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.     

利用改进的遗传算法求解非线性方程组

提出一种改进的求解非线性方程组的浮点遗传算法,算法通过把非线性方程组的求解问题转化为约束优化问题,然后将局部搜索信息引入遗传算法,通过改进的变异算子不断调整搜索区域,最终搜索到含有最优解的区域,再利用局部搜索信息提高解的精度.数值实验结果表明,改进后的浮点遗传算法具有较好的全局优化能力和局部搜索能力,且提高了求解的速度和解的精度.     

多目标优化问题的研究

针对传统方法求解多目标优化问题的局限性,应用一种新的算法求解。遗传算法从问题解的串集开始搜索,覆盖面大,可以同时处理群体中的多个个体,利于全局择优,减少陷入局部最优的风险,而最小生成树具有过程简单清晰、适用性广泛的特点,结合两者的优点,构造了基于生成树的遗传算法。首先通过加权目标规划法求出最优解,然后通过遗传算法和基于生成树的遗传算法求解,结果表明,对于小规模的多目标优化问题,两种算法都可以求出最优解,在求解时间方面,基于生成树的遗传算法比遗传算法更优越。     

一和睦注解混合整数非线性规划问题的演化算法：搜索 …

提出一种求解混合整数非线性规划问题的新的演化算法－搜索空间自动收缩法（ＡＣＳＳＯＳ），在这种算法中，演化算法既用来定位最优解区域，实现搜索空间自动向全局最优解收缩，又用来最终求得最优解。由于在遗传算法引用了舍入操作，它不仅可用来求解混合非线性整数规划问题，也可求解纯整型或纯实型变量非线性函数优化问题，数值试验结果表明本文的算法在解的质量，稳定性和收敛速度等方面优于一般的演化算法。     

基于遗传算法的非线性系统参数优化方法

提出了一种基于遗传算法的非线性系统参数仿真优化方法，解决了非线性系统参数优化问题，由于遗传算法是在解空间的多个区城内进行搜索，能以较大的概率跣出局部最优，因此可找到整体最优解。仿真结果表明，该方法是一种有效的非线性系统参数优化方法。     

改进的混合级联遗传算法

将模拟退火算法和级联遗传算法相结合,提出了一种改进的混合级联遗传算法。模拟退火算法承认物种进化过程中的局部失败和倒退,它允许进化中的波折而不是非要物种进化一直是上升的、成功的,模拟退火算法能使搜索过程避免陷入局部最优解。级联遗传算法假设问题的最优解总是靠近于问题的局部最优解的,据此,级联遗传算法通过不断缩小解空间达到快速收敛的目的。综合运用这两种算法,可克服模拟退火算法收敛速度慢、级联遗传算法局部搜索能力差的缺点。利用本算法构造CL多小波前置滤波器的实验结果表明,本算法不仅计算速度快,而且稳定性也得到了显著提高。     

带有梯度信息的遗传算法在求解非线性方程组中的应用

提出一种改进的求解非线性方程组的遗传算法.将梯度信息引入遗传算法,通过改变高斯变异参数不断调整搜索范围,逐渐搜索到包含最优解的区域,利用梯度信息提高解的精度.数值模拟结果表明,改进后的算法具有较强的局部搜索能力和全局优化能力,能够提高求解的精度与速度.     

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.     

一种求解非线性方程组的算法

为满足理论研究与工程实践对非线性方程组求解的需求，综合遗传算法和牛顿迭代法各自的优势，提出了能够充分发挥遗传算法大范围搜索全局解、牛顿迭代算法在局部细致搜索的新算法。实例证明，该算法搜索效率高，求解速度快，并能获得全局近似最优解。     

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。     

Memetic算法及其在分类中的应用研究

群体智能优化算法Memetic算法(Memetic Algorithm,MA)采用进化算法的操作流程,引入局部搜索算子,使其在问题的求解中保证较高收敛性能的同时又能获得较高质量的解,克服了遗传算法等传统全局优化算法易"早熟"的问题,同时避免陷入局部解。在MA框架基础上,提出了全局动态适应MA算法,采用遗传算法为全局搜索算子,k-means算法为局部搜索算子。使用Java语言实现算法并对UCI中分类实验数据集进行测试,结果表明,将遗传算法和k-means结合的全局动态适应MA在分类问题中具有较高准确率。     

