改进GA优化BP神经网络的短时交通流预测

为了提高BP神经网络预测模型对短时交通流的预测准确性,文章提出了一种基于改进遗传算法优化BP神经网络的短时交通流预测方法。由于模拟退火算法具有较强的局部搜索能力,能够在搜索过程中避免陷入局部最优解,因此引入模拟退火算法中的Metropolis接受准则来增加遗传算法的局部搜索能力,避免了遗传算法过早收敛和陷入局部最优解。通过改进的遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解。仿真结果表明,该方法对短时交通流预测具有较好的预测精确性。     

一种新的基于小生境模拟退火的遗传算法

针对模拟退火遗传算法中不合理替代方式以及孤立的比较机制,提出一种新的基于小生境模拟退火的遗传算法.通过温度的逐步降温,可以在进化早期增强种群多样性,而在进化末期加速算法的收敛过程,有效克服了遗传算法容易早熟、局部搜索能力差的缺点.同时算法还使用了最优保留策略替代了轮盘赌选择算子,从而有效地减少了适应度相对高的个体在种群中快速扩散的可能性.研究结果表明:与常见的模拟退火遗传算法相比,新方法能够有效提高遗传算法的收敛性能.     

基于交叉亲和度评价的多种群遗传算法

为进一步解决传统多种群遗传算法进化过程中迅速丧失种群多样性,导致的易早熟、收敛到局部最优解等问题,提出一种基于交叉亲和度评价的多种群遗传算法,采用多种群并行搜索的思想,结合模拟退火算法提高算法的搜索能力,种群之间通过交叉推优选出的交流个体,进行亲和度评价替换目标种群个体来完成交流。通过对TSP问题的求解表明,算法得到的解都接近最优解,性能优于传统多种群遗传算法。     

一种改进的遗传算法及其应用

遗传算法在实际应用中容易出现早熟收敛和搜索结果精度不高的问题。针对早熟收敛和最优值精度低,采用了对搜索参数进行动态调整的优化计算。在进化的全过程中,算法始终保持较强的全局搜索能力和局部寻优能力。测试结果表明,对遗传算法的此种改进是有效的,不易陷入局部最优,并能大大提高最优解的精度。     

基于混合遗传算法的随机结构可靠性优化设计

遗传算法（GA）是一种具有随机搜索技术的进化算法,但在运用过程中出现早熟、收敛速度慢、局部搜索能力差的缺点。对遗传算法中的遗传算子进行了改进,提出了遗传算法和最佳矢量法相结合的混合遗传算法,并引入了小生境技术。分析表明,基于小生境的混合遗传算法即发挥了最佳矢量法局部搜索能力强的特点,又结合了遗传算法全局搜索能力强的优点,使收敛性能大大改善,同时小生境技术的使用,避免了优化过程中局部最优解的出现,提高收敛速度。具体算例表明该混合遗传算法是一种高效的结构优化方法。     

格雷码混合加速遗传算法及其性能分析

通过在格雷码遗传算法进化过程中加入单纯形法学习算子,并利用格雷码遗传算法和单纯形法所得到的优秀个体群,作为变量新的变化范围,逐步缩小搜索空间,自动向最优解收缩,提出了求解非线性规划问题全局解的一种快速算法--格雷码混合加速遗传算法(GHAGA).为了在可行域内能得到全局最优解,在参数的定义域内投放了大量的均匀随机初始点作为初始群体.给出了GHAGA算法实施的详细步骤,建立了GHAGA相应的收敛定理,并分析了该算法的全局优化性能.理论分析和数值模拟表明,GHAGA具有精度高、收敛速度快的特点,是一种既可以较大概率搜索全局最优解,又能进行局部细致搜索的较好的非线性规划方法.     

基于物种选择的遗传算法求解约束非线性规划问题

将信赖域思想和基于稳定进化策略思想相结合,提出一种基于物种选择的遗传算法.根据当前代最优点,采用稳定最优种群数目和收缩最优种群边界的方法将种群划分为最优种群和全局种群,并提出基于构造优化方向的一种新的交叉算子.研究结果表明:对这2种群按不同的策略协调进化,较好地平衡了种群的多样性和选择压力,兼顾了局部搜索和全局搜索;缺少合适的搜索方向是进化后阶段收敛速度慢的重要原因之一;本算法能有效地提高遗传算法的收敛速度,并具有比较好的鲁棒性.     

