改进遗传算法求解有时间窗车辆路由问题

为了有效求解带有时间窗的车辆路由问题,在标准遗传算法的基础上,引入两代竞争近距淘汰选择算子,用欧氏距离来判断个体之间的距离作为个体的相似程度,相似程度高且适应度差的个体被淘汰,并辅以循环交叉算子和插入变异算子,构造出了一种改进的遗传算法.仿真实验表明,改进的算法在迭代过程中能有效保持群体的多样性,避免出现早熟现象而陷入局部极值点,提高遗传算法的内在并行性.同时通过竞争淘汰,使局部搜索能力得到加强,加快了搜索速度.改进算法所计算出的结果优于用轮盘赌和自适应选择作为选择算子的遗传算法的结果.     

改进交叉算子和变异算子抑制GA算法早熟

分析了传统遗传算法早熟收敛的主要原因,提出了一类改进的遗传算法。通过引入个体相似度,改进传统的交叉算子,避免了近亲繁殖现象,采用二元变异算子替换传统变异算子。仿真结果表明该改进算法有效地提高了全局搜索性能和收敛速度。     

一种改进的遗传算法在测试用例中的应用研究

测试用例的自动生成是软件测试的重要环节,其关键问题是路径搜索问题,遗传算法作为一种高效的搜索寻优算法被广泛应用到测试用倒中。该文提出一种改进的遗传算法,对选择算子和交叉算子进行改进,把传统遗传算法和最优保存策略相结合,提高遗传算法的局部搜索能力。研究表明,该算法比传统遗传算法在生成测试用例的效率方面更具优势。     

基于细分变异算子策略的遗传算法

针对基本遗传算法局部搜索能力不强以及早熟的问题,提出基于细分变异算子的遗传算法(Genetic Algorithm Based on Subdividing Mutation,SMSGA).SMSGA将变异算子依据进化历程分成大步前进算子和最优调教算子.大步前进算子防止遗传早熟现象的发生;最优调教算子加强局部搜索的能力.同时,为加快算法收敛速度,对遗传操作实施策略进行优化,引入了路由选择操作.选用3个典型的测试函数在MATLAB平台中对该算法与基本遗传算法以及采用双变异率的改进遗传算法进行比较分析,结果表明,SMSGA可以有效的避免遗传算法中存在的局部搜索能力差和早熟现象的出现.     

利用改进的遗传算法求解非线性方程组

提出一种改进的求解非线性方程组的浮点遗传算法,算法通过把非线性方程组的求解问题转化为约束优化问题,然后将局部搜索信息引入遗传算法,通过改进的变异算子不断调整搜索区域,最终搜索到含有最优解的区域,再利用局部搜索信息提高解的精度.数值实验结果表明,改进后的浮点遗传算法具有较好的全局优化能力和局部搜索能力,且提高了求解的速度和解的精度.     

基于改进遗传算法的前向神经网络

针对遗传算法的主要算子———交叉算子 ,设计了新的交叉算子 ,使个体尽可能地分散在整个解空间 .在具体交叉操作中 ,产生随机个体参与交叉以更好地搜索新的解空间 .并提出了组合变异策略 ,假如对变异后个体隔代保护策略 ,构造了一个有效的改进遗传算法 .利用该改进遗传算法 ,构造了前向进化神经网络 .它综合了改进遗传算法优良的全局寻优性能和前向神经网络的非线性映射能力 .     

小生境遗传算法的改进

为了避免小生境遗传算法存在的早期成熟和陷入局部极值点等问题,提出了一种改进的小生境遗传算法.该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,并在变异量的确定上引入了梯度的概念.通过在Shubert函数的全局最优化问题上的验证,并与常规遗传算法和小生境遗传算法比较,改进后的算法提高了搜索速度,能有效跳出局部极小值,并搜索到全局最优值.     

一种基于混合遗传算法的有源噪声控制方法

提出了一种基于混合遗传算法的格型IIR滤波器结构的有源噪声控制方法.混合遗传算法将遗传算法与随机搜索算法结合起来,可以改善基本遗传算法的局部搜索能力,克服基本遗传算法存在未成熟收敛问题.本文选择UNDX交叉算子作为遗传算法的主要算子,在保留当前最佳个体的同时,再对该最佳个体用随机搜索法搜索优化个体.这样既保证了算法的全局收敛性,又提高了收敛速度.仿真结果表明,该算法可以有效地实现噪声控制.     

基于改进粒子群算法的优化策略

为提高传统粒子群算法的搜索速度和搜索精度,提出了一种改进的自适应粒子群优化算法.将正则变化函数和慢变函数引入传统位置更新和速度更新公式当中,形成两种新的更新机制:搜索算子和开发算子.在算法运行的初始阶段,种群中大部分个体将按照搜索算子进行更新,搜索算子将有助于种群遍历整个解空间;随着迭代次数的增加,按照搜索算子进行更新的个体将逐渐减少,而按照开发算子进行更新的个体将逐渐增多,开发算子将有效地克服陷入局部最优解的问题.通过典型测试函数的仿真实验,新算法在加快收敛速度同时,提高了算法的全局搜索能力.     

