基于自适应并行遗传算法优化设计的有源滤波器

提出一种用于有源滤波器的改进自适应并行遗传算法设计.引入了两个自适应算子:其一根据进化过程实现交叉和变异概率的自动调节;其二通过设计随机个体集和健壮个体集,实现种群个体的多样性和保护适应度高的个体不被破坏.采用基于岛屿的交换模型实现多种群间信息交换,扩大了种群的规模和相应的搜索空间.给出了利用该方法设计四阶切比雪夫低通滤波器的设计结果,并与基本遗传算法进行了比较实验,结果表明该算法收敛速度快、精度高,有效地克服了早熟现象.为大规模有源滤波器设计提供了方法上的支持.     

自适应并行遗传算法实现有源滤波器的设计

提出一种改进的自适应并行遗传算法,通过设计自适应算子自动调节交叉和变异概率,采用基于岛屿交换模型实现多种群间信息交换,提高了种群的多样性和健壮性.将该方法用于滤波器的参数优化设计,给出4阶切比雪夫低通滤波器的设计结果,比较各种算法的性能,证明该算法收敛速度快,精度高,有效地克服了早熟现象.     

基于网格和排序的自适应遗传算法及其性能分析

提出了一种改进的自适应遗传算法.它使网格法思想在二进制编码表示个体的情况下得以实现，因此保证了初始种群内个体的遍历性和多样性；其遗传算子由个体在种群中的排序位置自适应地决定.该算法能维持种群内个体在各个运行阶段多样性，加快种群收敛速度，克服遗传算法早熟现象.几种典型的多峰函数优化结果证明该算法的有效性和实用性.     

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.     

求解作业车间调度问题的一种自适应遗传算法

针对作业车间调度问题，提出了最小化空闲时间的处理过程及其变异算子，设计了一种自适应遗传算法．该算法根据个体的特征确定交叉和变异次数，并根据种群特征不断修正种群．经典的调度基准问题测试表明：自适应措施能够有效保持种群的多样性，可以采用非常小的种群规模；最小化空闲时间的变异算子缩小了算法的搜索空间，大大提高了搜索效率．     

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.     

基于硬判决的多用户检测遗传算法改进

针对多用户检测中基于遗传算法的种群初始化不足,充分利用有用的边信息,结合传统匹配滤波器的硬判决,提出一种更为合理的种群个体初始化结构,改进了异步CDMA系统中多用户检测的遗传算法。仿真结果表明．改进后的种群个体初始化结构减少算法早熟收敛带来的影响,使搜索能更快地向最优解靠近,弥补了简单遗传算法自身的盲目性,加速了算法的收敛速度,实现了异步系统下高效、快速的多用户检测．     

变异率和种群数目自适应的遗传算法

提出了针对个体变异率和种群数目的2种自适应方法.算法中个体变异率根据其适度值在种群中的排序自适应调整,使优良个体具有较小的变异率继续进化,而使种群中较差个体具有较大变异率,增强了种群搜索能力.同时根据种群个体适度值方差动态调整变异率曲线,种群数目调整则根据最优个体更新率动态增大,以动态适应解空间的规模避免采样误差造成的进化停滞.通过在不同尺度的NK Landscape上与传统的简单遗传算法(SGA)比较可得,2种自适应方法的引入对遗传算法的寻优能力有了明显改进.     

改进多种群遗传算法在中压配电网规划中的应用

针对电网规划的多目标性,提出一种改进的多种群遗传算法(Poly—Population Genetic Algorithm,简称PPGA)。子种群对应独立的目标函数,父种群对应归一化的目标函数,精华种群采用最优个体保存法保存父子种群中的最优个体,并作为收敛依据,保证了算法全局收敛性。父子种群采用改进自适应SGA,进行独自寻优,并通过迁徙算子以一定频度进行信息交换,打破“封闭竞争”。在原有配电网络的基础上实现网络的有效扩展,满足当前配电网络规划的多目标多阶段的要求。算例结果表明,该方法是有效的。     

面向双40英尺岸桥的码头集卡调度模型与算法

针对集装箱码头双40英尺岸桥的作业特点,制定集卡实时调度策略,建立综合考虑多个集装箱装卸环节的集卡调度模型.设计了基于自适应交叉和变异概率的遗传算法,个体选择采用保优策略,且基于排序方法进行个体选择概率的分派.为保持种群的多样性,引入小生境技术,并用复合多交叉方式来继承父代的优良模式.通过5个算例对改进遗传算法、基于时间和距离加权和的启发式算法以及标准遗传算法的计算性能进行了比较,结果表明:改进遗传算法的求解质量较高,计算效率也能满足集卡调度的实时性需求.     

