一种自适应克隆选择分子对接构象搜索策略

为提高分子对接精度与速度,设计并实现了基于自适应克隆选择算法的分子对接构象搜索策略.该策略用自适应克隆增殖算子、自适应变异算子、自适应重组算子更新了克隆选择算子、高频变异算子、重组算子,同时引入抗体浓度机制.为验证该对接方法的有效性,用此方法对布克海文蛋白质数据库中的六种蛋白质—配体复合物进行实验测试,并将实验结果与拉马克遗传算法、模拟退火算法、免疫遗传算法和简单克隆选择算法进行比较,结果表明该对接策略具有更快的收敛速度和更好的寻优能力.     

一种考虑环境作用的协同免疫遗传算法

在综合考虑了环境对生物进化的影响、免疫算法的结构以及遗传算法部分算子的基础上,提出一种考虑环境作用的协同免疫遗传算法(ESIGA),以实现提高算法搜索速度和全局搜索能力的目标.在该算法中,设计了克隆环境演化算子和自适应探索算子,并构造了3个子种群协同进化以发挥克隆环境演化算子的影响,从而提高算法的全局搜索能力.引入的自适应探索算子和克隆环境演化算子,使算法具备了一定的学习能力,可加速搜索和防止早熟.构建的主种群和协同种群相互影响,使得算法对环境具有改良能力,加强了克隆环境演化算子的性能,而精英种群则加强了算法在优质个体邻域的搜索能力.采用13个常用无约束优化问题测试函数对算法做了检验,测试数据表明:ESIGA算法与正交遗传算法相比,其搜索速度要快于正交遗传算法1～2倍,并能够处理1 000维的高维优化问题.     

基于定向突变的自适应并行免疫算法

针对克隆选择算法收敛速度较慢的问题,对算法策略进行研究,提出了一种基于定向突变的自适应并行免疫算法(APIA)。该算法采用自适应并行搜索策略,在记忆库中引入定向突变算子,增强算法的局部定向搜索能力,并改善算法早熟的问题。同时算法还改进了超变异算子,以提高其运行效率。仿真实验结果表明:该算法比克隆选择算法和传统的遗传算法有更好的寻优能力,有效地提高了收敛速度,缩短了搜索时间。     

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。     

自适应免疫遗传算法在混合流程车间调度中的应用

针对钢丝绳生产混合流程生产模式和工艺、结构特点，研究与设计了自适应免疫遗传算法求解钢丝绳生产JSSP问题．该算法利用免疫算法指导收敛方向，提高了遗传算法运算效率，改善了局部搜索能力．同时改进了算法交叉算子和停机准则．应用于钢丝绳生产作业计划管理系统，提高了调度的科学性、时效性及可行性．     

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．     

一种改进的两代竞争遗传算法

两代竞争遗传算法改变了简单遗传算法的选择机制，提高了搜索效率．但是两代竞争遗传算法易出现早熟现象，局部寻优能力并未改善．针对这些问题作者提出了一种改进算法，通过变异概率和交叉、变异范围的自适应调整，改善两代竞争遗传算法的搜索性能．实验表明，改进算法克服早熟现象，且能提高算法的局部寻优能力．     

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。     

基于实数编码的自适应伪并行遗传算法

根据适应度的方差，定义了一种度量种群多样性的指标。在实数编码遗传算法的交叉算子和变异算子中引入该指标，并将该指标用于指导交叉概率和变异概率两个参数的调整，从而使算法在计算过程中能够根据种群多样性的变化自适应地调整其参数。再采用并行计算的思想，在单台计算机上实现了一种类似并行遗传算法的自适应伪并行遗传算法。用这种方法对6个典型的多峰值函数求极值，并和其他方法进行比较，结果表明：所定义的种群多样性指标可以用于遗传算法的自适应调整，该算法具有较强的全局搜索能力和局部搜索能力，能够有效地克服早熟收敛问题。     

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。     

基于改进人工蜂群算法优化小波神经网络的短时交通流预测

为了提高城市道路短时交通流量的预测精度,克服小波神经网络预测过程中存在收敛速度较慢、容易陷入局部最优的缺点,提出改进的人工蜂群算法优化小波神经网络预测模型。该算法引入差分进化算法中的自适应变异操作和遗传算法中的选择算子、交叉算子与变异算子来优化传统的人工蜂群算法,改善人工蜂群算法后期收敛速度慢、局部搜索能力弱的缺点。本文使用该算法优化小波神经网络的参数并对短时交通流进行预测,模型的仿真结果表明,改进人工蜂群算法优化小波神经网络预测的结果误差更小,精确度更高,训练次数少,具有较高的实际应用价值。     

