基于多种群的自适应差分进化算法

在分析了经典和改进变异操作算子的属性以及种群统计信息的基础上,按照个体适应度的差异,将个体分成不同的子种群并针对不同的个体适应度值,采用不同的变异算子,以保证在加快算法收敛速度的同时有效地跳出局部极值点.在参考经验值的基础上,加以自适应调整,使算法达到全局搜索能力与局部搜索能力的平衡.针对13个标准测试函数的仿真实验结果表明,所提出的算法与其他算法相比较具有较好的效果.     

一种改进的自适应差分进化算法

为了提高基本差分进化算法的寻优速度和寻优效能,提出了一种改进的自适应差分进化算法(ADE).在基本差分进化算法中引入了自适应变异算子,根据每个个体与最优个体适应度值的相互关系,自动地调节变异算子值,使之在进化初期较大,随着个体逐渐接近最优值,算子值逐渐变小,确保个体向最优值快速、稳定地逼近.在每一代变异、交叉和竞争之后,又增加了与随机新种群的竞争操作,使算法易于跳出局部最优点,以提高全局搜索能力.采用4个经典的测试函数对算法进行验证,结果显示:该算法的收敛速度与收敛精度在一定程度上优于基本差分进化算法,同时也优于基于代数进行自适应变异的差分进化算法.     

差分进化算法的改进及其应用研究

针对差分进化(DE)算法后期收敛速度变慢、收敛精度变低以及易陷入局部最优解的缺点,提出一种基于双种群自适应进化的改进差分进化算法。于算法初始化阶段同时初始化2个种群,2个种群分别采用不同的自适应变异算子、变异策略和交叉算子进行进化操作,在改进选择操作中选择2个种群的最优个体进入下一次进化过程。采用5个标准测试函数对改进算法进行测试,检验算法的改进效果。结果表明,改进DE算法比j DE算法与标准DE算法具有更好的全局收敛能力,更快的收敛速度以及更高的收敛精度。将改进DE算法与SVM算法结合应用于短期电力负荷预测,预测结果表明,改进DE算法比标准DE算法能够更好的寻找到SVM的最优参数组合。     

基于宗族进行裂变选择的自适应遗传算法

提出了一种改进的自适应遗传算法,在选择算子中引入裂变选择的思想,避免种群中超级个体的出现,维持了种群的多样性。该算法改造了交叉算子和变异算子,提高了算法的收敛速度,避免早熟。同时,提出了在宗族中构造子代种群的思想,提高了算法的寻优效率。仿真函数优化的结果验证了该算法能有效地维持种群的多样性并迅速找到最优解。     

基于改进粒子群算法的优化策略

为提高传统粒子群算法的搜索速度和搜索精度,提出了一种改进的自适应粒子群优化算法.将正则变化函数和慢变函数引入传统位置更新和速度更新公式当中,形成两种新的更新机制:搜索算子和开发算子.在算法运行的初始阶段,种群中大部分个体将按照搜索算子进行更新,搜索算子将有助于种群遍历整个解空间;随着迭代次数的增加,按照搜索算子进行更新的个体将逐渐减少,而按照开发算子进行更新的个体将逐渐增多,开发算子将有效地克服陷入局部最优解的问题.通过典型测试函数的仿真实验,新算法在加快收敛速度同时,提高了算法的全局搜索能力.     

SIGA:一种新的自适应免疫遗传算法

为了克服传统遗传算法收敛速度慢和容易陷入局部最优的不足,提出了一种新的自适应免疫遗传算法SIGA（Self-adaptive Immune Genetic Algorithm）。新算法对遗传算子进行改进,提出了自适应交叉和变异算子,保证了种群多样性和防止早熟现象发生;为了使免疫算子兼顾个体多样性和提高种群个体适应度的水平,提出了基于相似性矢量距离的免疫选择算法。实验表明,与传统的遗传算法和免疫算法相比,该算法收敛速度提高了3～90倍,求解精度达到10^-3,并有效地抑制了早熟现象。     

