无定向拓扑连接的并行遗传算法及其变异算子改进

为解决巨量优化问题,在Internet平台下为并行遗传算法提出一个新的拓扑结构———无定向拓扑连接。该拓扑连接既允许驻留子种群的计算机节点中途退出,又允许新的计算机节点随时参与进化,增强了算法的鲁棒性和容错性能。针对传统浮点变异算子的不足,提出一种新的二元浮点补码变异算子,讨论了它在克服早熟收敛方面的作用。实验表明,提出的算法能显著提高寻优质量,节约寻优时间;新的变异算子能有效阻止遗传算法陷入局部极值,进一步提高了遗传算法的寻优能力。     

一种求解函数优化的混合差分演化算法

为了解决传统遗传算法易陷入局部最优解的问题,在多父体杂交算法和差分进化算法的基础上,提出了混合差分演化算法.该算法的核心在于,采用多父体杂交算子保证算法的遍历性,通过淘汰相同个体来保持群体的多样性,并以较小概率随机选取部分个体进行差分进化操作,从而充分利用最优个体的信息达到了加快收敛速度的目的.对复杂函数的寻优实验验证了混合差分演化算法的有效性.     

解决位置管理问题的混沌混合差分进化算法

位置管理问题是移动计算环境中的一个重要问题.提出了一种解决位置管理问题的混沌混合差分进化算法,给出了将浮点编码的种群个体映射为问题解的方法,给出了解决标准差分进化算法早熟收敛问题的混沌搜索算法.仿真结果表明,混沌混合差分进化算法能有效解决移动计算中的报告小区规划问题,且算法的搜索质量优于遗传算法、禁忌搜索算法、蚁群算法和传统差分进化算法.     

基于信息熵对遗传算法中杂交概率的研究

针对现有杂交概率的计算方法复杂且不利于种群摆脱局部优现象,提出了基于信息熵的杂交概率计算方法。利用种群熵和种群方差来分析杂交算子在种群进化中的作用,充分考虑了种群的整体情况和进化潜力,从而确定杂交概率的计算,以更好地控制遗传算法的进化过程。数值实验表明,新提出的杂交概率计算方式不仅便于求解,而且能有效地增强算法的稳定性、全局收敛性,加快算法收敛速度,使算法易于摆脱局部优现象。     

一种新型保持种群多样性的遗传算法

针对遗传算法的“早期收敛”或“遗传漂移”，本文提出了一种新型保持群体多样性的遗传算法。该算法利用种群的熵和个体基因座的多样度来测度进化中种群的多样性，并将遗传操作与种群多样性联系起来，建立了遗传操作与种群多样度之间的函数关系式，使遗传算子中的主要参数能够随多样性函数和适应度函数的变化而自适应调整，从而提高了进化中种群的多样性和算法的搜索效率。仿真研究证明了该算法的优越性。     

分流机制遗传算法研究

提出了一种基于分流机制的新型遗传算法。该算法采用优种限量繁殖 ,达标种交叉和劣种变异的策略 ,突出遗传算子各自的优点和作用 ,根据进化质量自适应地调整交叉和变异概率 ,使种群具有很强的可进化性。分流机制遗传算法改变了遗传算法的传统结构 ,种群始终具有探测新的超平面 ,从而获得新的最优个体的能力 ;同时 ,对于进化中的个体不需进行所有遗传算子操作 ,提高了算法的全局收敛性 ,降低了时间复杂度。测试结果表明了所提方法的有效性。     

一种新的改进遗传算法及其应用

为了在算法稳定性的基础上解决其收敛速度和全局收敛性之间的矛盾，提出了一种新的改进遗传算法。该改进算法设计了与进化代数相关的交叉概率，与个体适应度相关的变异概率，以及与早熟情况、进化代数和个体适应度有关的移民算法。将其应用于电能质量分类的计算结果表明，该改进遗传算法稳定性较好，且在收敛速度和获取全局最优解的概率两个方面都有很大的提高。     

一种新的免疫遗传算法及其在TSP问题中的应用

基于生物免疫理论,提出了一种新的免疫遗传算法,在遗传算法的基础上引入了新的免疫算子,这些算子包括接种疫苗、各基因座多样性调整及免疫选择。结合TSP问题,提出了通过计算基因座信息熵来得到群体多样性的方法及多样性判断、调整方案,提取疫苗及接种的方法及免疫选择机制,讨论了控制参数在进化过程中的作用。理论分析及对75座城市TSP问题的仿真结果表明,该算法能有效避免遗传算法的不成熟收敛,提高收敛的快速性和准确性。     

基因重组算法设计及多目标旅行商问题求解

遗传算法等启发式算法在求解旅行商问题时,存在收敛速度较慢、容易出现过早收敛及算法计算效率较低的问题。在模式理论基础上,提出一种新的基因重组算法。根据优良基因模式,设计模式重组算子,运用重构及进化规划的思想设计算法的个体重构算子和个体选择算子。建立一个多目标旅行商问题模型,分析每一轮计算旅行路线适应度值的差异性,采用熵值法确定路程和费用权重。系列实验表明,基因重组算法在求解多目标旅行商问题时,计算效率远高于比较的算法,收敛速度和求解精度也较一般启发式算法有明显改善。     

顾及负载平衡的并行多种群自适应遗传算法

自适应遗传算法采用在遗传进化的过程中动态调整各种遗传参数和遗传算子的手段,以达到快速收敛同时避免早熟的目的.提出了并行多种群自适应遗传算法(PMAGA:Parallel Multipopulation Adaptive Genetic Algorithm),通过对种群规模、交叉率和变异率等遗传参数的动态调整使算法在保持种群多样性的同时,提高收敛速度;重点针对自适应调整过程中带来的负载失衡,加入了相应的迁移策略.最后,给出了并行多种群自适应遗传算法与简单遗传算法(SGA:Simple Genetic Algorithm)和孤岛遗传算法(IGA:Island-based Genetic Algorithm)的收敛性能和并行性能比较.     

