DNA遗传算法及应用研究
DNA遗传算法是模拟生物进化过程的一类随机性全局优化算法，广泛应用于化工过程的建模与优化中。遗传算法的局部搜索能力较弱、易早熟收敛，并且常用的二进制编码方法不能表达丰富的遗传信息，因此在其计算模型中没有反映出遗传信息对生物体的调控作用。
本研究对DNA遗传算法及应用进行了深入的研究，主要研究工作包括：
1. 提出了多种新型交叉算子，利用Markov链模型分析讨论了具有新型交叉算子的DNA遗传算法的收敛性。测试函数计算结果表明所提新型交叉算子可以有效改善种群多样性，减少了寻优代数。
2. 提出了多种新型变异算子，基于碱基编码方式，利用Markov链模型分析了具有新型变异算子的DNA遗传算法的收敛性。测试函数计算结果表明所提新型变异算子可以显著提高DNA遗传算法的收敛速度，增强算法克服问题欺骗的能力。
3. 将所提出的新型交叉和变异算子在DNA遗传算法中配合使用。测试函数的检验结果表明配合使用新型操作算子可以进一步提高算法性能。
4. 针对具有不等式约束的非线性规划问题，提出了一种混合DNA遗传算法。该算法将DNA遗传算法的全局搜索能力和SQP算法的局部搜索能力相结合。测试函数比较结果证明了该混合算法的有效性。
5. 提出了一种双链DNA遗传算法的广义回归神经网络建模方法，用来解决非线性系统建模问题。使用该方法对一个非线性系统进行建模，仿真结果表明所提方法的建模精度优于其它神经网络方法。
6. 针对复杂非线性系统，提出了一种混沌DNA遗传算法的T-S模糊递归神经网络建模方法，在碱基编码和新型操作算子的基础上，混沌DNA遗传算法通过对劣质个体进行混沌细搜索，来提高个依品质。
7. 针对多目标优化问题，提出了一种多目标DNA遗传算法。测试函数的仿真研究表明，该算法可以更好的逼近Pareto前沿。
本研究对DNA遗传算法的改进和应用进行了深入的研究，提出了多种新型交叉和变异算子，混合DNA遗传算法、双链DNA遗传算法、混沌DNA遗传算法和多目标DNA遗传算法，并将这些算法应用于化工过程的建模和优化中。
