基于混沌迁移策略的多种群差分进化算法

针对差分进化算法全局寻优效率偏低的弱点,提出了一种基于多种群的混沌迁移策略,用以改进常规差分进化算法。该策略通过在多种群并行进化过程中引入混沌迁移序列,引导个体进行种群间的迁移。利用混沌的遍历性和随机性,保证子种群之间能够进行充分高效的信息交换。仿真实验和PID控制参数优化应用表明:该算法具有很强的全局搜索能力,寻优效率高,有效地克服了基本差分算法的早熟收敛问题。     

一种克服遗传算法早熟的参数调整及并行方法

遗传算法是一种自适应全局优化概率算法，容易产生早熟（过早收敛）现象，影响了问题的求解，本试图借助于多种群进货和种群间个体移植的概念，通过自适应控制参数的调整，利用移植并行的方法求出问题的最优解（或近似最优解）以使避免早熟，从而提高算法的搜索范围和效率。     

多种群并行的自适应差分进化算法

为了提高搜索速度,同时克服传统算法过早陷入局部最优值的不足,提出了一种改进自适应差分进化算法.改进算法在充分分析经典和改进变异操作算子的属性以及种群统计信息的基础上,按照个体适应度的差异,将个体分成不同的子种群并相应地引入与之匹配的变异算子,转换成一个多种群并行的优化问题,保证在加快算法收敛速度的同时有效跳出局部极值点...     

一种基于杂交机制的改进的双子群粒子群优化算法

为了克服粒子群算法的早熟收敛问题和易陷入局部最优问题,本文提出了一种新的基于双子群的改进粒子群优化算法,通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围,并借鉴杂交机制,使搜索速度更快,收敛精度更高。再采用自适应惯性权重的粒子群算法,根据种群的进化状态来动态调整惯性权重。     

一种连续探索型自适应遗传算法及其应用

对经典遗传算子中的交叉算子和变异算子进行了重新设计，提出了一种连续探索型自适应遗传算法。该算法能够根据种群进化情况，动态地调整遗传算子，维持种群的多样性，克服过早收敛并加快了搜索速度，得到高品质解。将该算法用于最短路径求取中，仿真结果证实是合理的和有效的。     

动态小生境遗传算法在多模函数优化中的应用

提出一种基于动态小生境技术的自适应遗传算法．算法的进化过程中，通过物种的辨识和保存过程确定小生境的峰值，引入个体趋向于高适应度的方向这一控制参数控制搜索的方向，采用自适应调整种群距离的方法控制搜索的范围，大大提高了搜索效率．仿真试验表明，该算法能够很好地保持解的多样性，同时具有很高的全局寻优能力和收敛速度，适合求解复杂多峰函数优化问题．     

动态参数调整的多策略差分进化算法

针对差分进化算法在处理函数优化问题时存在的收敛速度较慢和过早收敛的问题,提出了一种动态参数调整的多策略差分进化算法.先将种群随机分为3个独立的子种群,分别采用3种不同的变异策略来避免种群陷入局部最优,并通过动态参数调整机制提高算法的收敛性能.经过一定代数的进化后,将种群中的优秀个体进行择优保留.采用CEC2005的25个标准测试函数对算法进行仿真,实验结果表明,新算法能够有效避免过早收敛,具有较好的优化性能.     

改进差分进化算法及其在发酵优化中的应用

针对发酵过程的补料优化问题,提出一种改进的差分进化算法.为了克服基本差分进化算法在全局最优点附近搜索速度较慢、精度较低的缺点,引入单纯形加速算子以提高算法收敛速度,而针对算法易过早收敛的缺点引入混沌迁移算子,以提高算法种群多样度,增强算法跳出局部最优解的能力.对于有约束优化问题,利用3个准则进行选择操作,使求得的最优解满足约束条件.将改进的算法用于某一类补料分批发酵过程,提高了发酵最终产物产量,表明了该算法的有效性.     

一种基于反向学习和伯恩斯坦算子的差分进化算法

差分进化(differential evolution,DE)算法是一种种群随机搜索算法,但其在收敛过程中存在着容易陷入局部最优、收敛精度不高等问题.为更好地提升DE算法的性能,提出一种改进算法为基于反向学习和伯恩斯坦算子的差分进化算法.反向学习策略用于增加种群的多样性,扩大种群的搜索范围,从而弥补陷入局部最优的不足,...     

动态调整信息素的蚁群算法

对蚁群算法提出了一种动态调整信息素的进化策略，以改善和提高算法的性能。不仅能够加快收敛速度，节省搜索时间，而且能够克服停滞行为的过早出现，有利于发现更好的解．这对于求解大规模的优化问题是十分有利的．     

求整体优化全部解的区间排除遗传算法

为了改善单纯遗传算法中的模式欺骗和早熟现象,应用区间算法和遗传算法的理论、方法构造了一种区间排除混合遗传算法,并采用二阶Lipschitz扩展作为检验极值的条件,用计算实例验证了本算法在一类整体优化问题中具有收敛到全部解的优良性能,检验条件简单、容易实现,明显提高了收敛的速度、可靠性,很好地解决了模式欺骗和早熟现象.     