基于离散变量自适应遗传算法的改进

在自适应遗传算法中交叉算子和变异算子随着其适应度变化自动改变其值,从而影响遗传进化的过程,但算法在进化初期对遗传操作的效果并不明显。本文针对离散变量的特征,通过计算个体间的离散程度,判断种群的进化程度,根据不同的进化时期自适应调整交叉概率和变异概率,使得种群的交叉和变异配合进行,有效地解决了离散变量在进化初期容易陷入局部寻优的问题。实验结果表明,算法经改进后,其全局收敛的可靠性增加并加快了收敛的速度。     

一种新的自适应免疫遗传算法

 为了克服传统遗传算法收敛速度慢和容易陷入局部最优的不足,提出了一种新的自适应免疫遗传算法SIGA(Self-adaptive Immune Genetic Algorithm)。新算法对遗传算子进行改进,提出了自适应交叉和变异算子,保证了种群多样性和防止早熟现象发生;为了使免疫算子兼顾个体多样性和提高种群个体适应度的水平,提出了基于相似性矢量距离的免疫选择算法。实验表明,与传统的遗传算法和免疫算法相比,该算法收敛速度提高了3~90倍,求解精度达到10^-3,并有效地抑制了早熟现象。     

基于动态分组的多策略引力搜索算法

给出了一种基于动态分组的多策略引力搜索算法.算法迭代初期利用自适应分组策略对种群进行分组寻优,每个分组内只更新最差个体,采用云模型理论来改进最优个体的进化行为;迭代后期将种群分为优势子群和拓展子群,采用差分变异算子更新优势子群提高寻优精度和速度,利用Tent混沌理论进化拓展子群完成个体变异.典型复杂函数测试表明,该算法具有很好的收敛精度和计算速度.     

一种新的改进差分进化算法

针对差分进化算法(Differential Evolution,DE)在运行过程中出现个体聚集、种群多样性减少,导致算法收敛速度缓慢、收敛精度不高以及易早熟收敛等问题,提出一种基于自适应变异算子、交叉算子以及新变异策略的改进差分进化算法。采用6种常用的基准函数对改进DE算法进行测试,并将测试结果与其它算法进行比较。结果表明:提出的改进差分进化算法较j DE与标准DE算法具有更快的收敛速度、更高的收敛精度以及更好的全局收敛能力。     

基于互补变异算子的自适应差分进化算法

在参数自适应的差分进化算法的基础上,同时采用DE/rand/1和DE/best/2两种具有互补特性的差分变异算子,提出了多种采用不同分配策略的新型差分变异算法.2种变异算子的分配分别采用随机分配、基于种群规模的单调分配、适应性随机分配以及基于种群规模的适应性分配4种策略.基于标准测试函数的数值优化结果表明:双变异模式的自适应差分进化算法总体上明显优于2种标准DE算法.在4种分配策略中,单调分配策略效果最佳.所提出的DE算法利用了DE/rand/1型变异在保持种群多样性方面的优势,并继承了DE/best/2型变异局部收敛速度快的优点,较好地实现了探索与利用的平衡,而且需要人工调节的参数较少,便于在实际中使用.     

自适应遗传算法在移动机器人路径规划中的应用

将一种自适应遗传算法应用于移动机器人路径规划.提出了一种基于几何避障法的初始种群产生算法;设计了基于启发式知识的交叉、变异、求精和删除算子;采用一种新的模糊逻辑控制算法自适应地调节交叉概率和变异概率;对移动机器人离线和在线规划问题进行了仿真研究.仿真结果表明:自适应遗传算法具有较快的搜索速度、较高的搜索质量以及较强的自适应能力,为移动机器人最优路径规划问题的解决提供了一种新方法.     

