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．     

基于改进算法的移动机器人路径规划

机器人路径规划问题通常采用不同算法来对其进行规划，为发挥算法中改进遗传算法和鲸鱼优化法的优势，弥补遗传算法出现优化准确率和收敛度不高等问题，将改进遗传算法和鲸鱼优化法融合，增强移动机器人路径规划对动态环境的适应性能。对算法适应度函数进行优化，改善了基本遗传算法、提升了原算法对函数的求解效率。通过遗传算法、对遗传算法进行改进的算法、改进遗传算法与鲸鱼算法相融合的算法所运行的路径长度与运行时间进行比较，结果表明融合改进优化算法可以有效获取最优算子，减少运算时的迭代次数，同时提升算法的规划准确率。     

遗传算法的研究及其在函数优化中的应用

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法.在文中介绍了遗传算法的初始群体的生成、交叉算子、变异算子.在分析了基本的遗传算法的特点和缺陷的基础上,提出了改进的方法.改进的遗传算法在函数优化中的应用具有较好的效果.     

一种快速实现多峰值函数优化的改进遗传算法

针对基本遗传算法具有的收敛早熟、局部搜索能力差等缺点,提出了一种快速实现多峰值函数优化的改进算法。该算法包含并行小生境技术、可疑峰值点判断、引入局部搜索参数等策略,并采用C语言成功编写了通用程序。数值算例表明：该改进算法能有效防止早熟收敛,明显提高遗传算法的收敛效率,快速搜索到目标函数的所有最优点。该算法对求解多峰值函数优化问题具有普适性。     

改进遗传算法在TSP中的研究应用

遗传算法(GA)是一种基于自然群体遗传机制的有效搜索算法,由于在搜索空间中存在早熟及计算偏大的不足,本文提出优化遗传算子来改进遗传算法的搜索性能,提高遗传算法在研究典型的组合优化实例-TSP问题的求解效率,最后计算机模拟结果表明,改进遗传优化算法不仅在收敛速度方面提高,而且更接近于最优解的满意解。     

基于改进的遗传算法求一元非线性方程的根

对求优化问题的标准遗传算法加以改进，并利用改进后的遗传算法求一元非线性方程的根，数值模拟表明，在染色体的长度控制在6-8的情形下，不仅不依赖函数的性质和初值的选择，而且可快速求出方程的高精度的根。     

基于主附种群结构的遗传算法

介绍了一种基于新的变异算子多种群的新遗传算法，该算法可用来解决复杂的多峰函数优化问题．解决这些问题的传统遗传算法经常陷入局部最优，新算法引入一种新的基于主群、附属子群的结构可避免传统遗传算法难以克服的早熟收敛．在该结构中，主群采用新的变异算子来保持良好的群体分布，并促使较优模式的快速增长，附属子群设计在有限区域内获取局部最优．用搜索历史记录及主子群体通讯能减少搜索空间，以获取全局最优和几个局部最优．搜索局部最优和全局最优可用于多人脸检测以及路径寻优问题．实验表明，该算法已在几个复杂的多峰函数优化上取得了较好的结果．     

多峰函数优化的混合遗传算法

研究了2种基于最速下降法和遗传算法的求解多峰函数优化问题的混合遗传算法,以Schaffer函数的全局优化问题和收敛概率、平均收敛时间和平均收敛值等评价指标检验了混合算法的性能.结果表明混合算法的性能优于单独的遗传算法或最速下降法,采用随机方式选择局部优化个体的混合遗传算法性能在总体上优于从每代群体中选择适应度高的个体进行局部优化的混合遗传算法.     

多维函数优化的遗传算法研究

本文研究了求解多变量函数优化问题的遗传算法,在此算法中采用了十进制浮点数基因表示方法,并相应地提出了一种叠加零均值Gauss随机扰动的变异方法,研究表明,对于满足组件假说的多维函数优化问题,这种遗传算法具有较高的搜索效率．     

仿生优化算法及其在函数优化问题中的应用

仿生优化算法是一类解决函数优化问题的更好方法.本文基于遗传算法、蚁群算法和人工鱼群算法的基本原理,探讨了各种算法在求解函数优化问题中的应用.两个典型函数极值问题的数值实验表明,这三种仿生优化算法在求解函数优化问题中具有良好的优化性能,其中鱼群算法性能最好.     

激光切割路径优化的双重编码改进遗传算法

针对激光切割路径优化的特点,将其归纳为旅行商问题,并利用改进遗传算法进行求解。为使优化更具实际意义,建立了考虑时间距离和热效应的多目标优化数学模型。改进的遗传算法采用双重编码对轮廓扫描顺序和各轮廓的起始点同时进行优化。在编码设计时,被切割件除考虑多边形情况外还考虑到圆及椭圆的情况,通过构建的适应函数将多目标函数转化为单目标优化问题,同时为提高算法的优化性能,适应函数采用动态控制,并改进了交叉与变异操作。仿真结果表明,该算法能有效地对激光切割路径进行优化。     

一种解决TSP问题的自适应协同演化计算方法

针对遗传算法和蚁群算法存在运行时都会出现停滞、早熟等现象,且容易陷入局部最小的特点,提出了一种将两者结合协同演化运行的方法,通过建立对这两种算法状态的评估函数来动态判断其运行状态是否正常,进而动态调整运行的算法,从而最大程度地避免了这两种算法运行时的缺点.对TSP问题进行了实验测试,结果表明：此方法在收敛速度、寻优结果上都较上述两种算法单独运行有着明显的优势.     

