混合遗传算法求解0-1背包问题尝试

遗传算法是一种基于自然选择和遗传机制的搜索算法．为解决著名的0-1背包问题，尝试混合使用一点杂交与多点杂交以及将传统的算法与遗传算法相结合的方法，对经典遗传算法进行改进，并在实验中获得了更佳近似解．     

均匀试验设计在遗传算法中的应用

介绍了在遗传算法中运用均匀设计产生初始种群的方法，指出由于遗传算法的交叉机制是完全依赖于初始种群的，所以初始种群的多样性对于遗传算法的收敛性是至关重要的．同时通过算例采用De Jong提出的验证方法验证了运用均匀设计产生初始种群能够增强遗传算法的收敛性．     

一种改进型遗传算法及其在规则提取中的应用

传统的遗传算法在处理复杂的优化问题时容易早熟收敛,陷入局部最优解。为此将免疫原理引入遗传算法,提出了一种新的亲和度定义策略——正弦型亲和度,该策略在对适应度调整时,前期有近似线性的抑制作用,后期则变得平缓。据此设计了一种改进型遗传算法,以提高遗传算法的全局寻优和局部搜索能力。实验结果表明,改进型遗传算法在处理高维多峰函数的收敛速度和收敛精度方面均优于基本遗传算法。以发动机稳定工作状态为例,应用改进型遗传算法实现了飞行状态分类规则的自动获取。测试结果表明,只要训练样本选取得当,获取的规则简洁、有效。     

基于相似个体拥挤与Fibonacci法的遗传算法

由于传统遗传算法在应用中会出现"早熟",局部寻优能力较差,求解结果精度不高等缺点,提出了相似个体排挤方法和Fibonacci算子,给出了用相似个体的拥挤与Fibonacci算子相结合的改进遗传算法.数值仿真表明改进后的算法优于传统遗传算法和当前一些改进遗传算法,提高了遗传算法的局部搜索能力和收敛速度,并且能以较大概率搜索到优化问题的全局最优解.     

基于改进遗传算法的非线性方程组求解

 采用种群隔离机制、最优保持策略、算术杂交、自适应随机变异和异种机制等方法对遗传算法进行了改进。在保持遗传算法仅需目标函数值信息即可求解这一优点的基础上,这一改进方法增强了遗传算法的局部搜索能力。将该方法应用于非线性方程组的求解。数值算例表明,该方法能够求解以非线性方程为等式约束的〖JP2〗最优化问题。此外,异种机制的引入加快了遗传算法的收敛效率,有效提高了遗传算法收敛于全局最优解的概率。     

基于模拟退火改进的实参遗传算法及其工程应用

由于继承性的问题,遗传算法在编码和解码中会花费大量的计算时间;另外,由于缺乏"爬山能力",遗传算法很容易早熟和局部收敛.提出一种新的自适应模拟退火遗传算法,具有遗传算法和模拟退火的优点,同时自适应机制的引入,保证了解的质量并提高了收敛速度.将这种方法应用于螺旋弹簧约束优化设计问题中,结果表明,尽管群体规模较小,但在处理复杂问题时,这种混合算法的全局搜索能力和收敛速度显著提高.     

基于分组排挤机制的遗传算法

利用遗传算法进行寻优有时候遗传操作会陷入局部寻优,造成早熟,使遗传操作收敛不到最优解.针对这一问题,提出一种基于分组排挤机制的遗传算法,将种群个体进行分组,引入基于海明距离的排挤机制,不仅可以防止早熟,而且可以加快收敛速度.最后用普通遗传算法与之进行比较,证明其可行性和有效性.     

基于关系代数的遗传算法模型及其应用

运用选择、投影、广义笛卡尔积等关系代数运算，给出了遗传算法的搜索空间及个体、遗传算子和搜索最优解过程等关系代数形式的描述，建立了遗传算法的关系代数模型，给出了遗传算法的数学解释．然后，给出建立遗传算法关系代数模型的意义，说明了数据挖掘和知识发现应用于遗传算法的可行性．最后，用该模型描述了2个常见用遗传算法解决的问题，即TSP问题和交互式遗传算法中的服装设计问题，结果表明该模型的可行性．     

