云模型(Cloud Model)是一种较新的定性定量不确定性转换模型,它将模糊数学和概率论有机结合,采用泛正态分布表示自然语言概念,较好地表现了自然语言的模糊性和随机性,为不确定性问题的研究和知识的表达提供了新的方法和思路。正态云是最常用的一种云模型,具有普遍的适用性。遗传算法(Genetic Algorithm,即GA)是智能计算最重要的分支之一,具有全局搜索和不依赖于具体问题的特点,广泛应用于组合优化、自动控制、生产调度、图像处理、人工智能等领域。在利用传统的遗传算法对复杂问题进行求解时,传统的遗传算法往往难以平衡搜索空间上的开发和探索能力,存在较大的随机性和盲目性,容易产生早熟收敛、局部搜索能力差和收敛速度缓慢等问题。自适应遗传算法的提出一定程度上改善了算法的性能,但也增大了算法陷入局部最优的可能。为了解决上述问题,本文从遗传算法的控制参数和遗传算子入手,以提高算法的收敛速度和寻优效率为目标,主要做了以下几个部分的工作:(1)研究了常用的自适应遗传策略,引入云模型,对其进行了改进。本文在充分研究云模型和传统遗传算法自适应策略的基础上,对基于云模型的自适应策略进行了研究,通过在遗传算法中,引入正态云和对云模型三个参数(Ex, En, He)的控制,自适应产生交叉、变异概率。在算法初期,采用较大的交叉、变异概率;算法后期,采用较小的交叉、变异概率,在最高适应度周围的个体交叉、变异概率并非绝对的零值或者指定最小值,从而使算法继续保持寻优能力。正态云具有稳定倾向性和随机性的特点,使改进后的算法既保持了传统自适应遗传算法的趋势性,满足快速寻优能力,又具有随机性,提高了算法的局部搜索能力。(2)研究了遗传算法的操作规则,结合云模型的模糊性和随机性的特点,对传统的遗传算子进行了改进。传统遗传算法的操作规则是基于概率而不是确定性的,即进化的方向具有随机性、不可控性,随着种群的进化,交叉、变异算子的操作,原有的知识和结构遭到破坏。本文在对基于云模型的自适应遗传算法进行改进的基础上,进一步实现了遗传云算子,即利用Y条件云发生器代替交叉算子、正向正态云发生器代替变异算子,对种群进行更新,一方面克服了遗传算法无记忆性的特点,可以在当前搜索区域内聚焦搜索;另一方面,继承了云模型的随机性和良好表达能力的特点,既保持了种群的多样性,从而避免陷入局部最优解,又较好地保护了较优个体并对全局最优值进行自适应定位,较大程度上克服了传统遗传算法局部搜索能力差和收敛速度缓慢的不足。(3)最后对基于云模型的遗传算法的理论框架进行总结和分析,为下一步的研究工作指明了方向。