自适应最优保存的模拟退火遗传算法及应用

在分析遗传进化的基础上，提出了一种自适应最优保存的模拟退火遗传算法，自适应地保存最优个体，并对其进行模拟退火，与简单最优保存遗传算法（MOSGA）进行了性能比较，结果表明本算法明显比MOSGA搜索能力更强，有极强的跳出局部成的能力，有效地解决了MOSGA的早熟现象。     

一种基于遗传优化的路由控制策略

遗传算法是通过模拟自然进化过程有效解决最优化问题的计算模型,在实际操作中得到广泛应用.但由于遗传算法的选择策略使每一代的优良个体大量的遗传到下一代,且适应度函数设定的差异,使最优个体很快充斥整个群体,缺少物种多样性,导致算法很快收敛于局部最优解,达不到全局优化.针对遗传算法存在的这一问题,结合禁忌搜索算法能够禁忌搜寻过的最优解而引入裂解、增加种群多样性的特性,提出了一种基于遗传优化的路由控制策略.该策略将遗传算法得到的最优解作为禁忌搜索的初始解,提出将染色体模版作为禁忌对象,并以此模版为基础建立邻域的方案.仿真实验表明,该策略能够有效的抑制遗传算法过早收敛的问题,减少了全局能量的消耗,从而延长了网络生命周期.     

图像增强技术中的智能算法

提出了一种基于粒子群与模拟退火算法相结合的进化算法.该算法利用模拟退火算法全局收敛性好和粒子群算法收敛速度快等优点，通过交换这两种算法的信息得到最优解.将这种新算法应用于灰度图像的自适应增强，实例计算表明该算法稳定性好，在收敛速度和求解精度方面都优于遗传算法等一些其它进化算法.     

结构优化设计中的组合遗传算法

针对标准遗传算法存在的早熟收敛、随机振荡和收敛速度慢等缺陷,采取改进措施.利用混沌序列的随机遍历性生成初始种群,并把相对差商算法的优化解加入到初始种群中,改善初始种群的性能.采用适应度的指数尺度变换改进传统的适应度评价函数.相对差商算法局部搜索能力强,而遗传算法具有较强的全局搜索性,发挥两者的优势,提出组合遗传算法.把相对差商算法作为一个与选择、交叉、变异平行的遗传算子嵌入到改进遗传算法中,提高局部寻优能力,防止早熟收敛.通过十杆平面桁架的数值算例来验证组合遗传算法应用的可行性和有效性,组合遗传算法的优化结果也远好于标准遗传算法和改进遗传算法.     

一种快速寻优的新型改进遗传算法

在现有几种遗传算法(GA)的基础上,对GA中的适应度函数、交叉策略和变异策略做了进一步的设计,从而提出了一种新型改进GA。新型改进GA以群体的多样性与算法的收敛速度、全局与局部搜索能力的综合均衡为设计重点,较好地解决了一般GA收敛速度慢和局部搜索能力差的缺点。仿真结果表明:该算法与常用的标准GA和采用算术交叉算子的实值编码改进GA相比,有更快的收敛速度,更高的收敛精度及全局收敛概率。     

基于特征比较和模拟退火-遗传算法的普通话音素评分模型

为了帮助发音困难者障碍者和外语学习者矫正普通话发音错误,提出基于Mel频率倒谱系数(Mel frequencycepstrum coefficient,MFCC)特征比较和模拟退火-遗传算法(simulated annealing genetic algorithm,SAGA)的普通话音素评分模型。该模型采用动态时间弯折(dynamic timewarping,DTW)算法对普通话音素进行相似度比对,并基于SAGA评分机制对发音进行自动评分。本文对比了不同优化算法(SAGA和局部优化算法)、不同DTW算法对语音评分的影响。结果发现:SAGA评分模型下的音素评分正确率大于94%,远远优于局部优化算法。此外,在SAGA评分模型下,搜索路径为平行四边形的改进DTW算法具有最优的评分结果。因此,基于MFCC和SAGA的评分模型适用于普通话音素评分。     

