一种由种群发育约束个体变异的鲁棒遗传算法

提出用种群发育停滞代数对变异概率和变异位数进行动态控制的改进遗传算法。该算法把种群没有更优个体产生看作种群发育停滞，将种群发育停滞代数定义为当前繁殖代序号与已得最优解的繁殖代序号之差；变异参数(包括变异概率、变异位数)初值与标准遗传算法(SGA)相近；随着发育停滞代数的增长，增大变异参数；当有更优个体产生时，变异参数恢复到初值，种群发育停滞代数置0；随种群发育停滞代数再次增长，变异参数再次增大，如此反复，直至算法结束。该算法在保持局部搜索能力的同时，提高了全局搜索能力及速度。用两个多极值函数(Camel函数、Shaffer’s F6函数)对该算法进行测试，结果表明，与SGA及自适应遗传算法相比，该方法以相当强的鲁棒性收敛到全局最优解，且具有较高的收敛速度。     

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．     

一种求解约束优化问题的遗传算法

约束优化问题是工程领域中常见的数学模型,求解难度主要来自变量的约束和目标函数的复杂性.本文针对约束优化问题,提出了一种基于双向信息搜索的遗传算法.首先,通过启发式信息在种群中产生至少一个可行个体;其次,对于每一个杂交父代个体,基于概率分布选择一个可行解和一个目标函数值好的个体,杂交后代由这三个点的矢量和产生.最后,仿真实验及比较结果表明,提出的遗传算法是可行有效的.     

遗传算法的特点及应用领域研究

遗传算法是一种基于概率意义的随机搜索算法,它的思想是构造一个问题的解的初代种群,经过选择,交叉和变异产生新的最优解集种群。遗传算法的特点具有自组织、自适应和自学习性,遗传算法提供了一种求解复杂系统优化问题的通用框架,在工程设计、演化硬件电路设计以及人工智能等方面应用前景广阔。     

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．     

一种改进的全局优化遗传算法

在浮点编码遗传算法中加入Powell方法,构成适于不可微函数全局优化的混合遗传算法。混合算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率。     

一种鲁棒自校正内模控制器及其全局收敛性

给出了一种能适用于开环不稳定且非最小相位系统的鲁棒自校正内模控制器，证明了闭环系统的鲁棒性和全局收敛性，仿真研究证实了算法的可行性。     

变异率和种群数目自适应的遗传算法

提出了针对个体变异率和种群数目的2种自适应方法.算法中个体变异率根据其适度值在种群中的排序自适应调整,使优良个体具有较小的变异率继续进化,而使种群中较差个体具有较大变异率,增强了种群搜索能力.同时根据种群个体适度值方差动态调整变异率曲线,种群数目调整则根据最优个体更新率动态增大,以动态适应解空间的规模避免采样误差造成的进化停滞.通过在不同尺度的NK Landscape上与传统的简单遗传算法(SGA)比较可得,2种自适应方法的引入对遗传算法的寻优能力有了明显改进.     

一种连续探索型遗传算法的设计与应用

提出了一种连续探索型遗传算法，它不仅能提高简单遗传算法的收敛速度，而且能有效地保证种群的多样性，并在全局范围内搜索解空间，得到最优解。将算法应用于多峰值函数的优化，仿真表明了该算法的有效性和效率性。     

实数编码最优子种群遗传算法及结构优化

遗传算法(GA)是利用自然选择和进化思想在高维空间中寻优的方法,其寻优过程始终保持整个种群的进化.本文提出了实数编码最优子种群遗传算法理论,通过从种群中选出适应值最高的若干数量的个体,组成该代最优子种群,将最优子种群中的个体与种群中其它个体进行交叉变异、最优子种群中的个体间也进行交叉变异,从而产生新的种群.该遗传算法使得遗传过程中落入局部最优解的几乎不可能,对于多极值问题非常有效,收敛速度也非常快.     

基于遗传算法的神经网络学习算法研究

为了克服神经网络结构和参数设计的随机性及依赖于人的经验的缺点,提出了一种改进的基于遗传算法的BP神经网络学习算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性,首先利用遗传算法对神经网络结构、初始连接权和阈值以及学习率和动量因子进行全面进化设计,在解空间中定位出较好的搜索空间,然后在进化神经网络中用训练样本再次寻优。通过利用该算法对XOR问题求解,证明了该算法的有效性,其收敛速度和精度均优于基本BP算法和附加动量项的BP算法。     

基于遗传模拟退火算法的电磁齿轮结构参数优化

针对电磁齿轮优化设计属于多极值点非线性规划的问题,在分析了电磁齿轮结构参数与电磁性能关系的基础上,提出一种以体积最小为目标函数的电磁齿轮参数优化数学模型.采用在遗传算法中引入模拟退火算法接受准则的优化设计算法,较好解决了传统遗传算法局部寻优能力差和搜索效率不高的问题.用复合形法与本方法对比,对于电磁齿轮的体积,前者为原设计的60.49%,本方法为原设计的47.57%.算例表明所提出的方法具有良好的性能.     

免疫算法与遗传算法比较

在介绍免疫算法与遗传算法概念的基础上，阐明了二的不同特点，并通过仿真实验表明了它们之间在功能和应用方面的区别。     

遗传算法参数和操作的序优化

遗传算法的优化质量和效率很大程度上依赖于算法参数和操作,包括种群大小、交叉和变异概率、选择、交叉和变异操作等,然而确定合适的参数和操作通常需要大量的试验和比较,需确定最佳参数和操作.为此,基于序优化和最优计算量分配技术,通过将问题描述为随机优化问题,提出了一种确定有限计算量下最佳GA参数和操作的系统性方法.仿真研究表明,该方法能够合理地确定最佳参数和操作,并同时给出GA的合理性能评价.     

常微分方程近似解的遗传算法研究

讨论了利用遗传算法研究常微分方程初值问题的近似解的求解方法.研究了利用多项式逼近微分方程近似解的方法,并用遗传算法控制各项系数以达到最佳逼近效果,经实验证明该方法数值精度比较理想,且优于通常的数值解.     

免疫遗传算法在MATLAB环境中的实现

阐述了免疫遗传算法的基本原理,探讨了在MATLAB环境下实现免疫遗传算法中抗原记忆、抗体促进与抑制、抗体多样性保持等功能的方法,并以智能交流接触器优化设计问题为例,说明免疫遗传算法与标准遗传算法相比的优越性及其在MATLAB环境中实现的可行性.     

遗传算法参数的正交设计

遗传算法参数的设置问题一直是遗传算法中的重要研究课题之一。本文探索用正文法对遗传算法中的参数进行设置。     

基于改进遗传算法的虹膜识别方法研究

为了提高虹膜识别算法的有效性,提出了基于改进遗传算法进行特征选择的虹膜识别方法.针对虹膜图像纹理分布的特点,采用了多尺度环对称Gabor滤波器进行特征提取.同时,在特征选择上对经典遗传算法进行了改进,调整了遗传算法的交叉机制,提高了算法的搜索效率.为了检验算法的有效性,在中国科学院CASIA虹膜数据库上进行验证,实验结果表明该方法具有较高的识别精准度.