求解不可微函数优化的一种混合遗传算法

在浮点编码遗传算法中加入Powell方法,构成适于不可微函数全局优化的混合遗传算法。混合算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率。由于只利用函数值信息,混合算法是一种求解可微和不可微函数全局优化问题的通用方法。     

用Powell方法求解不可微函数

在浮点编码遗传算法中加入Powell方法,构成适于不可微函数全局优化的混合遗传算法.混合算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率.由于只利用函数值信息,混合算法是一种求解可微和不可微函数全局优化问题的通用方法.     

一种改进的全局优化遗传算法

在浮点编码遗传算法中加入Powell方法,构成适于不可微函数全局优化的混合遗传算法。混合算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率。     

解非线性优化问题的混合加速遗传算法

通过在实码遗传算法进化过程中加入改进的步长加速学习算子，并利用实码遗传算法和步长加速法所得到的优秀个体群，作为变量新的变化范围，逐步缩小搜索空间，自动向最优解收缩，提出了求解不可微非线性函数全局解的一种新方法——混合加速遗传算法(HAGA)，给出了HAGA算法实施的详细步骤，建立了HAGA相应的收敛定理。理论分析和实例分析表明，HAGA具有准确、快速和适用性强等特点，是一种既可以较大概率搜索全局最优解，又能进行局部细致搜索的优秀非线性优化方法，可广泛应用于各种不可微函数优化问题中。     

函数优化问题的遗传算法和蚂蚁算法混合算法的研究

本文借鉴蚂蚁算法的进化思想,提出一种求解函数优化问题的遗传算法和最大-最小蚂蚁算法的混合算法。采用遗传算法生成初始信息素分布,利用蚂蚁算法求精确解,该方法能有效地求得全局极值点。     

模拟进化优化方法

本扼要介绍了模拟进化优化方法中的两个分支－遗传算法和进化规则,同时将进化规划与基于梯度的寻优技术有机地结合起来,提出了一种新的全局寻优算法一启发式进化规划,最后给出了数值算例,说明了此类方法在求解组合优化问题以及具有不可微的目标函数或约束条件复杂的非线性优化问题的优越性。     

应用混合优化算法求解一类热传导反问题

热传导反问题具有非线性,不适定性等特点,研究方法很多,但通常方法很难较好地接近全局最优.在遗传算法的基础上,研究了基于遗传算法+梯度法的混合优化算法求解一类热传导反问题.具体介绍依据目标函数如何利用上述的算法寻找最优参数组合.进行了大量仿真实验,结果显示在解决热传导反问题优化问题中,混合优化算法性能优越,具有良好的收敛性和快速性.     

多峰函数优化的混合遗传算法

研究了2种基于最速下降法和遗传算法的求解多峰函数优化问题的混合遗传算法,以Schaffer函数的全局优化问题和收敛概率、平均收敛时间和平均收敛值等评价指标检验了混合算法的性能.结果表明混合算法的性能优于单独的遗传算法或最速下降法,采用随机方式选择局部优化个体的混合遗传算法性能在总体上优于从每代群体中选择适应度高的个体进行局部优化的混合遗传算法.     

基于遗传算法和BP算法的混合算法

本文就函数优化问题,结合遗传算法和 BP 算法的优点,提出一种新的混合算法。该算法既有较快的收敛速度又能以较大概率收敛到全局最优解,数值实验结果表明该算法显著优于遗传算法和 BP 算法。     

单管感应电能传输系统参数全局优化

针对单管感应电能传输系统参数优化中存在的设计参数约束少、参数非全局最优等问题,提出一种参数全局优化算法。将系统效率最高作为目标函数,以原副边电感、电容等关键器件的电压、电流大小为约束条件,将工作频率、原副边电感、电容作为优化变量,建立系统的非线性规划数学模型,采用智能优化算法进行模型解算。为避免算法收敛于局部最优,设计了"遗传算法+模式搜索"的混合算法,即在遗传算法求得最优解的基础上,采用模式搜索进行深度优化。仿真和实验结果表明,提出的方法能从全局角度对系统进行整体优化,单次优化得到所有最优参数,减少了工作量;求解时的混合优化算法具有较优的全局搜索能力,可用于其他约束优化问题。     

基于遗传算法的函数优化拟下降算法

在传统优化算法中嵌入一拟下降步,改善了算法的收敛性质;用遗传算法计算拟下降步,提高了算法的全局搜索能力,又不改变原算法的收敛性．数值计算结果表明,所提出的算法结合了遗传算法和传统算法的优点,是一种可行的解决函数优化问题的混合算法．     

