具有自适应交换率和变异率的遗传算法

简单遗传算法存在着收敛速度慢、易陷入局部上等缺陷。针对这些,本文设计出随相对遗传代数呈双曲线下降的自适应换率,并提出与父串间的相对欧氏距离成反比、随相对遗传代数指数下降的自适应异率。实例验证表明,具有自适应交换和变异率的遗传算法在收敛速度和获得全局最优解的概率两个方面都有很大的提高。     

基于自适应交叉和变异概率的遗传算法收敛性研究

交叉概率pc和变异概率pm在整个进化进程中保持不变,是导致算法性能下降的重要原因。为了提高算法的性能,文章提出了自适应交叉概率公式和自适应变异概率公式,并在非线性排序选择情况下,证明了所提出的自适应交叉和自适应变异概率公式是收敛到全局最优解的。     

基于自适应变异遗传算法的图像分割

在标准遗传算法的基础上,提出了一种用自适应变异遗传算法进行图像分割的方法和技术．通过对二进制编码串中每一比特位赋予不同的变异概率来加快搜索过程,以找到最佳的阂值来对图像进行分割处理．实验结果表明,该算法的收敛性能与运用该算法所得到的分割效果都优于标准遗传算法．     

一种改进的自适应遗传算法

在对自适应遗传算法中选择、交叉、变异算子作用分析的基础上,提出一种新的自适应遗传算法,新算法基于实数编码机制,选择操作采用精英选择与轮盘赌相结合,变异和交叉操作采取根据适应度自适应地非线性调整变异和交叉概率的策略,同时提出进化的后期采取先变异后交叉的操作次序.仿真实验表明,新算法有效防止早熟,收敛速度更快,鲁棒性更好且拥有较强的寻优能力.     

自适应调整子种群个体数目的遗传算法及其应用

为了协调算法的勘探和开采能力,提出一种自适应调整子种群个体数目的遗传算法.该算法首先采用佳点集方法初始化种群以保证个体均匀分布在搜索空间中.基于个体的适应度将种群分为3个子种群,并分别采用不同的交叉和变异算子.在进化过程中,根据不同的搜索阶段自适应动态调整各子种群个体的数目.几个标准测试函数的实验结果表明该算法具有较好的寻优性能.将新算法应用到重油热解模型参数估计中,可以获得满意的结果.     

基于种群过早收敛程度定量分析的改进自适应遗传算法

分析了现有的一些改进算法所提出的评价种群过早收敛程度的指标,讨论了它们的不足,提出了一个概念清楚,运算量小的新指标,并利用该指标给出一种新的交叉概率,变异概率自适应调整策略。仿真实例表明,该方法能及时反映种群在进化过程中的过早收敛程度,不仅能加快计算速度,而且还能增强算法的全局收敛性。     

具有局部搜索能力的自适应变异遗传算法

针对函数优化问题,提出一种自适应变异遗传算法来提高局部搜索的能力,弥补简单遗传算法易于早熟收敛的缺陷。最后以De Jong函数为仿真对象,将此算法与其它三种遗传算法进行比较,仿真结果表明此算法对于函数优化问题非常有效,大大加快了算法的收敛速度,并大幅度提高了搜寻到最优解的概率。     

一种基于种群熵估计的自适应遗传算法

为获得运行过程中对搜索空间勘探和开采的平衡 ,该文提出了一种基于种群熵估计的参数自适应遗传算法。该算法每一进化代的新种群由保留、繁殖和随机 3部分子种群组成 ,其数量则由相应的参数进行控制。通过引入种群熵的概念对种群内个体的多样性进行度量并使用一种简单的方法对其进行估计以确定各控制参数 ,该算法实现了参数的自适应调节。试验结果表明该算法能够有效协调勘探和开采 ,在处理复杂问题时表现出较高的性能     

一种改进变异控制策略的遗传算法研究

早熟收敛问题是遗传算法中影响寻优效果的重要因素。分析了变异策略中由经验参考值确定的变异概率对样本多样性的影响，提出了采用自适应变异控制变异算子的方法，阐述了根据进化过程选择变异时机和变异概率的思路。通过实例计算结果的比较，证明了改进自适应变异算法可以有效地解决早熟收敛问题。     

改进的自适应遗传算法及其工程应用

引进小生境技术、种群迁移以及增加杂交个体之间的海明距离对自适应遗传算法进行了改进,从而建立了改进的自适应遗传算法,改善了传统的遗传算法局部收敛和早熟的现象,大大加快了全局搜索的速度以及搜索全局最优解的概率.工程实例表明:提出的改进自适应遗传算法应用于岩土工程的位移反分析具有搜索速度快、精度高等优点;同时对初始种群的形成方式、种群规模以及最大杂交概率、最大变异概率进行了参数分析.     