基于遗传算法的单件准时化生产计划

设计了一种遗传算法，用来解决以准时生产为目标的单件制造业生产计划问题，提出了基于投产日期的生产计划编码方法，这种编码方法直接把生产计划映射为一个有序的字符串，并针对这种编码设计了专门的交叉算子和变异算子，相似度检验增加了初始种群的多样性；小生境进化技术的运用有效地保持了群体的分布性；种群并行进化策略、变异率自适应调整、与启发式算法相结合等措施提高了遗传算法收敛到最优解的成功率。     

一种求解TTP问题的SAGA算法

分析了高校课程表编排中涉及的各种约束条件和特殊要求,给出了一种求解TTP问题的模拟退火遗传算法(SAGA),并且对遗传算法中的交叉、变异操作采用自适应方式进行了改进,提高了算法在解空间中的探索能力和效率.数值实验证明了该方法的有效性和可行性.     

基于变异田口算法的多层吸波材料优化设计

针对田口算法(Taguchi method,TM)处理复杂优化问题时易早熟收敛的缺点,引入遗传算法中的变异思想,提出了一种基于变异机制的田口算法(mutation-based Taguchi method,MTM).在基本田口算法的基础上,利用变异算子生成参数的水平值,提高算法跳出局部极值的能力.同时,采用自适应内循环机制,多样化算法搜索空间.将改进后的田口算法应用到多层吸波材料的优化设计中.实验结果表明,变异田口算法能够有效跳出局部极值,寻找到全局最优值,综合考虑各个变异方式的寻优效率、寻优精度及稳定性,参数的2水平值高斯变异性能最佳.优化后的多层吸波材料能够达到低反射系数、薄厚度的设计要求.     

改进的遗传谐振匹配网络学习算法

针对简单自适应匹配（SFAM）网络结构冗余的问题提出一种改进遗传谐振匹配网络学习算法.通过引入群体适应度均值和标准差来自适应调整交叉概率和变异概率;针对自适应谐振网络自身在训练过程中可能出现的类冗余问题,在遗传操作中引入裁剪算子,通过定义置信度因子依据规则对训练过程中网络可能出现的冗余类标志节点进行删除,降低网络结构的...     

改进遗传模拟退火算法在多峰值函数优化中的应用

采用均匀变异算子及自适应最优保存的方法对遗传模拟退火算法进行了改进,并用MATLAB实现了改进算法中各算子的编程方法．实例证明该算法能够在多峰值函数优化中较快的收敛至最优解．     

最小权三角划分的进化算法

提出了一种解决平面点集最小权三角划分的新方法——最小权三角划分进化算法。针对平面点集最小权三角划分问题的特点，提出了新的交叉算子和变异算子，即多边形交叉算子与三角形变异算子。从而保证了经交叉与变异操作后得到的后代仍为合理的三角划分，加快了算法的收敛速度。研究了进化算法的几个主要参数（如：解群规模、交叉概率、变异概率及自适应系数）对算法性能及收敛性的影响，并给出了影响曲线。计算结果表明，新算法能得到比贪心算法更优的结果。     

混沌在实数编码遗传算法中的应用

提出了基于退化混沌突变算子的实数编码遗传算法.此算法通过利用混沌特定的内在随机性、遍历性和变化的进化速率,较好地模拟了生物进化过程,提高了算法的爬山能力,并针对不同的进化阶段,自适应地采用不同的算子操作次序,在一定程度上保护了已得到的有效个体.因此较好地克服了早熟收敛和停滞,并有效地解决了全局收敛性问题.仿真结果表明,与已有的自适应算法相比,该算法容易实现,求解精度、收敛速度和可靠性较高.     

一类自适应遗传算法

简要介绍了徐宗本教授新近提出的可分解／可拼接遗传算法编码,并证明了一个得用对偶适应函数判定已知个体是否为相对全局最优解的判据,基于新的编码与判据,分别在种群层次与基因层次发展了动态变异与动态选择操作,进而提出了一类自适应遗传算法,对其原理的分析表明,新算法可用于求解所给问题的任意精度解,且在很大程度上可避免遗传算法早熟现象,此工作是对模拟演化自适应计算技术的有效探索。