基于遗传算法和BP算法的混合算法

本文就函数优化问题,结合遗传算法和 BP 算法的优点,提出一种新的混合算法。该算法既有较快的收敛速度又能以较大概率收敛到全局最优解,数值实验结果表明该算法显著优于遗传算法和 BP 算法。     

基于遗传算法的函数优化拟下降算法

在传统优化算法中嵌入一拟下降步,改善了算法的收敛性质,用遗传算法计算下降步,提高了算法的全局搜索能力,又不改变原算法的收敛性,数值计算结果表明,所提出的算法结合了遗传算法和传统算法的优点,是一种查行的解决函数优化问题的混合算法。     

基于遗传算法和BP算法的混合算法

结合神经网络的优化问题,提出一种新的混合算法.该算法是在遗传操作中嵌入BP算子,有效地结合了遗传算法全局寻优与BP算法快速收敛的特点,同时采用二进制编码和实数编码将神经网络的结构与权值混合编码到串中,实现了结构与权值的同步优化.仿真结果表明,新算法既能够快速地收敛到全局最优解,又能够在简化网络结构复杂度的同时得到网络权值的最佳逼近.     

一种基于单纯形法的分布式估计算法

为了增强分布式算法的局部搜索能力,提出了一类基于单纯形法的分布式估计算法。该算法充分利用分布式估计算法强大的全局搜索能力和快速收敛能力的同时,对于不满足条件的种群中的优势个体采用单纯形法的局部搜索算法进行寻优,从而使新算法具有更强的局部寻优能力。选择了八个国际公认的测试函数对新算法进行测试,数值试验结果表明本文构造的新算法是有效的。     

一种基于单纯形法的混沌优化算法

本文利用混沌运动的随机性、遍历性、规律性等特点,把单纯形法与混沌优化方法相结合,提出了一种混合优化算法.应用该算法对通用的测试函数进行仿真计算,结果表明,该算法简单实用,性能良好,是解决非线性优化问题的一种有效途径.     

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。     

函数优化问题的遗传算法和蚂蚁算法混合算法的研究

本文借鉴蚂蚁算法的进化思想,提出一种求解函数优化问题的遗传算法和最大-最小蚂蚁算法的混合算法。采用遗传算法生成初始信息素分布,利用蚂蚁算法求精确解,该方法能有效地求得全局极值点。     

复杂工程问题全局优化算法研究

分析了遗传算法,模拟退火算法与神经网络等近年来广泛应用于复杂工程问题优化的全局优化算法各自的特点与其全局优化能力,指出如何针对其特点进行改进以达到更佳效果,深入研究了复杂工程问题优化的关键技术－目标函数与约束条件建立方法,最后,展望了全局优化算法与复杂工程问题优化技术的发展趋势。     

基于遗传算法和粒子群优化算法的电力系统无功优化

从数学的角度分析,电力系统无功优化是一个多变量、多约束、非连续性的混合非线性规划问题,因此,优化过程十分复杂.以减少有功网损为目标函数建立电力系统无功优化计算的数学模型,基于遗传算法和粒子群优化算法,提出一种新颖的混合策略来求解无功优化问题.IEEE 6和IEEE 14节点系统的仿真计算结果表明:与单一的遗传算法或粒子群优化算法相比,该混合策略在优化效果方面具有明显的优势.     

基于互信息和混合优化算法的多模医学图像配准

针对互信息函数的多极值问题,提出了一种基于混合优化算法的多模医学图像配准方法.对于多模医学图像,以互信息作为相似性测度,使用混合优化算法搜索出最佳配准变换参数,将待配准图像进行变换,从而达到配准的目的.实验表明,该算法能避免陷入局部最优值,配准结果精度达到亚像素级.     

基于遗传算法和模式搜索的混合优化方法

遗传算法具有快速随机的全局搜索能力,但当求解到一定范围时往往做大量无为的冗余迭代,求精确解效率低.模式搜索具有很强的细搜索能力,但是其搜索结果的好坏在很大程度上依赖于初始点的选择.本文提出了一种混合遗传-模式搜索算法,该方法是将种群分成两个子群,分别进行遗传算法与模式搜索算法,在每一步中两个子群的最佳结果收集起来,用于更新相互的最优个体.仿真结果表明遗传算法与模式搜索的混合优化方法取得了较好的效果.     

