毕业论文课题相关文献综述
一、 选题依据：
1：课题来源
本课题来源于毕设指导教师给定题目，题目名称：基于量子理论变异的改进遗传算法及应用
2：课题研究意义、国内外研究现状分析
人们在日常生活中经常会遇到各种各样的优化问题，其中一些问题可以通过传统的优化方法进行求解，这些传统的优化方法既可以应用在经济学的领域，也可以应用在诸如运筹学领域、机械工程领域、图像处理领域、电子工程领域以及材料分析领域。实践表明，在同等条件下，通过优化技术的运用对能耗的降低、资源的合理利用、效率的提高以及过程对象的精确建模等有显著的效果[1]。但随着人类生存空间的扩大以及认识和改造世界范围的拓宽，人们对科学技术提出了更新的和更高的要求，其中对智能计算和更加高效的优化技术的要求更是迫在眉睫。
优化理论和方法的起源可以追溯到微积分产生的年代，然而直到20世纪30年代，由于军事和工业生产等方面的迫切需要，才使得优化方法的研究得到了蓬勃的发展。随着人类对科学计算的要求的不断提高，早起的一些经典优化方法已经不能完全满足工程优化领域的要求，比如用于解决线性问题的单纯形法、用于求解非线性规划的梯度下降法、牛顿法、共轭梯度法，以及用于求解约束优化问题的拉格朗日乘子法。这些方法求解无约束或者线性有约束的最优值问题具有很好的鲁棒性与快速性，但固有的对初值的依赖性使得基于梯度的方法容易陷入局部极值（给定初值后，解唯一），当问题有多个局部极值时很难找到全局最优解。而来后发展起来的解析法、枚举法和随机搜索法[3]也同样有很多不足。解析法要求目标函数和约束域可用解析式表示，难以用于求解目标函数不连续、约束域不连通、目标函数难以用解析式表达、解空间具有多峰特性等问题的求解。枚举法简单易行，但它需要计算搜索空间中的每一个点的值，效率低下。随机搜索法则是通过在搜索空间内随机漫游并随时记录下所取得的最好结果，其效率依然不高，而且只有解在搜索空间紧密分布时，才能找到最优解，这个条件一般很难满足。针对工程中的优化问题的复杂性、约束性、非线性、多局部极小点、建模困难等特点，寻找搜索性能更为出色的具有智能化的优化方法已经成为一个重要的研究方向。
20世纪50年代人工智能诞生，这一新学科的出现是计算机理论和计算机发展的必然产物。信息、能源和材料等科学技术帮助人们利用信息、能源、物质资源创造出各种各样的智能工具，扩展人类的智力能力，推动人类智能科学技术不断发展。
20世纪60年代，自然科学（尤其是物理学和生命科学）与计算机科学相交叉产生研究领域自然计算，并开始引起人们的注意，并在相关领域加以应用[2, 3]。一般而言，自然计算是以自然界特别是其中典型的生物体、生物系统和物理系统的相关特点、作用机理乃至部分功能作为参照基础，研究其中所蕴含的丰富的信息处理机制，在待求解问题特征相关目标引导下，提取相应的计算模型，设计相应的智能算法，得到智能化的信息处理效果，并在相关领域加以应用。
进入到二十世纪70~80年代以后，一些新颖的优化算法相继被学者提出，如借鉴了自然界中优胜劣汰、自然选择思想的遗传算法（GA）[4,5]，对物理学中金属冷却过程的进程模拟的模拟退火算法（SA）[6,7]，模拟了人类的部分记忆过程的禁忌搜索算法（TS）[8,9]。一定程度上模拟人脑的组织结构和功能的人工神经网络（ANN）[10]，受蚂蚁群体寻找食物最优路径启发的蚁群算法（ACO）[11]，模拟鸟群觅食行为的粒子群优化算法（PSO）[12,13]，模拟鱼群行为建立的鱼群算法等。这些基于生物计算的优化方法在求解复杂优化问题方面展示了它们的优点。
遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
