基于三角函数的遗传算法选择算子

遗传算法的选择算子对算法的早熟收敛及算法性能有重要的影响。为避免算法早熟收敛和提高算法性能,提出基于三角函数的选择算子,分析基于三角函数选择算子的可行性,并通过实验比较基于三角函数的选择算子与其他选择算子的性能。实验表明,三角选择算子能有效地避免早熟和提高算法性能。     

八皇后问题所有解的模拟DNA算法

建立了求解八皇后问题所有解的数学模型.根据八皇后问题解的性质提出了7个相关的算子:主转置算子、行翻转算子、列翻转算子、倒置算子、顺旋算子、逆旋算子和倒转算子.给出了等价可行解的概念,并以这7个相关算子为工具研究了等价可行解的性质和八皇后问题解空间的性质.由此给出了求解八皇后问题所有解的模拟DNA算法,并用Mathematica软件进行了实现,并得到了所有的可行解,进而验证了算法的正确性和可行性.     

用于求解TSP问题的遗传算法比较研究

针对基本遗传算法收敛速度慢、易早熟的现象,提出了基于贪心交叉算子的改进型遗传算法,利用贪心思想引导交叉操作,加快寻优速度。利用新算法进行了30城规模的TSP问题求解,并且与基于部分匹配交叉算子和顺序交叉算子的遗传算法进行了比较研究。通过在不同种群大小、迭代次数、交叉及变异概率、代沟等参数设置下对三种算子的性能影响进行深入分析。结果表明:基于贪心交叉算子的改进型遗传算法具有收敛速度快、寻优效率高的特点。     

基于遗传算法的运输问题最优解研究

用表上作业法求解运输问题计算量很大,且收敛速度较慢.本文用遗传算法求解运输问题,通过选择恰当的编码方案和遗传算子,求运输问题的最优解.通过实例说明了基于遗传算法的产销平衡的运输问题及求解过程.     

基于进化规划算法的图像聚类研究

将进化规划算法应用于图像聚类问题,对问题的解进行符号编码,采用群体智能模式实现问题解的搜索.利用进化规划算法的变异算子和选择算子可以有效提高算法的全局搜索能力,采用高斯变异算子保证了优秀解的多样性,降低了进化操作的复杂性.仿真实验证明基于进化规划算法的图像聚类算法具有可行性和准确性.     

一种改进的遗传算法求解TSP问题

提出一种基于顶点的候选表进行交配的遗传算法(Candidate Crossover Genetic Algorithm,CCGA)求解旅行商问题(TSP).遗传算法(GAs)是一种广泛使用的全局优化算法,并且已经成功地用于求解TSP.但是传统的遗传算法的交配算子缺乏指导性和启发性,交配算子随机的选择父体基因进行交配,导致GAs求解速度慢、解的精度不高等不足.通过分析TSP问题本身的特征,给出了一个使用已有的邻接边的信息和路径信息生成顶点的候选表,然后基于顶点的候选表进行交配的交配算子,使用该交配算子的遗传算法在求解TSP问题时性能上得到了很大的提高,通过TSP Lib上的测试样例将该CCGA和传统的遗传算法进行比较.比较结果表明CCGA具有更大的优势,它能使算法求解到近似最优解和最优解只存在很小的偏差.     

排列序编码的遗传算法性能分析及应用

以背包问题为模拟实例，考察基于排列序编码的演化算法的性能，我们发现，如果问题的编码不具有结构性，此时求解的质量由个体在解空间的分布情形决定；在种群规模偏小的情形下，交叉算子的作用不容忽视，而在大规模种群的情形下，交叉算子的作用有限，变异算子应该在算法中占主导地位，这样能保证算法具有平稳的在线性能，可以应用于系数时变的优化问题的求解，对演化算法的实际应用具有一定的指导意义。     

求解MSA问题的新型遗传算法

为了克服传统遗传算法求解MSA问题速度慢的缺点,提出了一种新型自适应遗传算法,不使用交叉算子,只使用变异和选择算子,提出了在算法初始化时引入种子的策略,用星比对算法生成一个种子,保证了解的质量,使用灾变算子来确保算法的搜索能力,该算法模拟了自然界进化的周期性,较好地解决了群体多样性和收敛深度的矛盾。     

