进化计算中的精英个体产生策略

初始种群是影响基因表达式编程算法（GEP）的重要因素之一。提出了精英个体产生策略,产生具有较高的适应度的精英个体,使种群从一个较高的基础上开始进化,从而提高种群的进化效率。在此基础上,提出了综合精英个体产生策略和基因空间均匀分布策略优点的综合种群产生算法。实验表明,精英个体产生策略可以提高进化效率17%,综合算法可以更加有效地提高系统的进化效率。以上算法的思想还可以应用于其它进化计算中。     

采用群体统计学习的量子进化算法

针对传统量子进化算法采用精英个体作为吸引子,存在种群学习范围窄、优秀基因易丢失的缺陷,提出了一种采用群体统计学习的量子进化算法.该算法抛弃了传统量子进化算法中的精英保留策略,通过截断、比例、竞赛选择等方式对进化过程中优秀群体统计分析后构建整个种群的吸引子,避免了以单一个体为单位的学习方式,能较为全面地从整个优秀种群学习知识,并保留群体的优秀基因信息.同时,吸引子每代更新,避免了采用精英保留策略易陷入局部极值的问题.通过测试实验表明,提出的算法搜索精度和效率提高,收敛速度更快,算法综合性能提高.     

基于对立学习的改进CoDE算法

针对复合差分进化(CoDE)算法中所采用策略的局部搜索能力较弱及种群初始个体性能较差的缺点,提出了一种改进的CoDE算法.采用对立学习方式对种群进行初始化,改善初始解的性能;为加强算法的局部开发能力,提出了一个具有精英解的新变异策略以改进CoDE变异策略池.对30个CEC2014测试函数进行数值模拟并与9种算法进行了比较,结果表明该算法提高了计算的收敛速度和精度.     

基于多样化进化策略的基因表达式编程算法

针对传统GEP(Gene Expression Programming )算法的未成熟收敛以及陷入局部最优问题,提出一种基于多样化进化策略的基因表达式编程算法(DS-GEP:Gene Expression Programming based on diversified development strategy)。该算法通过基因空间均匀分布策略,自适应地交叉和变异算子以及淘汰算子等方法,对种群给予不同的进化策略,以保持种群的多样性,从而增强算法的寻优能力。通过对函数挖掘的实验证明,多样化进化策略各个部分均对改善挖掘效率发挥了作用,提高了DS-GEP函数挖掘算法的成功率。与传统GEP算法相比较,该算法的平均成功进化代数缩短了11%,成功进化时间缩短了8%,进化成功率提高了20%。     

NSGA-II中重复个体的控制

由于NSGA-Ⅱ引入了精英策略,为保留父代中优秀个体直接进入子代,在每一代将父代和子代所有个体混合后再选择新种群,所以在新种群中很容易产生重复个体.而进化种群中出现重复个体意味着搜索区域的重叠,使得算法探索新可行区域的效率降低.考虑到计算复杂度和增强解集的有效性,提出了一种删除策略对NSGA-Ⅱ算法进行了改进.算例表明该改进算法能获得分布更加均匀的解集,且具有更强的稳定性.     

基于复合式遗传算法的电机排产优化

为了解决电机的排产优化问题,提出了一种复合式遗传算法进行求解.首先,采用Palmer法产生一个初始解,同时随机产生其他个体来共同组成初始种群;其次,采用子种群分类交叉和种群整体替换策略进行交叉和替换操作;最后,利用Metropolis准则控制变异操作,得到新的种群.整个迭代进化过程采用模拟退火算法的控温准则进行控制,以此寻求最优解.对L公司的生产数据及其订单进行测试,试验结果表明:复合式遗传算法相比传统的遗传算法,能在一定程度上优化排产顺序,提高生产效率;而相比较新改进的遗传算法,其搜索速度更快,算法性能更优.     

基于精英高斯学习的改进鱼群粒子群混合算法

为提高算法在高维函数上的寻优性能,提出改进鱼群粒子群混合算法。该算法将鱼群算法全局搜索性能好与粒子群算法局部搜索性能强的优点相结合,在寻优初始阶段采用鱼群算法获得最优群体,在后期用粒子群算法实现精搜索。针对初始种群随意性大、分布不均的问题,通过均匀初始化,优化初始种群的分布; 并对算法全局搜索方向性差、效率低的问题,采用仿照蛙跳算法的分组方式对种群进行分组,同时对组内优秀个体和一般个体使用不同搜索策略,提高搜索的目的性和效率。引入改进的精英高斯学习,从而提升最终结果的精度。利用该算法对6 个标准函数寻优并与其他算法比较,结果表明,该算法的改进有效且性能优于其他算法。     

求解约束优化问题的加速CMODE算法

为了加快CMODE(多目标与差分进化结合)算法的收敛速度,提出一种基于适应排序的分组选择方法将种群分为精英组与普通组,对精英组个体使用随机选择方式,对普通组个体使用适应排序选择方式,通过分组选择系数控制种群的选择压力.引入一种个体更新辅助策略对于淘汰个体给予一次机会与相似个体比较并保留优胜个体,提高优秀个体的生存几率并进一步加快收敛速度.改进后的算法在cec2006的测试函数上进行了测试,结果表明该算法使大多数函数的收敛速度明显提高.     

基于子种群保留的可逆电路合成混合算法

为了进一步降低4bit以上中小规模可逆逻辑电路的量子代价,提出一种基于子种群保留的变长染色体编码混合算法.该算法在已有变长染色体编码混合算法的基础上,将子种群保留策略用于变长编码种群的进化,以保持种群多样性,避免陷入局部最优解;定义了变长编码染色体的近似度,以此作为种子提取和子种群划分的基础;提出了子种群重新启动策略和新的启发式子种群更新操作,克服变长编码种群进化过程中的遗传漂移,从而提高可行解率和解的质量.对4bit以上常用标准可逆函数测试结果表明该算法能大大降低合成可逆电路的量子代价.     

混合遗传算法求解多中心联合配送路径问题

针对传统遗传算法在求解多中心车辆路径问题时存在:传统编解码方式引起的染色体长度不固定导致计算效率低下和易产生不可行解;扰动过程中双亲遗传算子计算效率较低;难以平衡不同进化时期种群中精英比例与种群多样性间、搜索深度与搜索广度间的关系等问题,本文设计一种混合遗传算法,在编解码方式上将配送网络信息分开表达,提高计算效率;在选择操作上引入平衡精英比例与种群多样性的控制参数;此外,还提出一种自适应搜索范围策略,以有效平衡搜索深度与搜索广度间的关系.通过实验例证和对比分析,验证了算法的有效性.研究成果为求解多中心联合配送车辆路径问题提供一种新思路,也可为相关的物流配送决策提供指导.