改进的三种群遗传算法

提出了一种新的三种群遗传算法.在一个子种群中,高相似个体之间具有相对高的交叉率,遗传操作得到的新个体替代上代种群的最劣的个体.在另一个子种群中,低相似个体之间具有相对高的交叉率,相对大的变异率,遗传操作得到的新个体替代父代中的最劣个体.两个子种群移民一定数量的个体到第三个子种群,第三个子种群进化后移民到前两个子种群,均衡算法的局部搜索能力和全局探索能力.将算法与确定性排挤遗传算法与3个子种群的多种群遗传算法进行比较,结果表明新算法的性能更优.     

解旅行商问题的一个新的遗传算法

对旅行商(TSP)问题设计了一个新的遗传算法.首先,对n个城市的旅行商问题设计了一个新的编码方法,并且对这种编码方法,给出了简便的解码方法.其次,针对编码的特点,设计了一种新的、有效的杂交算子和变异算子,这些算子均能直接产生可行的后代.为提高杂交算子的搜索能力,结合了一个局部搜索技术来改进杂交算子.在此基础上,提出了求解TSP的一个新的遗传算法,并证明了其全局收敛性.为了验证算法的有效性,对10个国际标准算例(城市规模从14到1000)进行了计算机仿真,结果表明算法是有效的.     

启发式交叉求解TSP问题的混合遗传算法

在给出度约束最小生成树的快速生成方法的基础上，设计了一种启发式交叉求解TSP问题的混合遗传算法．该算法在交叉操作的设计上，与其他遗传算法有本质的不同，该交叉操作是在不违反度约束和不形成圈的前提下，每次从父代基因所拥有的边中加入权最小的边，从而形成子代．利用该算法得到了TSP CHN144问题迄今为止最好的解．     

求解约束优化问题的内外交叉遗传算法

针对很多约束优化问题的最优解位于可行域的边界上或其附近的特点,提出了一种新的遗传算法.算法将种群中的可行解和不可行解分别存贮在两个容器中,新设计的交叉算子(内外交叉法)尽量让可行域内的可行解与可行域外的不可行解交叉,并顺着有利的方向一维搜索到可行域边界,此举既增大了个体接近全局最优解的几率, 又增强了算法的收敛速度;粒子群变异法则吸取粒子群 (PSO)算法的优点,让粒子沿粒子自身历史最优和全局最优的方向变异, 而选择算子则采取了保留固定比例不可行解的方法. 仿真结果证明了算法能够在种群规模小,迭代次数少的情况下迅速接近或找到全局最优解.     

遗传算法在有时间窗车辆路径问题上的应用

本文用遗传算法求解有时间窗车辆路径问题，获得其近优解或最优解．传统的交叉算子如ＰＭＸ，ＥＲ和ＣＸ等对多约束问题的适用性受到限制，本文使用一种直观的编码方法，并提出基于优先关系的交叉算子．实验表明这种遗传算法能够有效地解决复杂的优化问题     

求解混合整数规划的嵌入正交杂交的差分进化算法

针对混合整数非线性规划问题中同时含有0-1整数变量和连续变量,采用0-1二进制编码和实数编码的混合编码方案,将布尔逻辑运算中的异或(exclusive or, XOR)算子引入到差分进化的变异算子中,以处理0-1整数变量,将基于正交试验设计的正交杂交算子和差分进化的杂交算子相结合,来增强差分进化算法的系统探索能力。为了验证该算法的性能,测试了一些数值例子,并与其他算法作了比较。数值实验结果表明,提出算法具有良好的稳健性和有效性。     

直觉模糊幂Heronian平均算子及其在多属性决策中的应用

针对需要同时捕获变量个体间的关联性和整体均衡性的信息融合问题,本文在直觉模糊环境下,将Heronian平均算子和幂平均算子相结合,提出了直觉模糊幂Heronian平均算子和直觉模糊加权幂Heronian平均算子.新算子利用Heronian平均算子的交叉运算来体现变量的关联性,同时引入支撑度系数来挖掘信息的相对贴近度,从而在信息融合过程中体现整体性.此外,还探讨了新算子的一些优良性质和特例,并给出一种多属性决策方法.最后,通过算例验证了该方法的可行性与有效性.     

几类非线性双层规划问题的混合遗传算法

针对几类具有特殊下层结构的非线性双层规划问题,提出了一种混合遗传算法。首先利用单纯形法的思想设计了新的杂交算子,使杂交个体与种群中好的个体组杂交,从而产生尽可能好的杂交后代;其次对每个相对固定的上层变量值x,通过计算下层最优解y来提高种群个体的可行性,并分析了下层最优解的计算误差对算法性能的影响;最后对于下层存在多个最优解的情况,通过求解一个单层规划,给出了下层最优解的选择方法。数值结果表明该算法是有效的。     

基于多元共生遗传神经网络的藻类预测仿真

提出一种多元共生遗传神经网络(PGANN),从遗传算法和神经网络——进化和学习两方面及其相互关系着手完善进化过程,以提高优化效果和泛化能力。该算法包括一个共生平衡交叉算子,一种多元选择策略和一种神经网络的分级优化策略,其中共生平衡算子能够兼顾进化过程中的方向性、多样性和自适应性;多元选择策略能够适应进化过程不同时段对选择压力不同的需求;而分级优化使运算规模和运算速度之间的矛盾得到缓解。将该改进的遗传神经网络PGANN应用于水库和湖泊有毒的优势蓝绿藻爆发预测,取得了满意的效果。