基于个体强度的自适应差分多目标免疫算法

考虑到支配解可能携带有利于算法搜索到最优解的信息, 在克隆阶段选择一部分非支配解和支配解克隆以提高种群多样性和避免算法早熟收敛。在进化阶段, 先采用自适应差分进化算子交叉变异, 然后用多项式变异算子进行扰动以有效地平衡算法的全局搜索和局部搜索。基于个体强度建立外部文档储存一定数量的较好解, 并让这些较好解在每次迭代中参与进化且被更新。对10个标准测试函数进行仿真实验, 并与其他5种算法进行比较, 结果表明所提算法在收敛性和解的分布性方面均表现出明显优势。     

一种自适应混合纵向多变异粒子群算法

为克服标准粒子群算法搜索后期收敛速度慢、容易陷入局部最优的缺点,通过引进自适应惯性权重因子平衡标准粒子群优化算法的全局搜索和局部改良能力,同时设计了均匀分布变异和高斯分布变异相结合的粒子群混合纵向多变异策略,来提高算法摆脱局部极值和局部寻优的能力.根据提出的改进算法流程,针对公认的Sphere,Rastrigin,Griewank和Salomon四种标准测试函数进行了收敛精度和收敛速度的测试.测试结果表明,在标准粒子群、自适应权重粒子群、自适应变异粒子群和自适应混合多变异粒子群4种算法中,提出的新算法具有最好的全局最优值搜索能力和最稳定的全局收敛特性,且在提高收敛速度的同时,有效地避免了早熟收敛问题.     

基于改进差分进化算法的超临界水氧化动力学参数估计

为了准确地估计反应动力学参数,提出一种改进差分进化算法(MDE),能根据算法搜索进展情况而自适应地确定变异率,使算法在初期保持个体的多样性,避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏,增加搜索到全局最优值的概率。与传统的差分进化算法(DE)相比较,MDE算法的离线性能和在线性能都有较大的改进,搜索到全局最优解的概率获得较大提高,对算法参数的敏感性低。将MDE算法应用于2-氯苯酚在超临界水中氧化反应动力学参数的估算,获得模型的拟合相对误差绝对值之和比文献报道值降低了14.2%。     

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。     

求解大规模可靠性问题的改进差分进化算法

针对差分进化算法典型变异算子的局限,设计了全局加速的变异算子,进而提出全局加速的自适应改进算法.新变异算子能够均衡全局搜索与局部搜索,提高寻优效率.根据差分向量与整个种群分布范围的关系,有针对性的设定变异率值,减缓搜索范围缩小的趋势,保持较高的种群多样性.采用两区间选择策略,通过学习和比较自适应地调整交叉率,使其满足进化搜索的需要,同时提高算法的通用性.将改进算法应用于大规模可靠性问题中,实验结果表明,改进算法在解决大规模系统可靠性问题时具有更好的寻优效果.     

基于并行协同演化的差分进化算法

针对传统差分进化算法搜索速度慢、易陷入局部最优解的缺点,引入协同演化的思想提出了一个基于并行协同演化的差分进化算法,并设计了相应的变异算子和自适应交叉算子。仿真验证结果表明:同遗传算法、标准差分进化算法相比,所提算法在搜索速度和寻优能力方面都具有一定的优势。     

基于遗传算法的改进GLA算法

提出了基于遗传算法的改进广义Ｌｌｏｙｄ算法（ＧＬＡ）。它以种群为基础,使用选择算子对种群进行有针对性的操作,通过变异算子以提高种群的平均适应值,使其逃离局部最小点,最后采用交叉算子以增加个体的多样性,又降低了该算法对初始码书的敏感程度。高斯－马尔科夫序列实验表明,该算法较好地实现了全局最优,并有助于克服对初始码书较为敏感的缺点。     

基于细分变异算子策略的遗传算法

针对基本遗传算法局部搜索能力不强以及早熟的问题,提出基于细分变异算子的遗传算法(Genetic Algorithm Based on Subdividing Mutation,SMSGA).SMSGA将变异算子依据进化历程分成大步前进算子和最优调教算子.大步前进算子防止遗传早熟现象的发生;最优调教算子加强局部搜索的能力.同时,为加快算法收敛速度,对遗传操作实施策略进行优化,引入了路由选择操作.选用3个典型的测试函数在MATLAB平台中对该算法与基本遗传算法以及采用双变异率的改进遗传算法进行比较分析,结果表明,SMSGA可以有效的避免遗传算法中存在的局部搜索能力差和早熟现象的出现.     

一种小生境正交遗传算法研究

针对标准遗传算法的不足,借助正交试验法的全局均衡设计思想和二元变异操作对初始种群产生方式、交叉算子和变异算子进行了改进,提高了种群的多样性;借助最优保留策略和自然界的小生境思想,对选择算子进行了改进,提高了算法的全局收敛性能;另外还通过引入加速正交搜索操作,提高了算法的收敛速度.在此基础上,提出了一种小生境正交遗传算法,并进行了实例研究.研究结果表明,该算法不但可以有效地克服标准遗传算法的缺陷,而且计算速度、计算精度和算法稳定性也得到了显著提高.