基于模拟退火算法的最优控制问题全局优化

参数化后的最优控制问题是一类高维非光滑非线性约束优化问题，传统的非线性规划算法求解时存在着收敛性差、局部收敛等问题。针对上述问题，该文采用多重参数化方法处理最优控制问题，非可微精确罚函数方法处理约束条件，引入了具有良好全局收敛性的模拟退火算法求解参数化后的最优控制问题。典型的时间最优和燃料最优控制问题的求解结果表明：模拟退火算法有着可靠的全局收敛性，优于遗传算法以及序列二次规划等经典优化算法。     

悬臂支护结构可靠性分析的遗传算法

针对悬壁支护结构的可靠度问题,引入了性物进化的遗传算法并对其进行了改进,克服了传统方法容易陷入局部优化值的缺点,将优化方法和可靠性理论有机结合,使可靠性指标的求解问题化为约束条件下目标函数的极小值的优化问题,运用改进的遗传算法对一工程实例中的悬壁支护结构进行了可靠度计算与分析,实例验证了利用遗传算法解决此类问题的有效性。     

模糊C-均值聚类算法的改进研究

模糊C-均值聚类算法通过迭代的爬山技术来寻找问题的最优解,是一种局部搜索算法,容易受初始值的影响而陷入局部极小值.遗传算法是一种应用广泛的全局优化算法,是一种与求解问题无关的算法模式,能够有效解决模糊C-均值聚类算法对初始化敏感的问题,利用改进后的遗传算法能更好地解决聚类问题.     

无线传感器网络基于改进遗传算法的节点调度

节点调度问题是经典的NP-hard组合优化问题之一。为解决该问题提出了诸如蚁群算法、粒子群算法和遗传算法等智能算法,以遗传算法(genetic algorithm,GA)更为有效,但经典的遗传算法在解决节点调度问题时,其算法自身存在寻优速度慢,容易陷入局部最优。提出一种改进的轮盘赌优化方法,该方法基于适应度比例的选择,即用全部个体的选择概率来计算累计概率,产生完整的子代个体并保留其基因,避免陷入局部最优,进而快速精确地求出节点调度问题的最优解,实验结果表明,经过改进的遗传算法求解的路径长度、收敛性和运行时间等指标均有明显改善。     

参数并行：一种基于群启发式算法的机器学习参数寻优方法

针对机器学习算法超参数寻优效率低的问题和参数寻优主流算法的特点,提出了一种基于参数并行机制的机器学参数寻优方法。该方法利用群启发式算法来进行机器学习算法的参数寻优,将种群转换为Spark平台特有的弹性分布式数据集,针对参数寻优耗时特点并行计算种群中个体适应度。选取随机森林和遗传算法作为实验算法设计了多组实验对所提出的学习训练方法进行验证。实验结果表明,在20万条以下的小数据量下,文中提出的基于参数并行机制的机器学习参数寻优方法与基于数据并行机制的机器学习参数寻优方法相比,运行时间最多能够减少2个小时,并具有良好的可扩展性。     

多交界面热传导方程模型的数值解与参数估计

本文研究了多交界面热传导模型的数值解以及参数估计. 首先,本文运用有限差分法对传热方程和交界面条件进行离散化,将其转换为三对角型线性方程组.然后,基于追赶算法所给出的线性方程组数值解,本文建立了方程参数的非线性规划模型,并设计自适应粒子群优化算法（Particle Swarm Optimization,PSO）. 本文提出的自适应PSO算法对惯性因子实施一种自适应的非线性递减调整策略,以避免群体过早陷入局部极值、提升粒子的寻优精度. 最后,本文以仿真实验比较了自适应PSO算法、标准PSO算法及经典的非线性优化算法如AS（Active Set）算法,IP（Interior Point）算法和SQP算法在参数估计时的性能差异.     

复杂函数全局最优化的改进遗传退火算法

针对复杂函数的最优化问题 ,首先提出了一种基于邻域函数的尺度参数自寻优的改进模拟退火算法 ,进而通过设计多操作的基于概率接受思想的变异操作 ,结合混沌序列 ,在遗传算法中引入灾变操作和改进模拟退火算法 ,最终提出了改进遗传退火算法。基于典型算例的仿真结果验证了改进算法对高维复杂函数最优化的有效性 ,其性能明显优于传统的遗传算法、模拟退火、改进的进化规划方法以及遗传 -AL OPEX算法。     

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.