一类基于混合遗传算法的多目标优化方法

提出一类求多目标Pareto解的快速算法，该算法将个体各分目标的最大值作为适应度函数，采用混合遗传算法，通过求解种群适应度极小值的方法来获得Pareto边界不同方向上的最优解，并在种群进化过程中采用了一些加速收敛的改进方法，通过典型算例的仿真验证了其有效性．     

一种求解非线性函数优化问题的混合遗传算法

结合单纯形法的混合遗传算法是将单纯形操作替代原来的交叉算子,并采用最优群体保留策略,算法可以很小的群体规模实现兼顾全局搜索和局部搜索的均衡搜索,大幅度提高搜索精度和效率,算法不需要梯度信息,不需进行编码操作,非常适合求解非线性函数优化问题。     

基于混合遗传算法和复合形法的翼型优化设计

遗传算法的缺点在于计算过多的目标函数适应值而增加了优化设计的计算量。为了提高遗传算法的优化效率,将遗传算法和复合形法相结合,建立了基于混合遗传算法和复合形法的气动优化设计方法,对超临界翼型进行了单目标和多目标的优化设计,流场计算采用雷诺数平均N-S方程。算例表明,该设计优化方法稳定,设计质量高,效率比单纯遗传算法有很大提高,在工程中有较大的应用价值。     

一种融入小生境技术的遗传禁忌算法

针对遗传算法在全局优化问题中容易出现早熟和收敛速度慢,禁忌搜索强烈依赖于初始解等问题,根据遗传算法和禁忌搜索算法自身的特点,分析两者的优势和不足,提出了一种融入小生境技术的遗传禁忌算法.该算法采用融入了小生境技术的遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优.分析和实验结果表明,该算法能很好地抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法.     

遗传搜索优化算法

简述了多峰优化的主要问题及遗传算法的基本概念及算法.在传统的优化方法基础上,引入遗传算法的思想,提出以优化搜索方向向量为研究对象,在连续空间进行优化的遗传搜索优化算法;给出了算法中关键参数的选取方法;最后,给出了该算法的计算实例,结果表明,用该算法能较稳定地找出全局最优点.     

基于纯数值函数优化的一种混合遗传算法

通过引入与进化代数相关的交叉概率和与个体适应度相关的变异概率的自适应遗传算子同时把Powell局部寻优算法融入遗传算法的搜索过程构成了一种数值函数全局寻优的混合遗传算法.实验表明混合遗传算法改善了遗传算法的局部搜索能力,有效地解决了遗传算法的早熟现象,显著提高了遗传算法求得全局解的概率.同时由于混合遗传算法中只利用函数值信息,所以该混合遗传算法是纯数值函数的优化的一种通用方法.     

1个单纯形搜索法和免疫进化的微粒群算法的混合算法

基于单纯形搜索法和免疫进化微粒群算法,提出1个求解无约束最优化问题的新的混合算法—单纯形搜索法和免疫进化微粒群算法的混合算法.由于它不需要梯度信息,所以具有易实施、收敛速度快和计算准确的优点.为了证明混合算法能够改进免疫进化微粒群算法的性能,首先利用6个测试函数进行仿真计算比较,计算结果表明,新的混合算法在求解质量和收敛速率上都优于其它进化算法(IEPSO,PSOPC,GSPSO,LSPSO and CPSO);其次,将新混合算法和最新的3种混合算法进行鲁棒性分析比较,结果表明,新混合算法在解的搜索质量、效率和关于初始点的鲁棒性方面都优于其它算法.     

高非线性水质模型参数最优化估值的改进遗传算法实现

遗传算法是一种具有全局搜索功能的进化算法,对解决水质模型参数最优化估值问题针对性强,但该算法存在着局部早熟收敛和收敛速度慢两个不足,因此目前在水质模型参数优化中的应用主要以具有解析解形式的简单模型为主,解决多维非线性度高的综合水质模型参数最优化问题效果不佳.本文在标准遗传算法(SGA)的基础上,建立改进的实编码混合遗传算法(IRHGA),通过设定目标函数最大控制因子,运用SA算法拉伸适应度值,串行混合单纯形直接搜索算法三项主要改进措施,达到改善算法在非线性响应曲面陡峭峰谷间搜索时,不丢失最优解空间和后期有效分辨最优适应度的效果.以测试函数Rastrigin为验证,得到了已知的最优结果.最后,以高非线性水质模型的参数优化估值问题为实例进行验证,结果表明,针对非线性度高的陡峭曲面搜索,具有避免局部早熟收敛的优点.优化搜索过程中,各搜索个体全局均匀分布,对有可能被陡峭峰谷掩盖的最优点位置都能进行搜索,并且,在搜索后期接近最优点附近时,搜索分辨率高,速度比改进前更快.优化后的水质参数代入模型中,模拟所得结果与给定的实测值间误差更小,实现了高维复杂水质模型多参数的同时优化功能.该算法对其他非线性优化问题同样具有较好的适用性.