遗传算法中的加速进化技术

自20世纪80年代以来,遗传算法在工程优化领域获得了广泛应用,遗传算法对数学模型要求不高,具有一定的隐性并行性,能同时在搜索空间大范围搜索,因而不易陷入局部最优解,然而,在实际应用中发现,仅有交叉算子和变异算子的传统遗传算法,局部搜索能力不强,容易出现种群早熟,进化结束时往往收敛到最优点附近而达不到全局最优点,为此借鉴了传统优化方法中的搜索技术,开发了几种算子用以强化遗传算法的局部搜索能力。算例表明,这几种算子能提高遗传算法的搜索性能,不论是搜索效率还是解的质量均有所提高。     

求解TSP的改进遗传算法

遗传算法是求解旅行商问题的一种全局优化概率搜索算法方法,文中针对遗传算法较快的找到最优解并防止"早熟"收敛问题,提出了一种新的分级方法,该方法在各级中以群体当前最优个体替代各级中的最差个体,并在各级中采用自适应变异概率,改进后的遗传算法不但有效的维持了群体的多样性,而且提高了收敛速度,最后实验表明,改进的算法是可行和有效的.     

改进的遗传算法求解TSP

阐述了一种针对TSP问题的改进遗传算法。引入了局部优化搜索算法。加快了算法的收敛速度。减轻了初值对结果的影响。加入了改进的OX交叉算法,在交叉中合理保留了优秀个体基因的排列顺序。利用精英复制保留了优秀基因。维持了种群个体数目稳定。提出了一种新的变异算法,有效避免了路径重复,减小了运算量,提高了运算速度。     

基于IGA的多层神经网络BP算法及在系统辨识中的应用

本文针对用GA训练NN权值时 ,花费的代价随精度的提高而剧烈增加的缺陷 ,提出了一种利用IGA较强的全局搜索能力和IBPA较强的局部搜索能力的结合算法 ;先利用IGA优化多层前馈神经网络的权值 ,然后再用IBPA提高搜索精度 ,有效地避免了IBPA易陷入局部极小点和IGA过早收敛的缺点 ,实验结果表明 ,此算法是有效的     

基于改进自适应乌鸦搜索算法的无源定位

为解决利用时差(time difference of arrival,TDOA)信息无源定位计算困难的问题,引入乌鸦搜索算法(crow search algorith,CSA),针对该算法易陷入局部极值,提出一种改进自适应乌鸦搜索算法(adaptive crow search algo-rithm,ACSA).综合考虑随进化代数增加种群的整体变化,平衡算法迭代过程中的全局搜索能力与局部寻优能力,设计一种自适应感知概率模型,使算法在初期保留较多优良个体,保证种群多样性,避免局部最优,在后期快速收敛.理论和仿真结果表明,改进算法精度优于Taylor算法及其他同类型算法,收敛速度也有显著提高,同时算法还具有高精度、鲁棒性等优点.     

改进的遗传算法在优化设计中的应用

针对实际机械优化设计中大量的非线性规划问题,提出一种改进的遗传算法.在对单纯形搜索与算术交叉思想进行分析的基础上,将二者相结合,提出了改进的交叉算子以提高遗传算法的局部寻优能力,将种群逐步向极值点引导,实现算法的快速寻优.同时,为了更好地引导非可行个体趋近可行域,改善解的可行性,将惩罚策略与修复策略相结合提出修复算子,对不可行解进行修复操作,加快个体趋近可行域的速度,提高算法搜索效率以及对非线性约束的处理能力,从而达到改善算法整体性能的目的.实际机械工程优化设计问题的应用研究验证了这种方法的有效性.     

一种融入小生境技术的遗传禁忌算法

针对遗传算法在全局优化问题中容易出现早熟和收敛速度慢,禁忌搜索强烈依赖于初始解等问题,根据遗传算法和禁忌搜索算法自身的特点,分析两者的优势和不足,提出了一种融入小生境技术的遗传禁忌算法.该算法采用融入了小生境技术的遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优.分析和实验结果表明,该算法能很好地抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法.     

改进免疫遗传算法用于图像阈值分割

在图像阈值分割中,基于遗传算法的分割方法存在着运行速度慢、易形成未成熟收敛等缺点.针对这一问题对其进行了改进.改进的免疫遗传算法在免疫算子中引入疫苗接种机制,极大地提高了收敛效率,对交叉概率和变异概率进行了改进,避免了局部收敛,以保证改进算法能收敛到全局最优值.实验结果表明,改进的免疫遗传算法比传统的算法提高了运行效率,解决了全局搜索不收敛和局部搜索不到最小值的问题,并具有更好的收敛稳定性.     

求解约束优化问题的一种新的进化算法

分析了现有的约束优化进化算法的一些不足之处，提出了一种处理约束优化问题的新算法。新算法将多目标优化思想与全局搜索和局部搜索机制有机地结合起来；在全局搜索过程中，作为一种小生态遗传算法，排挤操作利用Pareto优劣关系比较个体并接受具有相似性的父代个体和予代个体中的优胜者；在局部搜索过程中，首先对局部群体中的个体赋予Pareto强度，然后根据Pareto强度选择个体。通过一个复杂高维多峰测试函数验证了新算法的有效性。