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.     

自适应SAGA算法进行全局寻优的研究

遗传算法以概率转换规则为基础,在给定问题的潜在解集中进行广泛搜索,具有很强的全局寻优能力,但收敛速度慢。模拟退火算法理论上只要计算时间足够长,就可以保证收敛于全局最优点。但是在实际算法的实现过程中,由于计算速度和时间的限制,全局寻优点的效果并不理想。将遗传算法和模拟退火相结合,提出一种混合的自适应遗传算法,可以提高收敛速度并改善全局寻优性能。     

混合遗传算法在CSTR中应用

针对遗传算法（GA）收敛速度慢,不利于在实时控制中应用这一问题,构造出一种快速收敛的混合遗传算法（HGA）,该算法利用遗传算法的全局搜索能力,并采用Nelder—Mead单纯形法来加强算法的局部搜索能力,加快了算法的收敛效率．将基于该混合遗传算法的模型参考自适应控制方法引入连续搅拌反应釜（CSTR）这一复杂的非线性系统,根据参考模型的输出,通过混合遗传算法对控制系统的PID参数进行在线寻优和在线调整,以达到参考模型所要求的控制效果,仿真结果表明了该方法的良好控制性能．     

模拟退火混合遗传算法及其实现

传统的基本遗传算法在全局搜索和收敛速度上存在不足,通过把基本遗传算法和模拟退火算法相结合,提出的模拟退火混合遗传算法能够大大提高收敛速度,并采用一个多峰值函数验证了模拟退火混合算法的性能．     

优化搜索空间划分的遗传算法的研究与实现

针对遗传算法中早熟收敛和容易陷入局部收敛的问题,提出优化搜索空间、遗传算法算子的一些改进策略,即利用搜索空间划分实现优良等位基因单元稳定遗传到下一代中,利用禁忌域和有效域快速提高算法的实现性能.改进的算法能有效减少搜索空间、避免算法早熟,使得算法的全局搜索能力和局部搜索能力比其他遗传算法均得到了较大的提高.函数求最优解和服装设计算法的实现,证明了改进算法的平均收敛速度和收敛到最优解的效率都优于其他遗传算法,实验验证了所提出的算法思想的可行性和有效性.     

一种基于混合遗传算法的有源噪声控制方法

提出了一种基于混合遗传算法的格型IIR滤波器结构的有源噪声控制方法.混合遗传算法将遗传算法与随机搜索算法结合起来,可以改善基本遗传算法的局部搜索能力,克服基本遗传算法存在未成熟收敛问题.本文选择UNDX交叉算子作为遗传算法的主要算子,在保留当前最佳个体的同时,再对该最佳个体用随机搜索法搜索优化个体.这样既保证了算法的全局收敛性,又提高了收敛速度.仿真结果表明,该算法可以有效地实现噪声控制.     

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.     

新型遗传算法求解车辆路径问题研究

建立有时间窗车辆路径问题的数学模型,针对遗传算法在局部搜索能力方面的不足,提出将模拟退火算法与遗传算法相结合,从而构造有时问窗车辆路径问题的混合遗传算法,并进行实验计算.结果表明,用混合遗传算法求解该优化问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足,从而得到质量较高的解.     

混合遗传-模拟退火算法在电网规划中的应用

遗传算法是一种根据自然界优胜劣汰的进化机理进行搜索和寻优的方法．在求解电网规划问题时,基于遗传算法在电网规划计算中可能陷入局部收敛而无法达到全局最优,本文引入模拟退火技术,并提出了混合遗传－模拟退火算法．计算结果表明,经改进后的新算法能使计算跳出局部收敛而达到全局最优的目的     

基于自适应退火遗传算法的船舶管路布局优化方法

采用自适应遗传算法来确定标准遗传算法的杂交率和变异率,尤其对变异率的调整,使其不但能根据个体适应值的大小进行自适应修正,而且能随进化状态的改变而改变,从而增强了算法摆脱局部最优解的能力.同时引入模拟退火思想,通过对标准遗传算法接受算子的退火处理,使其在搜索过程中除了接受优化解以外还以Metropolis准则接受恶化解,提高了种群的多样性,有效地增强了全局寻优能力.通过对适应值函数的退火拉伸,调整了进化前后期的适应值差异,从而加速了寻优过程.最终以形成的自适应模拟退火遗传算法进行船舶管路的三维布局优化,仿真实验表明,该算法不但加快了寻优速度,而且与标准遗传算法相比全局收敛率提高了近30%.     

一种混合遗传算法在云计算负载均衡中的应用研究

遗传算法(GA)被广泛用于解决科学与工程中的复杂问题,然而传统的GA在求解高维函数优化问题时存在很多限制因素,因此无法在云计算中直接应用.提出了一种多智能体与遗传算法混合的多Agent遗传算法(MAGA).首先论证了MAGA较传统GA的优越之处,然后采用MAGA建立了基于虚拟化资源管理的负载均衡模型,解决云计算中的负载均衡问题.与Min_min策略对比实验结果表明,多Agent遗传算法能够达到更加优越的负载均衡效果.     

