并行遗传算法收敛性分析及优化

针对并行遗传算法（parallel genetic algorithms，PGA）容易出现收敛过快和陷入局部最优解的问题，综合多种不同进化策略遗传算法之所长，设计了一种混合的粗粒度并行遗传算法。该算法由多个独立的子群体组成，各个子群体并行的、独立的、按照不同的遗传进化策略进化，每隔一定的时间，在子群体之间进行最优个体的迁移，促进群体的共同进化，并抑制群体早熟。在PVM环境下，用该算法实现函数优化问题，仿真实验数据表明了其有效性．     

伪并行遗传算法在供水管网优化调度中的应用

讨论了基于微观水力模型的多水源大型供水管网优化调度问题的主要特征，并提出了求解该问题的改进遗传算法．首先，针对决策变量的结构提出二进制-实数混合编码策略；其次，设计并实现了多种群进化的伪并行遗传算法．将本算法与单一群体进化算法同时应用于实际管网的优化调度求解，结果表明，通过个体迁移策略，伪并行遗传算法可以加速优化搜索的进程，显著改善解的质量，并有效节省运行调度费用．     

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．     

多群体并行遗传算法迁移策略的性能研究

研究了迁移策略对并行遗传算法性能的影响。研究了所有可能的4种组合：（1）选取最优个体进行迁移并在目的子群体中替换最差个体；（2）随机选取个体进行迁移并在目的子群体中替换最差个体；（3）选取最优个体进行迁移并在目的子群体中随机替换个体；（4）随机选取个体进行迁移并在目的子群体中随机替换个体。从累积量（Cumulants）的分析来看，似乎选取最优个体进行迁移并在目的子群体中随机替换个体的迁移策略能更好地兼顾局部搜索和全局搜索。通过对几个典型测试函数的测试，结果表明：选取最优个体进行迁移并在目的子群体中随机替换个体的迁移策略不比其他3种策略差，甚至在部分测试中要优于其他策略。这一结果可能有助于设计出性能更好的并行遗传算法。     

三级泵优化配置问题算法设计及求解

针对三级泵优化配置问题的难解性，提出一种扩展拥挤遗传算法（ECGA）．该算法在进化过程中采用物种保留策略维持群体的多样性，从而可以保证得到问题的全局最优解．此外，采用组合编码策略实现连续变量和整数变量的混合编码，使之可应用到混合整数非线性规划（MINLP）问题．通过与传统OA、ECP、MIN—MIN等算法解算结果比较，验证了ECGA算法可有效地求解三级泵配置问题．     

基于樽海鞘群优化差分进化算法的实验室预约模型

为了提高实验室预约工作的效率，采用动态差分进化算法进行预约方案生成，并通过樽海鞘群算法对动态差分进化算法进行改进，从而增强方案对不同预约规模的适应度。首先，输入实验室设备、实验室时间、预约者申请使用记录等样本特征，构建多个预约样本个体。然后，建立动态差分进化算法实验室预约模型，以实验项目满足度作为适应度。通过交叉和选择操作不断更新个体适应度，并采用樽海鞘群算法对差分进化算法的缩放因子进行优化求解。通过樽海鞘个体的领导者和跟随者在设定运动范围内的位置更新来获得最优缩放因子。最后，采用最优缩放因子对应的动态差分进化算法进行实验室预约方案求解，输出最优受益面指标预约解。实例仿真结果表明，通过合理设置樽海鞘群算法参数，在不同预约者规模情况下，基于樽海鞘群改进的动态差分进化算法均能够获得较高受益面指标的预约方案。     

一类针对带约束优化问题的进化规划算法

提出了一种适用于求解带约束优化问题的进化规划方法，其中关键的变异算子采用基于行为的架构，事先设计一系列子变异算子，如使得个体适应度函数值趋向最小方向的变异算子、逃避约束方向的变异算子、种群总体平均适应度函数值趋向最小方向的变异算子等，通过加权平均的方法决定总变异方向．结合小生境技术及最优个体保存的选择策略，该算法能在同时保证种群的多样性和个体的全局最优性的情况下快速地求得带约束条件下的最优解．仿真结果表明，该进化规划算法是可行的．     

一种基于ELECTRE法的多目标优化进化算法

将多目标属性决策方法中的ELECTRE法引入到多目标优化进化算法中,提出了一种新的多目标优化算法.采用辅助群体来存储进化过程中的非劣个体,并且采用与SPEA-Ⅱ相同的适应值分配策略来保证解的良好分布性.此外,构造出一种新的超序关系对个体进行排序,证明了该超序关系比Pareto优劣关系弱,利用此超序关系,能增强进化过程中的选择压,加快收敛速度.数据实验结果表明,该算法能很好地收敛到Pareto最优,有效地保持解的多样性.     

基于新约束集成的差分进化算法

提出基于新约束集成的差分进化算法用于求解带约束的优化问题.在产生新个体的阶段,算法采用3种不同的突变策略.利用不同的约束处理技术对新个体进行选择,并通过引入局部搜索,增强算法局部寻优能力,避免算法陷入局部最优.该算法在CEC 2017的28个基准函数上进行数值实验,并且与其他较为先进的算法进行比较,实验结果显示,新算法在求解精度上表现较好.     