基于遗传算法的极值问题求解

遗传算法是一种颇具生命力的算法，用遗传算法的思想来求解一函数取得最大值时的解，并给出了用遗传算法解此问题的详细过程。最后，对实验的结果进行了分析，并给出改进该算法性能的一些建议。     

初始种群范围及运行参数对遗传算法解算GPS病态方程的影响

通过实验研究了GPS快速定位病态方程中参数的搜索范围对基线及双差模糊度解算精度的影响,通过GPS基线解算实例研究了种群大小、交叉概率、变异概率及最大进化代数等参数设置对GPS基线及双差模糊度解算精度的影响。计算结果表明,如果测站近似坐标精度达到±0.5m以内,仅利用2个历元的单频载波相位观测数据,利用遗传算法可得到较准确的模糊度浮点解,有利于模糊度的快速固定。种群大小、交叉概率、变异概率及最大进化代数对遗传算法解算精度有一定的影响,通过实验将其分别设置为80,0.75,0.02,400,计算结果表明这些参数的设置是合适的。     

自适应遗传算法

自适应遗传算法采用自适应的适应度函数、交叉概率及变异概率代替固定的适应度函数、交叉概率及变异概率,与基本遗传算法相比,结果证明改进的遗传算法显著提高了收敛性能,并且具有很强的自适应能力.     

一种新的模糊遗传算法

将模糊控制思想引入到遗传算法中,进行交叉概率P6和变异概率Pm的整定工作,并在此基础上提出了一种基于模糊控制的遗传算法－模糊遗传算法,仿真结果表明：该算法不仅能提高解的质量,而且能加速解的收敛速度。     

一种基于实数编码的亚级遗传算法

亚级遗传算法(自适应遗传算法)的主要思想是根据具体优化问题的不同,在适宜的范围内,自动调整遗传算法的控制参数(群体规模、杂交率、变异率),以找到优化相应问题的最佳参数值,进而得到适应性较强的最优解.通过对四例实验函数的优化比较试验,结果表明亚级遗传算法比传统遗传算法具有更好的收敛性和更高的精度.     

最优家族遗传算法

从种群规模和个体空间的角度分析了影响遗传算子性能的因素，在遗传算法(GA)的基础上设计了一种搜索区域可变、群体规模可变的最优家族遗传算法(OFGA)，该算法提出了在优良解附近构造最优家族，最优解搜索将在这个微型空间中进行，在有限的时间内搜索到更优基因的家族将获得生存的权利．由于每一个家族的搜索区域大幅度减缩，伴随着种群规模的减缩，因此提高了算法的收敛速度，家族个体空间大小不变提高了解的精度．最后，给出了3个典型函数的模拟例子，通过与GA的对比结果看到，OFGA在数量级上提高了收敛速度，使最优解的精度也有很大提高，说明新的算法具有应用的潜力。     

基于自适应遗传算法的PID参数寻优

针对工业过程中常见的二阶大滞后对象的PID参数调节问题,采用自适应遗传算法对PID控制进行参数寻优,并将结果与常用的PID参数寻优方法进行比较,仿真实验结果表明,在PID参数的寻优问题中,自适应遗传算法采用自动改变变异概率的方法,提高了控制系统的自适应性。     

一种高效的生物网络概率模体发现算法

针对概率模体发现算法中非树形子图的挖掘和在得分函数最大化的过程中得分函数值计算的2个难点.首先提出基于划分的非树形子图的搜索算法,其次将子图同构应用于最小错配的求解以缩小智能优化算法对得分函数求解的解空间,最后将基于模拟退火算法和遗传算法的混合算法应用于得分函数的求解过程.在大肠杆菌基因调控网络中的实验结果表明,与其他算法相比,混合智能算法可以大大减少非树形子图的搜索时间,并以相对较快的收敛速度收敛到一个较优的解,因此所提出的方法有效地提高了概率模体发现的效率.