基于网格和排序的自适应遗传算法及其性能分析

提出了一种改进的自适应遗传算法.它使网格法思想在二进制编码表示个体的情况下得以实现，因此保证了初始种群内个体的遍历性和多样性；其遗传算子由个体在种群中的排序位置自适应地决定.该算法能维持种群内个体在各个运行阶段多样性，加快种群收敛速度，克服遗传算法早熟现象.几种典型的多峰函数优化结果证明该算法的有效性和实用性.     

基于宗族进行裂变选择的自适应遗传算法

提出了一种改进的自适应遗传算法,在选择算子中引入裂变选择的思想,避免种群中超级个体的出现,维持了种群的多样性。该算法改造了交叉算子和变异算子,提高了算法的收敛速度,避免早熟。同时,提出了在宗族中构造子代种群的思想,提高了算法的寻优效率。仿真函数优化的结果验证了该算法能有效地维持种群的多样性并迅速找到最优解。     

带混合算子的自适应遗传算法的收敛性研究

针对标准遗传算法存在搜索效率不高以及过早收敛的问题,利用自适应遗传算子提高算法的优化性能,并结合混合算子增加种群的多样度,设计了一类带混合算子的自适应遗传算法,给出了该算法的具体实施步骤,利用Markov链理论研究了该算法的收敛性问题,并通过模拟实验分析了该算法的性能。实验及分析表明,该算法切实可行,可操作性好,具有一定的通用性。     

深基坑支护工程中遗传优化算法的设计

根据深基坑支护工程优化设计的特点，提出一种深基坑支护工程的数学模型和遗传优化算法设计方法。该设计方法充分考虑了遗传算法中的一般处理步骤、个体编码机制、基于可行发方案的初始种群的生成、个体的评价及修正算子等因素。运行实验表明，该算法具有较好的有效性和稳定性。     

一种混合粒子群优化算法在TSP中的应用

针对TSP,提出一种混合粒子群优化算法IHPSO,将种群划分成若干子种群,在子种群内部实施遗传策略。算法在PSO-GA的基础上,引入克隆免疫机制,通过计算粒子间的亲和度来进行复制和变异,从而保留最佳粒子和改进较差粒子。算法中设计了克隆算子、交叉算子、自适应变异算子和抗体重组算子等4个算子。通过实验比较,用所提出的混合粒子群优化算法求解TSP在收敛速度、全局搜索能力和最优解结果上都较优。     

遗传算法交叉算子的分析

交叉算子是遗传算法中最主要的遗传算子，对种群的搜索性能起着重要的作用。作者就维持种群多样性的角度，提出了有效交叉位置距和有效交叉点的概念，并分析了随交叉点位置不同一点交叉、两点交叉和一致交叉之间的关系，对3种交叉算子各自的搜索空间及交叉算子对模式的影响进行了分析，并给出了一些重要结论。通过函数优化验证了新交叉算子的有效性。     

改进DNA遗传算法求解非线性多约束规划研究

基于生物DNA信息遗传机理及生物进化规则,给出一种基于DNA编码方法的改进遗传算法,以求解非线性多约束规划问题,原始的选择算子和交叉算子分别被改造为动态选择算子和基因传递算子;算法中还加入了一个新的算子——淘汰算子,分析及算法仿真结果表明,本算法可有效求解该问题。     

一种改进的遗传算法在TSP问题中的应用

为了解决旅行商(TSP)不能够在多项式时间内求得最优解的问题,从仿生学的角度入手,重新设计了从问题域到算法域的编码和解码方法,应用"排列法"来初始化种群;并设计了两种染色体操作算子:顺序交换算子和合法交叉算子,保证了种群在进化过程中染色体的合法性;在种群进化选择方面,设计了一个新的更加仿生的选择算子——"灾难算子",并与经典算法的"轮盘赌"选择法相结合,作为改进算法的选择算子,进一步提高了算法的收敛速度。实验表明,改进后的遗传算法能更准确地找到最优解。     

基于相对下限的遗传算法

使用一种新的重组算子和适值函数尺度变换，提出了基于相对下限的遗传算法，并理论分析了该算法的收敛性。实验表明，该算法能较好地平衡种群多样性和选择压力的关系。     

一种改进的多种群遗传算法

提出了一种基于物种方程和Kriging算子的多种群遗传算法.该算法中,将物种方程中的参数作为设计变量进行实数编码,物种方程作为一种修正的算术交叉算子参与遗传操作;同时,加入Kriging算子和移民算子,增强算法寻优能力,加快收敛.数学算例表明,改进的算法在计算效率和精度上都有明显的提高.     