遗传算法中的加速进化技术

自20世纪80年代以来,遗传算法在工程优化领域获得了广泛应用,遗传算法对数学模型要求不高,具有一定的隐性并行性,能同时在搜索空间大范围搜索,因而不易陷入局部最优解,然而,在实际应用中发现,仅有交叉算子和变异算子的传统遗传算法,局部搜索能力不强,容易出现种群早熟,进化结束时往往收敛到最优点附近而达不到全局最优点,为此借鉴了传统优化方法中的搜索技术,开发了几种算子用以强化遗传算法的局部搜索能力。算例表明,这几种算子能提高遗传算法的搜索性能,不论是搜索效率还是解的质量均有所提高。     

粗粒度并行遗传算法收敛性分析及优化运算

提出了一种新型的粗粒度并行遗传算法(CGGA)，该算法利用多个子种群基于不同的编码方式进行进化计算．首先各子群体独立进行交叉、变异和选择遗传操作，每代进化后迁移算子被引入用来进行种群问的信息交流，迁移算子将各个子种群的最优个体替换相邻种群最差个体后继续进化．基于时齐遍历马尔可夫链理论，给出了CGGA各个子种群的概率转移矩阵与其进化概率转移矩阵，证明了以概率1全局收敛．对典型的测试函数CGGA进行了求解．仿真结果表明，本算法的收敛性能优于经典遗传算法(CGA)，可以有效解决CGA的过早收敛问题．     

一种融入小生境技术的遗传禁忌算法

针对遗传算法在全局优化问题中容易出现早熟和收敛速度慢,禁忌搜索强烈依赖于初始解等问题,根据遗传算法和禁忌搜索算法自身的特点,分析两者的优势和不足,提出了一种融入小生境技术的遗传禁忌算法.该算法采用融入了小生境技术的遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优.分析和实验结果表明,该算法能很好地抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法.     

生命线工程网络抗震优化算法研究

以生命线工程网络系统造价为优化目标,网络拓扑结构为优化参数,网络节点抗震连通可靠度为约束条件,建立生命线工程网络系统的抗震拓扑优化模型.同时,介绍了利用递推分解算法来获得单元重要度的方法,进而利用遗传算法、模拟退火算法和遗传-模拟退火混合算法,进行了生命线网络系统的抗震拓扑优化分析.其中,遗传算法通过对种群选择、交叉和变异操作不断进化以获得优化解,模拟退火算法则通过扰动当前解产生新解来获得优化解,遗传-模拟退火混合算法则通过将遗传算法中的变异操作以模拟退火操作代替获得优化解.利用三种优化方法对两个算例进行生命线工程网络系统的抗震拓扑优化分析.计算结果对比表明,遗传-模拟退火混合算法具有最好的优化能力.     

运用改进遗传算法的输电网规划

遗传算法对许多问题是有效的，但普通遗传算法只能保证全局最优解的出现而不能保证每次都收敛于全局最优解，其原因是在搜索过程中出现的全局最优解不能保留下来，针对这一问题，本文将改进自适应代沟方式的遗传算法用于输电网规划中，一方面保证了计算结果有多个解可供选择，另一方面加快了搜索速度，提出了搜索性能，算例表明了这种改进方法的优越性。     

基于遗传算法的网格结构优化方法

为了加快遗传泊进化过程,提出了基于遗传算法和满应力准则进行网格结构优化的杂交算法,杂交算法能大幅度地减少单纯采用遗传算法进行网格结构优化的解空间,其结果表明杂交算法能明显地加快遗传算法的收敛进程。     

弹性薄板荷载反问题分析

由弹性薄板的Navier解构造出遗传算法中的目标函数,实现对作用在平面薄板上的集中荷载位置识别.通过具体算例,将非线性最小二乘法和遗传算法的结果,分别进行了比较.在多荷载位置的识别过程中,又遇到了目标函数的多极值性问题,非线性最小二乘法很容易陷入局部最优解中,其结果显得不稳定和不可靠;而遗传算法可以稳定和可靠的收敛到精确解,并有一定的抗干扰能力.