求解0/1背包问题的自适应遗传退火算法

针对标准遗传算法易早熟收敛以及收敛速度慢的问题,提出一种自适应遗传退火算法用于解决高维约束优化问题.该算法采用轮盘赌和最优保存策略相结合的选择机制,并结合自适应交叉、变异概率,继而引入模拟退火算法,加快迭代后期算法的收敛速度.最后,比较了标准遗传算法和自适应遗传算法的实验结果,证明了自适应遗传退火算法在0/1背包应用中的高效性和精确性.     

粗粒度并行遗传算法收敛性分析及优化运算

提出了一种新型的粗粒度并行遗传算法(CGGA)，该算法利用多个子种群基于不同的编码方式进行进化计算．首先各子群体独立进行交叉、变异和选择遗传操作，每代进化后迁移算子被引入用来进行种群问的信息交流，迁移算子将各个子种群的最优个体替换相邻种群最差个体后继续进化．基于时齐遍历马尔可夫链理论，给出了CGGA各个子种群的概率转移矩阵与其进化概率转移矩阵，证明了以概率1全局收敛．对典型的测试函数CGGA进行了求解．仿真结果表明，本算法的收敛性能优于经典遗传算法(CGA)，可以有效解决CGA的过早收敛问题．     

优劣复取舍遗传算法

为加快遗传算法的收敛速度 ,满足优化控制实时性的要求 ,对遗传算法的机理进行了研究 ,提出了遗传算子操作结果的优劣复取舍原则。并以此原则为基础 ,经过改进 ,加入调整适应度、动态调整变异概率和局部优化等方法 ,形成了优劣复取舍遗传算法。理论分析和实例计算结果表明 ,该算法能有效消除遗传算法本身带来的局部极值点 ,解决成熟前收敛的缺陷 ,与其它算法相比 ,具有收敛速度快、寻优能力强等特点。     

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.     

基于生物入侵思想的自适应遗传算法优化

为了改进遗传算法的性能,针对标准遗传算法存在的早收敛及稳定性差的缺点,分析这一问题的原因及应对措施。选择使用基于生物入侵思想的自适应遗传算法进行优化,根据种群的实际情况对交叉概率、变异概率及入侵概率进行动态调整,使算法具有更好的鲁棒性。通过对标准遗传算法、自适应遗传算法、改进的自适应遗传算法和基于生物入侵思想的自适应遗传算法进行仿真验证得知,优化后的算法具有更好的适应度曲线,表明其能够有效的克服不成熟收敛,具有更快的收敛速度及更好的的稳定性。     

混沌遗传优化算法及其程序研制

为了解决传统遗传算法的早熟问题 ,首次提出了混沌移民算子 .利用混沌迭代的遍历性和内在随机性 ,通过混沌移民操作可克服传统遗传算法中的近亲繁殖问题 ,确保算法的全局收敛性 .用MATLAB语言研制了混沌遗传优化算法软件ChGA1.0 ;数值计算表明 ,该算法的全局收敛性及算法本身的鲁棒性好 ,适应于求解连续变量的无约束及有约束优化设计问题 ,具有工程实用价值 .     

遗传算法的新改进--扰动式遗传算法

针对基于二进制编码遗传算法的精度低及二进制编码所带来的早熟等问题提出了一种新的改进方案--扰动式遗传算法(简称DGA),该方法通过对搜索区域进行微小的扰动而实现不同群体之间的竞争来提高算法的搜索性能.改进后的算法在提高精度的同时能够达到全局收敛,并能有效地处理多极值问题.对改进的算法进行了性能分析并用典型函数进行测试,结果表明,改进的效果较为显著.     

改进ST-GA遗传算法在多目标运输问题中的应用

在解决多目标运输优化问题的基于生成树的遗传算法（st-GA）中融入了NSGA-Ⅱ算法,提出了一种新的生成树遗传算法（NSST-GA）,新算法利用NSGA-Ⅱ中的策略来保持解群体的分布性和多样性,采用精英保留和擂台法来进行遗传选择,算例结果表明新算法提高了收敛速度,防止了早熟收敛,较好的保持了种群多样性和算法的稳定性．     

综合遗传算法及其在地震波阻抗反演中的应用

为了有效地克服非线性、多参数、多极值的组合优化问题中遗传算法的早熟收敛现象,引入生物的小生境技术和自然界生物多种杂交方式并存、多个子群体并行以及灾变现象而提出了一种综合的快速基因搜索策略。该算法以多个子群体不同杂交方式并行搜索为主,并结合排序配对的受限交配技术和灾变算子等方法来实现快速的寻优过程。对地震资料波阻抗反演的理论模型试验表明:该算法的收敛能力和计算效率有了明显改善。