基于混合蚁群遗传算法的SAT问题求解

根据SAT问题的特点,通过分析传统蚁群算法和遗传算法在求解SAT问题上的不足,提出一种基于混合蚁群遗传算法的SAT问题求解方法。给出一种新的初始解的生成方式;在迭代过程中,根据较优解的累积信息提出进化算子;利用当前得到的最优解,通过改变不满足子句中文字的取值,增加变异算子。最后选取标准测试集中的20个实例对算法进行测试,实验结果表明:改进后的算法通常仅通过较少次数的迭代就能找到解,能够有效避免蚁群算法和遗传算法过早收敛的缺点,具有较强的寻优能力。     

基于自适应选择算子遗传算法的TSP问题优化

轮盘选择方式往往能保证算法的全局收敛性,但收敛速度较慢,而锦标赛选择方式收敛速度优于轮盘选择方式,但不能保证算法的全局收敛性．选用轮盘选择和锦标赛选择相结合自适应选择算子的遗传算法。并优化TSP问题求解,则可以调整收敛速度,避免被动式搜索．     

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。     

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.     

混沌理论在遗传算法中的应用研究

为了提高遗传算法的搜索能力和效率,将混沌理论引入到遗传算法中。利用Logistic方程构造混沌算子,形成混沌遗传算法。通过实验对混沌算子和杂交算子、变异算子的性能进行了比较,实验数据表明混沌算子具有良好的遍历性。将混沌遗传算法应用在旅行商问题中进行性能检验,结果表明:和标准遗传算法相比,该算法的性能和稳定性都有较大提高。     

遗传算法的多样性与收敛性

从遗传算法的选择算子研究多样性和收敛性对求解速度和质量的影响. 通过遗传算法解决TSP问题, 介绍了具有多样性的轮盘赌算子和具有收敛性的标准锦标 赛算子, 在综合考虑多样性和收敛性的基础上, 通过改进提出保留上代锦标赛算子和新锦标赛算子, 并得出结论, 增加其多样性, 会使收敛速度变慢; 加快其收敛速度则会破坏其种群多样性, 从而影响在限定的代数内找到最优解的机会, 并影响最终解的质量. 为更好地解决实际问题, 需折衷考虑多样性和收敛性.     

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。     

一种求解TSP的高效遗传算法

根据TSP适应度地貌特征,通过将传统的反转变异算子(Simple Inversion Operator,SIM)与插入变异算子(Insertion Operator,IM)进行组合,设计出了一种可变邻域搜索的复合变异算子(Greed Invert-Insertion Operator,GIIM)。在此基础上,结合常规的部分匹配交叉(PartiallyMatched Crossover,PMX)与带有精英策略的退火选择,构造出了一种求解TSP的高效遗传算法(SEGA)。仿真测试表明,提出的算法不但具有很强的全局搜索能力,且收敛速度快;其测试结果与最新文献和国际标准测试库TSPLIB中的最优路径相比,或相同或更优。     

对常用选择算子的分析

讨论了最能体现遗传算法“自然选择、适者生存”特点的选择算子 ,给出了在传统的基于适应值比例的选择算子作用下染色体的变化规律及极限性能 ,同时也指出了此类选择算子的一些不足之处 .还给出了一类改进的基于适应值大小顺序的选择算子对染色体数量的影响方式 ,说明了其优越性 .讨论结果表明 ,今后可以更进一步改进和完善选择算子 ,提高遗传算法的性能 ,从而扩大遗传算法在各个领域的应用     

单亲遗传算法进行树状管网优化

树状管网布置优化属于典型的组合优化问题。针对树状管网布置的特点，以图论和遗传算法为理论基础，应用改进遗传算法——单亲遗传算法进行树状管网优化，并设计了相应的适应度函数、单亲换位算子和逆转算子，且算法的寻优效率较高，收敛性和稳定性较好。