并行遗传算法收敛性分析及优化

针对并行遗传算法（parallel genetic algorithms，PGA）容易出现收敛过快和陷入局部最优解的问题，综合多种不同进化策略遗传算法之所长，设计了一种混合的粗粒度并行遗传算法。该算法由多个独立的子群体组成，各个子群体并行的、独立的、按照不同的遗传进化策略进化，每隔一定的时间，在子群体之间进行最优个体的迁移，促进群体的共同进化，并抑制群体早熟。在PVM环境下，用该算法实现函数优化问题，仿真实验数据表明了其有效性．     

改进的遗传算法在SVM参数优化中的应用

遗传算法是一种具有随机、高度并行、自适应特点的全局最优搜索技术,即以生物界自然选择和遗传机理为基础的智能计算模型,模拟生物的自然进化过程。文章利用改进的遗传算法优化SVM参数,提高SVM分类器的学习能力和推广能力,实验仿真表明,优化的SVM不仅能高准确地预训练集,而且使分类准确率维持在一个较高的水平。     

遗传算法及其应用

遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索算法，文章介绍了遗传算法的形成发展和基本原理，对其特点、存在问题、研究方向及应用进行探讨。     

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。     

改进遗传复合形算法及其在并行公差优化设计中的应用

提出了一种将遗传算法与复合形算法相结合而构成的遗传复合形算法．在遗传算法初始化之后，用复合形法选出较好的个体，再用遗传算法寻求最优解，并首次将加权制造成本和质量损失成本同时应用到公差并行设计的优化数学模型中．研制出面向公差并行设计的新的优化软件．经过试验验证较以前的算法有较大改进．     

一维全局最优问题的改进遗传算法

遗传算法是一种借鉴自然界生物自然选择和自然遗传机制的高度并行、随机及自适应的搜索算法,该算法对一般的全局最优有良好的鲁棒性。但是,对非线性较强的函数,简单的遗传算法的收敛速度较慢,稳定性差。本文提出了一种新操作：一点交换和两点交换相结合、普通变异和大变异相结合的操作。理论证明和数值计算结果表明,该算法是有效的。     

解病态线性方程组的遗传算法

提出了求解病态线性方程组的一种新方法－遗传算法，这是一种模拟自然遗传和达尔文进化理论的并行随机优化算法，首先，详细描述了遗传算法，然后，为了应用遗传算法，将病态线性方程的求解转化为无约束优化问题来解决，最后，给出计算机模拟结果并与其他方法作了比较。     

遗传算法并行化研究

本文介绍了当前国际计算机科学界的前沿课题之一———遗传计算的基本思想。文章首先分析遗传算法内在的并行性,介绍并行遗传算法的四种模型：主从式模型、粗粒度模型、细粒度模型及混合模型,给出每种模型的特点及适用范围,指出各模型在应用中需解决的关键问题。最后介绍目前对并行遗传算法如何进行评价。     

多宇宙并行量子遗传神经网络人脸识别算法研究

针对传统遗传算法交叉、变异过程过于繁琐和神经网络在极值判断及收敛速度受限等问题,提出了一种并行的量子遗传算法优化神经网络权值的算法.首先引入了量子计算的概念,在量子计算的过程中使用量子旋门实现染色体的训练,然后引入量子交叉克服了早熟收敛现象,避免了遗传算法中繁琐的交叉、变异过程.最后设计实现了并行的卷积神经网络,使用并行量子遗传算法优化了卷积神经网络权值,实现了并行量子遗传神经网络人脸识别系统.实验结果表明,相对于原来的遗传算法,该算法在鲁棒性和实验速度上都有明显的提高.     

遗传算法及其应用

遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索算法.文章介绍了遗传算法的形成发展和基本原理,对其特点、存在问题、研究方向及应用进行探讨.     

基于一种自适应并行遗传算法的网格资源选择策略

网格是在某一单一时间,将网络中众多的计算机资源集中起来共同处理某个单一问题的.而如何有效地从众多的资源中选出多个较优秀的资源是一个NP问题.该文提出一种新的自适应的并行遗传算法（NAPGA）,并对网格资源的选择策略在C+MPI平台上进行了并行模拟.结果表明,该算法不仅有效地避免了过早收敛的现象,而且取得了比改进型的并行遗传算法(NIPGA)更优的搜索结果.最后对遗传算法的搜索和收敛规律进行了一些讨论.     