遗传算法与其他智能算法的耦合及其应用研究

遗传算法是模拟自然界生物进化过程与机制求解极值问题的一类自组织、自适应人工智能技术,基于其全局寻优和隐含并行性的特点,在函数优化、自动控制、数据挖掘、机器学习、符号处理等领域都有着广泛的应用。结合函数优化问题、神经网络优化问题、离散时间系统最优控制问题,提出基于遗传算法与其他智能算法的混合算法,数值实验结果表明提出的几种新的混合算法性能显著优于遗传算法。     

基于遗传算法的函数优化拟下降算法

在传统优化算法中嵌入一拟下降步,改善了算法的收敛性质,用遗传算法计算下降步,提高了算法的全局搜索能力,又不改变原算法的收敛性,数值计算结果表明,所提出的算法结合了遗传算法和传统算法的优点,是一种查行的解决函数优化问题的混合算法。     

基于改进遗传算法的神经网络优化

针对在神经网络应用中,存在结构设计及权值训练算法的不足,提出一种新的基于混合编码方案的遗传算法.在算法中设计了用遗传算法全局优化神经网络拓扑结构和网络权值的新的编码方案,改进了适应度函数的设计和采用自适应的交叉和变异方法.试验结果表明本算法能有效地对神经网络的权值和结构同时优化,提高了训练效率.     

基于纯数值函数优化的一种混合遗传算法

通过引入与进化代数相关的交叉概率和与个体适应度相关的变异概率的自适应遗传算子同时把Powell局部寻优算法融入遗传算法的搜索过程构成了一种数值函数全局寻优的混合遗传算法.实验表明混合遗传算法改善了遗传算法的局部搜索能力,有效地解决了遗传算法的早熟现象,显著提高了遗传算法求得全局解的概率.同时由于混合遗传算法中只利用函数值信息,所以该混合遗传算法是纯数值函数的优化的一种通用方法.     

一种优化的细菌觅食算法用以解决全局最优化问题

细菌觅食算法是一种新的智能计算方法,已经被用于解决最优化问题。本文将遗传算法中的交叉,变异操作引入到细菌觅食算法中,加速优化进程,并用于解决函数全局优化问题。先利用测试函数对算法的性能进行了研究,再将该算法对比遗传算法求解测试函数的全局最优值。仿真结果说明,优化后的细菌觅食算法非常有效,能很好解决全局优化问题。     

一种混合遗传算法及其应用

给出一种结合梯度法和正交遗传算法的混合算法。实验表明,它通过对问题的解空间交替进行全局和局部搜索,能更有效地求解函数优化问题。     

基因算法在求解非光滑优化问题中的应用 (三峡地区资源环境生态研究)

本文考虑了基因算法在求解非光滑优化问题中的应用。非光滑优化方法致力于求解目标函数为连续不可微函数的数学规划问题。因为目标函数的不可微性,传统的以梯度为基础的确定性算法在求解非光滑问题时会遇到障碍,所以运用不需要梯度信息而只需要目标函数值信息的遗传算法来求解非光滑问题是一个不错的选择。遗传算法是基于自然界生物遗传变异过程而设计的一种优化算法,它首先对问题的可行解进行编码,编码方法有0-1编码,格雷编码和实数编码,然后运用交叉算子,变异算子和选择算子产生下一代种群。当种群迭代达到一定的次数后,种群中的最优染色体就会收敛到原问题的最优解。本文设计的基因算法基于实数编码,算子分别采用算术交叉算子,非一致变异算子,最佳选择算子。     

二层多目标决策问题的等价变换及其全局优化

针对求解一类二层多目标决策问题,首先将其转化为等价的单目标决策问题,然后利用遗传算法优化的反演性和混沌优化方法的遍历性,并结合精确不可微罚函数求解非线性约束优化问题,提出了求解此类问题的混沌遗传算法.该方法能够有效改善遗传算法的局部搜索能力和搜索精度,求解精度和可靠性较高.实际算例表明是可行、有效算法.     

基于混合优化算法的岩体渗透系数反演方法

基于遗传算法全局搜索能力强和梯度优化方法收敛速度快的特点,考虑渗透系数反演问题本身的特性,在遗传算法的全局搜索过程中加入基于梯度的局部搜索过程以构造混合优化方法.所提出的算法在保证全局搜索能力的同时,具有较快的收敛速度.结合工程实例检验了所提出算法的全局最优性和快速收敛性.