基于自适应HereBoy算法的电路进化设计实验研究

针对电路进化设计演化后期种群收敛速度放慢等问题,采用自适应Here Boy算法,融入遗传算法的群体概念,研究自适应因子在进化算法中对演化收敛速度的影响。运用类神经网络的电路模型和矩阵编码方法对组合电路进行编码,建立了电路编码到电路功能的映射关系,采用外部进化方式进行电路适应度值评估,引入自适应遗传算子提高算法收敛速度和种群多样性。二位二进制乘法器电路的进化结果表明,该方法较传统Here Boy算法在电路进化设计进程中电路平均演化代数及演化时间明显减小,在进化后期,随着种群演化代数增加适应度值平均涨幅提高。     

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。     

面向可靠性冗余优化的自适应差分进化算法

针对可靠性冗余优化问题中解的精度低及算法早熟收敛的问题,提出一种自适应的差分进化算法.该算法在原始差分进化算法的基础上修改了变异算子和交叉算子;在进化过程中,缩放因子F和交叉概率CR分别由三角函数实现自适应调节,以提高可行解的多样性及算法的收敛速度.解决了可靠性冗余优化问题解的精度低及早熟收敛问题.实验结果表明,该算法在解决可靠性冗余优化问题上不仅提高了解的精度,且具有更好的稳定性及更快的收敛速度.     

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.     

自适应搜索的改进遗传算法及其应用

提出了一种具有自适应搜索能力的快速收敛遗传算法。在计算过程中，设计变量的搜索范围依据每代自变量的数学期望和方差自动进行调整，并且通过引入进化策略中的自适应高斯变异算子，对变异算子进行改进，加速了算法的收敛性。为了验证算法的可行性和鲁棒性，对一个高维多峰函数的极小值搜索问题进行了求解，并将算法进一步应用于离心叶轮的形状优化问题。计算结果表明，该算法克服了传统遗传算法中设计区间的给定具有一定盲目性的缺陷，在收敛性和鲁棒性方面均优于传统的实数编码遗传算法。     

基于自适应正交局部搜索算子的混合遗传算法

基于遗传算法的动态特性和正交设计的思想，提出了能根据当前进化的种群状态自适应调整局部搜索空间大小的正交局部搜索算子。对结合了自适应正交局部搜索算子的混合遗传算法进行了经典的多峰值测试函数的性能测试，结果表明，混合算法在获得的解的准确性和收敛速度上均优于标准遗传算法。     

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。     

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。     

基于免疫遗传算法的多播QoS路由算法

提出一种基于自适应免疫遗传算法的多播QoS路由算法,该算法不仅能随种群进化的需要自适应调整交叉概率和变异概率,而且还通过引入免疫算子,在保证群体多样性的同时得到Pareto最优解.该算法能近似模拟自然界及生物个体竞争、繁衍和死亡的过程,具有较好的空间收缩能力和局部求精能力,能加快收敛速度和提高收敛精度.从而克服遗传算法的早熟问题.仿真结果验证了算法的有效性.     

自适应混沌遗传混合算法及其参数敏感性分析

提出自适应搜索空间的混沌遗传混合算法.该方法不同于一般的混沌遗传混合算法,它在遗传进化的过程中根据群体多样性测度引入混沌算子,并从全局搜索空间以随机概率解析出优秀解域,对个体分两个区域进行混沌扰动:优秀解域细搜索和全局解域大扰动.数值仿真表明该算法既加快了收敛速度又提高了收敛精度,解决了传统遗传算法的早熟问题.     

一种连续探索型自适应遗传算法及其应用

对经典遗传算子中的交叉算子和变异算子进行了重新设计，提出了一种连续探索型自适应遗传算法。该算法能够根据种群进化情况，动态地调整遗传算子，维持种群的多样性，克服过早收敛并加快了搜索速度，得到高品质解。将该算法用于最短路径求取中，仿真结果证实是合理的和有效的。     

自适应局部增强微分进化改进算法

在分析微分进化算法基本原理基础上,为加快算法收敛速度,对其交叉概率和交叉因子进行自适应调整改进;为增强算法局部搜索能力,引入局部增强算子和扰动因子改进算法,即自适应局部增强微分进化算法。选取5个典型测试函数,将改进后算法与PSO算法、微分进化算法和局部增强微分进化算法仿真比较。仿真结果表明:自适应局部增强微分进化算法为收敛时间最短、迭代次数最少的优化算法,验证了算法改进的有效性。     

自适应迁移并行遗传算法在无线通信网优化中的应用

为利用最少的基站数实现规定的服务质量 ,提出了在一个区域的若干个备选位置中选择最优组合的粗粒度并行遗传算法 ,在不提高成本的同时 ,优化网络的覆盖率。不但提出了一种高效的局部搜索算子 ,而且为防止未成熟收敛 ,使用了只在子群体无法继续进化时才接收迁入个体的自适应迁移策略。仿真证明 ,对比固定周期迁移 ,采用的自适应迁移策略能够提高优化的速度和质量。     

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.     

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.     

一种改善遗传算法早熟现象的方法

讨论了遗传算法(GA)中遗传算子对于改善群体整体品质实现群体进化的作用以及遗传算法中早熟现象的成因．通过动态调整遗传算法中的交叉概率和变异概率引入自适应算子，并与局部退化算子相结合来抑制早熟现象．最后给出了算例，说明该方法对于改善遗传算法中早熟现象以及提高算法效率有良好的作用．     

基于白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．     

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.     

基于改进自适应遗传算法的小径短绳自动打捆机步进电机PID控制

为提高小径短绳自动打捆机步进电机的控制精度,在分析经典遗传算法和经典自适应遗传算法的基础上,引入进化代数和个体适应值排名来指导自适应交叉率和自适应变异率,设计了一个基于改进自适应遗传算法的PID控制器,以削弱进化过程中优良参数的退化现象。MATLAB仿真结果表明,改进的自适应遗传PID提高了收敛精度,并具有更快的收敛速度。针对步进电机的实际测试结果表明,与经典遗传算法相比,改进的自适应遗传PID调整时间更短、超调量更低。     

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．