改进遗传算法求解带不相关并行机的HFSP

以最小化最大完工时间为目标的不相关并行机混合流水车间调度问题。首先建立了不相关并行机混合流水车间调度问题的数学模型;然后提出了改进的遗传算法进行求解。为弥补遗传算法的迭代后期容易陷入局部搜索的缺陷,在传统遗传算法的基础上利用改进的自适应交叉和变异概率因子及模拟退火局部搜索策略,增强遗传算法在迭代后期跳出局部最优的能力。并通过两个案例来验证改进遗传算法的有效性。     

基于分布式并行遗传算法的相对波阻抗反演方法

目的研究地震相对波阻抗反演的优化方法。方法比较遗传算法二进制编码、实数编码在最优个体保存策略、随机均匀分布选择、分散交叉、高斯变异和分布式并行方案下的全局寻优能力。结果实数编码分布式并行遗传算法优于基本遗传算法,用该方法对数值模型和实际地震剖面进行波阻抗参数反演,验证了分布式并行遗传算法的有效性、优越性。结论基于分布式并行遗传算法的相对波阻抗反演,为遗传算法在地震属性的优化研究中提供了一种改进思路。     

基于并行遗传算法的车间作业调度

研究了并行遗传算法在车间作业调度问题中的应用,通过对传统的迁移策略进行改进,给出了运用该算法求解车间作业调度的具体过程。最后给出了计算机仿真结果,与普通遗传算法求得的结果的比较,证明了该算法的有效性和先进性。     

多子群协同链式智能体遗传算法分析

针对遗传算法(genetic algorithm,GA)易出现搜索效率不高和早收敛现象,提出了一种多子群协同链式智能体遗传算法(multi-population agent genetic algorithm,MPAGA)。该算法采用多子群并行搜索模式、链式智能体结构,引入动态邻域竞争和正交交叉等策略,有效提高了算法性能。采用3个复杂多峰测试函数对算法进行优化性能测试结果表明,MPAGA比普通智能体遗传算法有较快的收敛速度,能有效防止早收敛现象。     

改进的遗传算法在多目标物流配送路径中的应用

物流配送路径优化是物流系统设计的关键环节。针对物流配送路径问题复杂性和多约束性,提出一种改进的遗传算法——自适应免疫遗传算法(AIGA)。该算法利用一种新的免疫疫苗选择策略和免疫操作方法,使得优化过程随进化代数自适应改变,结合并列选择法对多目标物流配送路径进行优化,并给出了解决多目标物流配送路径问题的具体步骤。最后通过仿真验证,该算法的计算效率,收敛性都有明显的提高,验证了算法的实用性和有效性。     

Parallel genetic algorithm on PVM

In this paper we describe an implementation of some kinds of parallel genetic algorithms on the PVM. Parallel Virtual Machine, a portable parallel environment. We give details of a genetic algorithm running on many small subpopulations with an occasional identification and exchange of their useful information among subpopulations by means of message-passing functions of PVM. In this work, experiments were done to compare the parallel genetic algorithm and traditional sequential genetic algorithms.     

基于遗传算法优化的机器人非奇异终端滑模控制

六自由度并联机器人是一个强耦合、高度非线性的系统,针对此特性研究了非奇异终端滑模控制方法,为改善其运动品质,结合指数趋近律的思想,给出了系统的控制律.利用李雅普诺夫（Lyapunov）理论验证了存在建模误差和外部干扰时六自由度并联机器人控制系统的稳定性,确保了控制系统的鲁棒性.为了进一步减少滑模控制的抖振,提高系统收敛速度和跟踪性能,采用了遗传算法来优化非奇异滑模面和控制律的参数.仿真结果表明：提出的控制策略参数优化后能使机器人的轨迹跟踪稳态误差趋近于零、系统调整时间短、驱动器控制律平滑,达到了高性能的位姿控制.     

机组组合的扩散并行遗传算法

研究了在细粒度并行机上的扩散并行遗传算法．遗传算法中个体为矩阵个体,选种采用竞争法．并行处理机拓扑结构为三维网格．对一个十机系统的机组组合问题进行了串行模拟,结果表明,当最大遗传代数或并行处理机个数增大时,均可找到更好的解,同时加速比也得以提高,且异步法优于同步法．