前向网络的两种混合学习策略

针对前向网络反向传播算法（ＢＰ）训练缓慢和易于陷入局部极小的缺点以及反向运算的复杂性,利用ＢＰ算法监督学习特点、模拟退火（ＳＡ）算法在局部极小处的概率突跳特性和遗传算法（ＧＡ）的并行化群体搜索的特点,有效结合ＢＰ和ＳＡ算法以及ＧＡ和ＳＡ算法,提出了前向网络的两种混合学习策略即ＢＰ＆ＳＡ混合策略和ＧＡ＆ＳＡ混合策略。以异或问题为例,通过计算机仿真对混合策略与ＢＰ、改进ＢＰ算法的比较表明混合学习策略较大程度改进了前向网络学习的收敛性能和收敛速度,并一定程度上避免了反向运算的复杂性,是前向神经网络学习的有效算法。     

基于MATLAB的改进型基本蚁群算法

蚁群算法是一种新型的模拟进化算法。是继GA、SA、TS等算法之后求解组合优化问题的一种新思路。人工蚁群算法通过模拟蚁群搜索食物的行为,采用正反馈结构、分布式计算与某种启发式算子相结合的方法,能够很快地发现较好解。本文给出一种基于MATLAB的改进型基本蚁群算法,有效地降低了算法的复杂度,缩短了搜索时间,具有较强发现最好解的能力。     

小生境遗传算法的改进

为了避免小生境遗传算法存在的早期成熟和陷入局部极值点等问题,提出了一种改进的小生境遗传算法.该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,并在变异量的确定上引入了梯度的概念.通过在Shubert函数的全局最优化问题上的验证,并与常规遗传算法和小生境遗传算法比较,改进后的算法提高了搜索速度,能有效跳出局部极小值,并搜索到全局最优值.     

基于生产费用的柔性作业车间调度优化

考虑在制品库存费用、机床工时费、直接工人的工资费用、工件的提前和拖期完工造成的损失费用,提出了一种双资源柔性作业车间调度的生产费用计算方法.将模拟退火算法嵌入遗传算法中,设计了一种新的混合遗传算法.该算法首先利用遗传算法快速搜索一组较好的解,然后利用模拟退火算法进行群体寻优.采用基于工序的编码和一种新的解码方法,并运用多种交叉方法使得算法能够在解空间中尽可能地搜索最优解.为了避免最优解在进化过程中损失,采用择优操作将每代中的最优解保留下来,并不断更新.仿真结果表明:该方法是可行的,并具有一定的优越性.     

一种新的全局优化算法——统计归纳算法

在多极值问题的优化领域 ,主要有模拟退火算法(SA) ,遗传算法 (GA) ,人工神经网络 (ANN)算法 ,它们都是基于对自然现象模仿的算法。该文从更基本的优化思想出发 ,基于概率论提出了一种新的全局优化算法——统计归纳算法 (SIA)。在一些标准测试函数以及“货郎担问题”(TSP)上的计算结果表明 ,该算法在智能性 (所需的函数计算次数 )和解的全局性方面都远远好于 SA和 GA。在中国 144个城市的 TSP问题实例中 ,它甚至很快就找到了比参考计算中给出的“目前已知的最优路径”更短的路径。从这一算法思想的角度 ,阐述了 SA和 GA为何对全局优化问题有效 ,以及SA和 GA各自固有的不足之处     

遗传算法在PID控制器参数寻优中的应用

针对遗传算法易早熟收敛,对参数有较强的依赖性,而模拟退火法的搜索过程冗长的缺点,采用混合策略,在优化机制、结构和行为上结合两者的特点,提高算法的优化能力、效率和可靠性.在PID参数寻优中采用混合策略,将SA状态产生函数作为变异概率可控的变异操作,在高温下有较强的变异功能,在低温下有较强的趋化功能.仿真结果说明,混合策略在PID参数寻优问题中明显优于单一遗传算法和传统整定方法.进一步分析了PID参数寻优是一个多目标的优化问题,探讨了可行方向.     

云计算环境中优化遗传算法的资源调度策略

资源调度是云计算的核心问题,传统遗传算法(GA)、Sufferage算法等都可以用于云计算环境中的资源调度,但传统遗传算法存在收敛慢、易早熟等缺点,Sufferage算法则不适用于多聚类环境的密集型任务调度.本文在充分考虑云计算环境的动态异构性和大规模任务处理特性的基础上,提出了一种基于染色体编码方式和适应度函数的改进遗传算法(IGA),并在云仿真器CloudSim上对3种算法进行了仿真.仿真结果表明,该算法在性能和服务质量QoS(Qualityof Service)方面都优于传统遗传算法和Sufferage,能更好地适用于大规模任务下的云计算环境资源调度.     

基于改进遗传算法的前向神经网络

针对遗传算法的主要算子———交叉算子 ,设计了新的交叉算子 ,使个体尽可能地分散在整个解空间 .在具体交叉操作中 ,产生随机个体参与交叉以更好地搜索新的解空间 .并提出了组合变异策略 ,假如对变异后个体隔代保护策略 ,构造了一个有效的改进遗传算法 .利用该改进遗传算法 ,构造了前向进化神经网络 .它综合了改进遗传算法优良的全局寻优性能和前向神经网络的非线性映射能力 .     

基于Simplex-annealing混合方法的模型参数估计

针对现有算法的导数依赖性及其局部优化性能 ,为控制工程中的模型参数估计课题提供一种新思路。把具有概率突跳特性模拟退火 (SA)和基于高维 Euclid空间中凸多面体结构的单纯形搜索法 (SM)有机地结合 ,通过对搜索操作和参数的有效设计 ,提出了一种基于 Sim plex- annealing混合算法 (SMSA)的模型参数估计方法。对以传递函数、状态空间和自回归滑动平均 (ARMA)模型形式表达的不同典型对象进行仿真 ,结果表明 :SMSA方法在模型结构已知的情况下可准确地估计参数 ,其性能明显优于单一遗传算法(GA)