具有自适应度双群体PSO的组群机器人队形控制

针对粒子群算法对约束条件的优化处理问题,提出一种具有自适应度双群体粒子群优化算法,该算法将目标函数与约束条件分别考虑,形成2种群体以不同目标为前提同时向最优解进化;并分别对2种群体的适应度引入自适应权重系数与相应调整策略,基于并非所有非可行个体均劣于可行个体概念,动态地调整其适应度以保证部分非可行个体向可行域进化.将其应用于组群机器人队形控制中,链型结构(纵队)队形仿真结果表明了该算法的有效性.该粒子群算法为实际应用中约束优化问题的求解提供了新的途径.     

一种改进的小生境遗传算法

简单遗传算法（SGA）存在早熟收敛和后期收敛速度慢的弱点，基于小生境（niche）技术的改进遗传算法因其较好地保持了种群多样性，显示出更优的性能，但它存在操作复杂、比简单遗传算法更费时的缺陷，因此提出了一种基于自适应的小生境遗传算法。该算法在多模函数的优化中能够保持种群多样度的稳定性，获取合适的子种群规模，从而以更快的收敛速度获得更优的解。仿真结果表明该算法高效、可靠，易于实现。     

一种改进的小生境遗传算法

简单遗传算法（SGA）存在早熟收敛和后期收敛速度慢的弱点，基于小生境（niche）技术的改进遗传算法因其较好地保持了种群多样性，显示出更优的性能，但它存在操作复杂、比简单遗传算法更费时的缺陷，因此提出了一种基于自适应的小生境遗传算法。该算法在多模函数的优化中能够保持种群多样度的稳定性，获取合适的子种群规模，从而以更快的收敛速度获得更优的解。仿真结果表明该算法高效、可靠，易于实现。     

基于遗传算法的铂电阻温度传感器非线性校正方法

遗传算法是具有全局寻优特点的一种新型最优化方法．针对铂电阻传感器经验公式的非线性问题使用遗传算法对其进行了优化研究．简要地介绍了遗传算法的基本原理和运算规则，具体地描述了使用遗传算法实现铂电阻传感器系数拟合的步骤和程序．作为一种有效的优化手段，能够完成优化软件具有的功能，具有一定的工程应用价值．     

基于改进免疫遗传算法的配电网网架规划

为了解决传统方法难以实现配电网网架规划组合优化的问题,针对改进免疫遗传算法具有生物免疫系统中抗体多样性的保持机制和基于抗体浓度的调节更新机制,同时又具有一般进化算法的随机搜索能力,采用改进免疫遗传算法对配电网网架规划进行求解,提高了种群的多样性和遗传算法的全局寻优能力.优化模型以网络年费用最小为优化目标,以线路传输容量、电压降、配电网的辐射性等为约束条件;根据配电网辐射性的要求,以备选网络的生成树作为初始解,从而避免了随机产生初始可行解时速度较慢的弊端.并借鉴支路交换的思想设计杂交算子和变异算子,以避免辐射性检查过程,使得算法的寻优能力大为增强.通过算例验证了该算法的有效性,同时算例结果表明该算法的计算速度比常规免疫遗传算法的计算速度有较大提高.     

一种新型群体智能优化算法——微进化算法

提出了一种新型群体智能优化算法——微进化算法.该算法采用实数编码,基于个体自身历史最优位置,以群体中最优个体与当前个体的矢量差异信息作为指导,进行启发式搜索.数值实验结果表明:微进化算法简单有效、计算精度高、收敛速度快、鲁棒性强;此外,还具有参数设置简便、计算简单等特点.     

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。     

一种基于基因遗传算法的诊断问题求解方法

基因遗传算法是一种基于达尔文进化论思想的新的优化算法，它是对生物进化过程中繁殖、变种和自然选择等规律的模拟。作为一种进化论的数学模型，基因遗传算法在解决大空间的搜索和组合优化问题等方面具有独到的功效。本文在概率因果诊断模型的基础上，应用基因遗传算法解决了诊断中具有组合瀑炸数的多故障同时性诊断问题。     

高斯基函数CMAC快速算法的改进及应用研究

该文对基于高斯基函数小脑模型(CMAC)的快速算法进行了改进，针对其学习速率的选取问题，提出了一种基于遗传算法的学习速率最优选取方法，使得CMAC学习速率的选取得到了最优化。讨论了该算法的实际可行性，提出了参数选择和实时控制相分离的策略，并在某转台伺服系统模型中进行了应用研究。仿真结果表明，改进算法避免了学习速率选取的经验不确定性，提高了CMAC学习收敛的快速性。     

割纸算法及其实现

割纸算法是一种求最优的算法,本算法的实现的关键技术是"递归",编写"递归算法时,是将原问题转换成一个或多个子问题,并找出停止条件．在本算法中,终极所有的切割方法,记下最优的结果．