基于分布式神经动力学算法的微电网多目标优化

针对微电网多目标优化计算量较大的问题,提出了一种考虑需求响应的微电网分布式神经动力学优化算法.首先,考虑平均效率函数、微电网的排放、需求响应引起的不满意度以及总利润函数等因素建立多目标优化模型.其次,应用单目标积公式将多目标优化问题转换为单目标优化问题,并证明了最优解是原始多目标问题的帕累托最优点.再次,使用对数障碍物惩罚因子处理不等式约束,利用Lasalle的不变性原理和Lyapunov函数证明所提出的算法可以收敛到最优解.最后,通过仿真验证了本文算法可以在保证优化精度与收敛性条件下,大大降低计算成本.     

具有周期性双层优化结构的无人机集群航路规划模型

 针对多种威胁条件下的无人机集群航路规划问题,提出了集群控制方法和周期性双层优化算法。以定点抵达任务为背景,将d-范数、冲击函数与反曲函数结合起来,构建了能够实现雷诺兹准则的集群动态控制模型,并采用设计出的周期性双层优化算法求解中心无人机的航路规划问题。通过仿真算例,验证了该模型的实效性和优化算法的可行性,与遗传算法-人工势场混合算法相比,周期性双层优化算法求解效率更高且优化效果更好。     

An improved GT algorithm for solving complicated dynamic function optimization problems

An improved Guo Tao algorithm (IGT algorithm) is proposed for solving complicated dynamic function optimization problems, and a function optimization benchmark problem with constrained condition and two dynamic parameters has been designed. The results achieved by IGT algorithm have been compared with the results from the Guo Tao algorithm (GT algorithm). It is shown that the new algorithm (IGT algorithm) provides better results. This preliminarily demonstrates the efficiency of the new algorithm in complicated dynamic environments.     

基于动态隧道系统的K-means聚类算法研究

针对K-means聚类算法易陷入局部极小的问题,利用动态隧道算法在解决全局最优化问题中的有效性,将算法中的动态隧道过程引入到K-means聚类算法中,提出了一种基于动态隧道算法的K-means聚类算法.该算法在K-means聚类算法寻优得到的局部极小值基础上,利用动态隧道过程寻找更小的能量盆地,再将其值提交给K-means聚类算法进行迭代寻优,重复该过程,直到找到全局最小值.理论分析和仿真实验证明,该算法的聚类效果要优于K-means聚类算法.     

遗传算法在铁路客车横向稳定性多参数优化中的应用

以典型铁路客车的动力学模型为研究对象,以车辆最大可行速度为目标函数,采用遗传算法对其横向稳定性参数进行了最优化的计算研究．结果表明：遗传算法在求解车辆动力学系统的参数优化问题中具有很好的适用性．尤其是对于多参数、多峰的非线性问题,该法提供了求解问题全局最优解的可能性．     

基于深度学习神经网络和量子遗传算法的柔性作业车间动态调度

针对柔性作业车间动态调度问题构建以平均延期惩罚、能耗、偏差度为目标的动态调度优化模型,提出一种基于深度Q学习神经网络的量子遗传算法。首先搭建基于动态事件扰动和周期性重调度的学习环境,利用深度Q学习神经网络算法,建立环境■行为评价神经网络模型作为优化模型的适应度函数。然后利用改进的量子遗传算法求解动态调度优化模型。该算法设计了基于工序编码和设备编码的多层编码解码方案;制定了基于适应度的动态调整旋转角策略,提高了种群的收敛速度;结合基于Tent映射的混沌搜索算法,以跳出局部最优解。最后通过测试算例验证了环境-行为评价神经网络模型的鲁棒性和对环境的适应性,以及优化算法的有效性。     

基于粒子群算法的不确定动态多目标优化方法研究

当前不确定动态多目标优化方法通常将多目标问题转换成单目标问题,将其它目标看作约束条件,仅可得到单个解,无法有效体现不确定多目标之间的关系,导致得到的解质量低。为此,提出一种新的基于粒子群算法的不确定动态多目标优化方法,给出不确定动态多目标优化问题的数学描述,介绍了粒子群算法,针对粒子群算法容易陷入局部最优的弊端,引入动态变异算子对其进行改进,通过改进的位置更新公式实现粒子群算法位置的自适应更新,给出解决不确定多目标优化问题的详细过程,在此基础上,通过分段线性函数参数化实现不确定动态多目标优化。实验结果表明,所提方法搜索能力强,采用所提方法得到的解与真实解最相近,质量最高。     

多峰函数寻优的微粒群算法

某些实际问题的优化目标是求所有的局部最优解，即求解多峰寻优问题，为了求解多峰优化问题，提出了改造的微粒群优化算法．尽量减少微粒群算法中的全局因素，从而增大其局部因素，同时采用变步长方法增加微粒的多样性．并给出了该算法的原理和步骤．仿真实验表明该算法概念清楚，计算简单，具有很好的局部寻优特性，可应用求解于多峰寻优问题．另外还给出了几个运算实例和与其它优化算法的比较．图表，表1，参9．