的精度与执行速度。使用MGA对PEM燃料电池模型参数估计。

本文需要做的工作有，理解标准遗传算法的原理与结构，设计出改进算法。对改进算法基本运行调试，加入年龄和寿命算子，改善算法的运行效率与输出结果的精度，应用到燃料电池模型上。

关键词：遗传算法 算法改进 测试函数 年龄老化 燃料电池模型

Age - inspired improved genetic algorithm

Abstract

Genetic algorithm (GA) has received more and more attention. In this paper, the concept of age and aging is added to the principle of standard genetic algorithm (GA), and an improved genetic algorithm (MGA) inspired by age is proposed. The contours of four single - objective optimization test functions, Schaffer, Sphere, Gaiewangk and Ackley, are drawn by MATLAB respectively. The performance of the improved algorithm is tested and evaluated by using the four test functions Schaffer, Sphere, Gaiewangk and Axkley. The accuracy and execution speed of the two algorithms are compared with the standard GA under the same conditions. Estimation of model parameters for PEM fuel cell using MGA.

Keywords: genetic algorithm; algorithm improvement; test function; aging; fuel cell model

目录

年龄启发的改进遗传算法 II

摘要 II

Abstract III

目录 IV

第一章：绪论 1

1.1 遗传算法产生背景 1

1.2生物进化和遗传学简介 1

1.3研究现状与应用 2

1.3.1 遗传算法GA研究现状 2

1.3.2研究与应用方向 2

1.4 遗传算法的基本思想 3

1.5遗传算法的优缺点 3

1.5.1 遗传算法的优点 4

1.5.2遗传算法的缺点 4

第二章 基本遗传算法 5

2.1 遗传算法基本术语 5

2.2 遗传算法的运行过程 5

2.3 遗传算法基本操作 7

第三章 受年龄启发的改进遗传算法 8

3.1 改进算法MGA的基本构造 8

3.1.1算法中基本参数的设置 8

3.1.2算法运行各部分结构 9

3.2受年龄启发的老化概念 11

3.3四种测试函数 12

3.4测试函数运行结果及分析 16

第四章 燃料电池模型参数估计 22

4.1燃料电池简介 22

4.2燃料电池模型 23

4.3改进遗传算法对燃料电池模型的作用 25

第五章 总结 28

参考文献 30

致谢 32

第一章：绪论

1.1 遗传算法产生背景

目前如何处理数据问题中的非线性规划越来越受到人们的关注。经过人们的研究，发展的解决非线性规划问题的方法多种多样，不同的方法都有其约束性。在这些方法中没有一种相比之下优势特别突显的算法，可预料的是，人们面对的愈发复杂的系统，需要处理的对象越来越复杂，优化问题规模越来越大，上面这些方法能够发挥的余热也更加少了。人们在积极寻求更为有效的优化理论与方法，遗传算法等最优化方法由此而来。

遗传算法是类比生物在环境中拥有群体生长，繁衍和进化适应变化的气候地势等环境因数建立的计算模型，这是一种对应生物的种群进化特点而形成的一种全局寻找最优值的搜索算法^{[1,4,5,14,16,17,18,19,20]}。其历史可追溯到上世纪六十年代，美国一位名为Holland的大学教授提出这一概念，衍生于他当时对人工自适应系统的研究。在二十世纪七十年代他的学生所发表的论文中,提出了“遗传算法”一词。他本人在二十世纪八十年代出版了《自然和人工系中的适应性》，这是一本论述其研究的名作, 正式提出遗传算法的概念，详细阐述了它的基本理论和方法^{[1,4,5,14,16,17,18,19,20]}。

1.2生物进化和遗传学简介

从下面三个角度来讨论：(1)遗传，生物信息来自于亲代，后代依据获得的信息完成从诞生，生长，自然死亡的生命周期。这些信息通过生物之间的繁衍活动传递，所以后代与亲代的都有相似的外在表现形式，这也是它们能够称为同属一个生物种群的原因。也是因此生物种群才能在较长的时间内稳定的存在。(2)变异，生物的外在性状与内在生命周期信息在亲代与子代之间都会有一定的差异，这源于生物信息在每一代传递的过程中发生了一定程度的微小改变。这种状况就叫做变异。这种微小的改变是是以微小的概率发生的，而且改变的方向是不确定的，这有助于改变生物的生存能力，或许会减低或许会提高，有改变才有应对困难和克服的可能性。(3)适者生存，随着生物的生命活动的变化，生物的生命活动在一定程度上改造着环境，环境也在一定程度上选择能够适应其特点的生物个体。由变异而改变克服生存压力的的可能性，使得其生长特点作用发挥的更加明显，并因此在种群中保留这些对生存有益的性状，与此相应的生物信息得以代代遗传下去，这些适应环境这得以生存。在自然生物进化理论中包括这些术语：种群，个体，染色体，基因等等。

1.3研究现状与应用

为了加深对遗传算法的了解，关于研究与扩展它的内容有什么具体的意义，对此做一个简单的相关介绍

1.3.1 遗传算法GA研究现状

相比较其他算法, GA运行特点:从一群点而不是某一个点开始执行的, 所以对于避免陷入部分范围内非最佳极值点有特别有效果的。具体面对的对象是是适应度函数的评价信息而非不是其求导信息, 对它的状态没有特别严格的要求，可以有很强的实用性。有很好的全部范围内求解最佳极值的能力。某一个问题的遗传算法经过一定程度的小幅度改变后可用于其他相关的问题,。现在，GA在在解决繁琐问题上的能力得到人们的肯定，对于之前其它算法难以面对的函数问题、复杂、改善效率，简化概率繁琐工程、以及提高人工智能的自我深度学习、软件或者摄像对具体图象识别分类判断等问题，它和它的改进算法都有很强的解决能力。

相关图片展示：