作业车间调度双阈值控制结构自适应遗传算法的一种改进

当前,用于求解作业车间调度问题的遗传算法的执行效率非常差,针对这一问题,设计了一种双阈值控制结构的自适应遗传算法。该算法首先利用相似度阈值实现选择性的交叉和变异,然后以适应度阈值作为是否引入新个体的标准,从而保持种群的多样性。利用这种方法解决车间调度问题时,可以避免交叉后产生的优秀个体因变异而遭到破坏。它对典型作业车间调度问题的求解表明,该算法可以极大地提高算法的寻优能力和收敛速度。     

基于代沟信息的自适应遗传算法

针对现有自适应遗传算法无法兼顾群体特性，难以稳定地收敛到最优解的问题，从种群多样性和适应度均值变化的角度，分析了进化停滞或退化的原因．以种群适应度均值和多样性作为概率调整依据，提出了一种新的基于种群代沟信息的自适应遗传算法．利用相邻两代群体间的适应度差异和多样性差异信息，设计了遗传概率的自适应调整策略，使算法维持较好的多样性，有效避免了早熟．并证明了算法收敛性．仿真结果表明该算法能够使种群保持良好的可进化性和收敛性．     

基于MPICH平台的多种群并行遗传算法

提出了一种基于集群系统的多种群并行遗传算法，在集群系统的软件开发环境MPICH上构建了多种群粗粒度并行遗传算法框架．采用全局迁移方式交换通信域中各子群体的个体信息，并通过模拟退火规则来确定迁移代频．利用该算法框架对一类优化问题——N维目标函数的最小值问题，给出了具体的实现方法．最后对该类问题的两个实例进行了测试，基于该实例的测试数据对论文提出的算法进行了性能分析．结果显示，算法具有线性加速比，而且解的精度随着并行进程数量的增多而提高．     

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     

粗粒度并行遗传算法迁移算子的一种改进

给出粗粒度并行遗传算法对于子种群间迁移策略的一种改进,即每隔一定的进化代数,各子种群与公共池交换最佳个体和代表个体.改进后的迁移算子淡化了子种群间交换个体时的拓扑结构,提高了各子种群的多样性.对复杂非线性函数求极值的仿真结果表明,改进迁移算子后的粗粒度并行遗传算法相对于固定拓扑结构的粗粒度并行遗传算法,得到最优解的进化代数提前,并且最优解的质量有所提高.     

一种基于自适应分组排挤的遗传算法

为防止进化种群早熟收敛,并考虑保持种群多样性,加快寻优进程,提高寻优效率,提出一种基于自适应分组排挤的遗传算法,在寻优过程中将种群个体进行分组,在分组的基础上基于海明距离引入自适应的排挤机制,最后将该算法与基于海明距离排挤算法和简单遗传算法进行比较,证明其可行性和有效性.     

一种模拟人类繁育方式的自适应遗传算法

为了克服标准遗传算法容易出现的早熟收敛现象、全局收敛速度慢等问题,将人类特有的繁育方式引入到遗传算法中来,提出一种模拟人类繁育方式的自适应遗传算法（HRAGA）．该算法中加入了一个新的遗传算子——助长算子,并设计了一个新的自适应交叉算子和自适应变异算子,遗传个体具有雄性和雌性两种不同的性别,融合了个体的年龄和个体间的亲缘关系两种特征,在允许的年龄范围内,异性个体进行严格的远缘繁殖．通过对典型测试函数最优化问题的求解试验,证明了该算法的有效性和优良性能,其全局收敛速度和最优解的质量明显高于标准遗传算法．     

一种多值编码遗传算法的缺失基因复现方法

与二值编码遗传算法相比,基因缺失问题对多值编码遗传算法的全局搜索性能影响比较大.提出一种缺失基因复现和存活的变异方法,即根据字符集中的字符在种群中的缺失作为预选变异基因集,然后对待变异个体集进行预变异;选择高适应度个体的对应变异基因和基因位,使其在原待变异个体集中扩散.将该方法应用到多重选择背包问题的遗传算法中,通过仿真实验验证了该方法的有效性.     

基于精英学习的多路径覆盖测试数据进化生成

针对多路径覆盖测试数据的进化生成问题,提出一种基于精英学习的自适应遗传算法.进化生成测试数据的过程中,对每一个目标路径,都选出当前种群中穿越路径最接近该路径的个体作为精英个体,将选中参与交叉的个体与该个体穿越路径最接近的目标路径的精英个体进行交叉操作,有效保证子代种群性能优于父代,加快了遗传算法的寻优速度,提高了多路径覆盖测试数据生成效率.在基准测试程序中的实验结果验证了本文方法的有效性.     

遗传算法种群多样性的度量

针对遗传算法的过早收敛问题,从种群个体、基因两个方面给出了遗传算法种群多样性的度量方法,并在此基础上提出了一种基于大变异操作的遗传算法．实验结果表明该方法在问题求解的精确度以及收敛性方面取得了很好的效果．