Memetic算法及其在分类中的应用研究

群体智能优化算法Memetic算法(Memetic Algorithm,MA)采用进化算法的操作流程,引入局部搜索算子,使其在问题的求解中保证较高收敛性能的同时又能获得较高质量的解,克服了遗传算法等传统全局优化算法易"早熟"的问题,同时避免陷入局部解。在MA框架基础上,提出了全局动态适应MA算法,采用遗传算法为全局搜索算子,k-means算法为局部搜索算子。使用Java语言实现算法并对UCI中分类实验数据集进行测试,结果表明,将遗传算法和k-means结合的全局动态适应MA在分类问题中具有较高准确率。     

基于改进的自适应遗传算法HCGA的测试数据自动生成

针对软件测试数据的自动生成,提出了一种自适应遗传算法和爬山算法相结合的改进算法HCGA. 通过设计自适应交叉和变异算子,加强了遗传算法的前期全局搜索能力;在进化后期嵌入了爬山算法,提高了局部搜索能力. 实验结果表明,该算法在测试数据的自动生成上优于遗传算法,提高了效率.     

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.     

具有禁忌算子的遗传算法目标优化分配

针对地面防空作战中的多通道目标优化分配问题，给出了一种具有禁忌算子的混合遗传算法。该算法结合禁忌搜索算法和遗传算法二者的优点，既克服了禁忌算法全局搜索能力的不足，又提高了遗传算法的爬山能力，还解决了遗传算法容易陷入局部最优的问题，并使搜索过程具有记忆功能。仿真结果表明，该算法可有效给出求解多通道目标优化分配问题的满意解。     

用遗传-禁忌搜索混合算法求解组合投资问题

提出了一种基于遗传算法和禁忌搜索的混合算法,用遗传算法提供并行搜索的主框架,用禁忌搜索作为遗传算法的变异算子.遗传算法中变异过程解空间的搜索由禁忌搜索实现,并且用混合算法求解了概率准则意义下的组合证券投资模型.实例证明,遗传/禁忌混合算法有较强的爬山能力,较遗传算法有更高的计算效率,为组合证券投资者提供了一种高效的决策方法.     

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。     

遗传算法的扰动执行策略

从避免遗传算法陷入局部极优的角度,在分析遗传算子特性的基础上,提出了一种扰动执行策略,对交叉算子产生的新个体施加随机扰动,防止性能增益过小的个体模式在下一代中大量增长,有效保持了种群的多样性,从而使算法可以克服早收敛现象,实现全局搜索,并利用马氏链模型证明了算法的分布收敛性。经实验仿真验证,效果较好。     

“机器人”路径改进型单亲遗传算法规划及其仿真

在中国机器人大赛"机器人游中国"比赛项目的路径规划基础上,为克服遗传算法在有约束组合优化问题中计算效率不高的问题,提出了改进的单亲遗传算法.该算法在传统单亲遗传算法的计算步骤中,引入了交换算子、提前算子和修复算子,较大程度地提高了单亲遗传算法的搜索效率.Matlab仿真试验表明,改进的单亲遗传算法计算效率和路径规划能力得到大幅度提高.     

基于相似个体拥挤与Fibonacci法的遗传算法

由于传统遗传算法在应用中会出现"早熟",局部寻优能力较差,求解结果精度不高等缺点,提出了相似个体排挤方法和Fibonacci算子,给出了用相似个体的拥挤与Fibonacci算子相结合的改进遗传算法.数值仿真表明改进后的算法优于传统遗传算法和当前一些改进遗传算法,提高了遗传算法的局部搜索能力和收敛速度,并且能以较大概率搜索到优化问题的全局最优解.     

最优家族遗传算法

从种群规模和个体空间的角度分析了影响遗传算子性能的因素，在遗传算法(GA)的基础上设计了一种搜索区域可变、群体规模可变的最优家族遗传算法(OFGA)，该算法提出了在优良解附近构造最优家族，最优解搜索将在这个微型空间中进行，在有限的时间内搜索到更优基因的家族将获得生存的权利．由于每一个家族的搜索区域大幅度减缩，伴随着种群规模的减缩，因此提高了算法的收敛速度，家族个体空间大小不变提高了解的精度．最后，给出了3个典型函数的模拟例子，通过与GA的对比结果看到，OFGA在数量级上提高了收敛速度，使最优解的精度也有很大提高，说明新的算法具有应用的潜力。