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。     

基于奥运选拔机制的超种群遗传算法

遗传算法有很多优点,但早熟问题有待解决。本文在对遗传算法早熟问题的机理进行深入分析的基础上,基于奥运会优秀运动员选拔机制,提出了一种用多种群进行搜索,然后构建一个新种群的超种群遗传算法。该算法可以避免传统遗传算法中因为模式单调化而造成的早熟。数值仿真表明,该方法能以较大的概率收敛于全局最优解。     

分组量子遗传算法及其应用

量子遗传算法是一种高效的并行算法，但它易陷入局部极值。提出一种分组量子遗传算法，通过分层、分组等方法，保证了染色体的多样性。典型函数测试结果表明，分组量子遗传算法具有全局最优性，其性能优于其它几种遗传算法和QGA。     

应用改进遗传算法的电力变压器优化设计

为了提高遗传算法在电力变压器优化设计中获得全局最优解的能力，对传统遗传算法的编码方案、遗传算子以及约束条件、适应值函数等方面进行改进研究，提出了一种改进遗传算法，并应用经典数学函数进行验证，结果表明改进遗传算法具有较高的寻优效率。在此基础上提出了适应于求解多目标优化的改进遗传算法，并将改进遗传算法首次应用于S9系列电力变压器的单目标和双目标的优化设计中。应用实例表明，文中提出的改进遗传算法（IGA）具有更强的全局寻优能力和更高的求解精度，对电力变压器的优化设计效果明显。     

用适应度-距离选择机制遗传算法识别油气层

为提高遗传算法种群的多样性,在选择父辈串的时候通过综合考虑适应度值与彼此之间的海明距离确定选择机制,提出了基于适应度-距离(FD:Fitness-Distance)选择机制的遗传算法(GA:Genetic Algorithm).将该遗传算法与人工神经网络(ANN:Artificial Neural Network)技术相结合, 应用于油气层的识别问题中.通过对实际样本的验证,获得了较好的效果,达到了快速识别油气层的目的,对两个实例的训练精度分别比标准遗传算法提高了22. 6%和10.5%.     

用改进的遗传算法求解流水车间作业排序问题

针对流水车间(Flow-shop)作业排序问题，提出了两种改进的白适应遗传算法并给出了两种编码、解码方案。把此算法与现有的几种解法进行了比较，实验数据表明，改进的遗传算法在求解质量和效率上均优于传统的遗传算法和其他白适应遗传算法。     

结构最优设计问题的一种新方法

给出了结构优化设计参数识别的一种新方法——格雷码加速遗传算法。研制了格雷码加速遗传算法实施的详细步骤，并对格雷码加速遗传算法的有效性和可行性进行了理论分析和实例分析。结果表明，格雷码加速遗传算法具有直观、简便、快速、适用性强等特点，是一种既可以较大概率搜索全局最优解，又能进行局部细致搜索的非线性优化方法，可广泛应用于各种结构优化设计中。     

浅析遗传算法与进化策略

介绍了遗传算法和进化策略的算法模型，着重讨论了遗传算法和进化策略的特点以及各自的局限性，并分析了遗传算法和进化策略的区别与联系，最后指出遗传算法和进化策略有待解决的问题和二者可以联合发展的趋势。     

改良遗传算法在图像多阈值分割中的应用

最大熵原则是图像阈值分割的一个重要方法、但是用此方法进行多阈值分割时，存在着计算开销巨大的问题．笔者在M．Srinivas的自适应遗传算法基础上提出一种改良的遗传算法，用于基于模糊最大熵图像多阈值分割，克服了此分割方法计算量大的问题．通过实验，比较了改良遗传算法和M．Srinivas自适应遗传算法及模拟退火算法，显示了改良遗传算法的有效性．     

背包问题的遗传算法求解

探讨利用遗传算法解决背包问题并设计新型的遗传算法，给出了背包问题的数学模型，建立了有效的约束条件。在引入一种新的具有自适应性的杂交概率和变异概率的基础上，提出了面向背包问题的遗传算法和一种构造染色体的新方法，提供了遗传算法的结构并讨论了遗传算法，给出了一个例子说明算法的收敛性和收敛效率，仿真说明了算法的有效性。     

一种基于量子遗传算法的多播路由算法

提出了一种基于量子遗传算法QGA（quantum genetic algorithm）解决多播QoS（quality of service）路由问题的算法．介绍了量子遗传算法的基本原理，给出了算法实现的方法和具体流程，并进行了量子遗传算法在多播路由选择优化方面的仿真实验，证明了量子遗传算法优于常规遗传算法．     

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．