格雷码混合加速遗传算法及其性能分析

通过在格雷码遗传算法进化过程中加入单纯形法学习算子,并利用格雷码遗传算法和单纯形法所得到的优秀个体群,作为变量新的变化范围,逐步缩小搜索空间,自动向最优解收缩,提出了求解非线性规划问题全局解的一种快速算法--格雷码混合加速遗传算法(GHAGA).为了在可行域内能得到全局最优解,在参数的定义域内投放了大量的均匀随机初始点作为初始群体.给出了GHAGA算法实施的详细步骤,建立了GHAGA相应的收敛定理,并分析了该算法的全局优化性能.理论分析和数值模拟表明,GHAGA具有精度高、收敛速度快的特点,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较好的非线性规划方法.     

鹰策略结合差分进化的可靠性冗余优化算法

将鹰策略和差分进化结合用于解决可靠性冗余优化问题.优化过程分为两个阶段:第一阶段使用Lévy飞行在解空间中进行全局搜索,第二阶段使用差分进化算法在前阶段得到的有前途解的周围进行快速的局部搜索.同时,修改了差分进化算法的变异算子和交叉算子以提高局部搜索的性能.该算法较好地实现了全局搜索和局部搜索的平衡,既有利于跳出局部最优,又可以加快局部收敛.通过对可靠性冗余优化的两个基本问题的实验表明,所提出的算法在解决可靠性冗余优化问题上是有效的.     

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。     

杂草算法收敛性分析及其在工程中的应用

针对从自然界中杂草的生长繁殖特性演化而来的新型智能优化算法———扩张性杂草进化算法,通过马尔可夫链,分析证明了它的全局收敛性.相比其他启发式算法,其最大优点是基于种群中优秀的个体有指导地进行搜索,且算法中子代个体按正态分布的方式分布于父代个体周围,在进化过程中通过动态调整此正态分布的标准差,使算法在早期与中期充分保持群落的多样性,较其他启发式算法更容易保证对解空间的全面搜索.而在算法的后期加强对优秀个体周围的局部搜索,从而保证算法能够稳健地收敛到全局最优解.典型的复杂机械优化设计算例结果表明,该算法在优化过程中能有效避开局部最优解,快速、有效地收敛到全局最优解.     

基于混合优化鱼群算法的近空间飞行器控制分配

为解决近空间飞行器的控制分配问题, 研究了一种融合了差分进化与遗传进化的鱼群优化算法控制分配策略。该方法能充分考虑执行器的动态约束, 根据操纵面物理约束随机产生鱼群的初始个体, 再利用鱼群算法进行全局搜索。鱼群算法搜索范围从全局搜索快速收缩进入局部搜索, 在收敛速度减慢或停滞时, 利用差分进化算法运行速度快及局部优化的优势, 以提高收敛速度和精度。同时在差分进化未能获取更优解时, 由遗传算法进行全局寻优, 避免分配结果收敛于局部最优解, 从而提高整个分配算法效率。同时将该方法应用于某近空间飞行器。仿真结果表明, 该控制分配方法能有效地将控制指令分配到各操纵面上, 实现良好的跟踪效果。     

解非线性极大极小问题的格雷码加速遗传算法

引进求解非线性极大极小问题的格雷码加速遗传算法（GAGA），给出GAGA算法实施的详细步骤，建立了GAGA相应的收敛定理。对GAGA的有效性和可行性进行了理论分析和实例分析。与一般的格雷码遗传算法（GGA）相比，GAGA具有准确、快速和适用性强等特点，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优秀非线性优化方法，可广泛应用于各种优化问题中。     

改进的Q学习算法在轨迹规划中的应用

为解决 Q 学习算法易陷入局部最优解问题, 改进了传统贪婪策略, 提出了一种分段渐近搜索策略。该策略通过动态调整策略参数, 使 Q 学习算法在学习过程中实现探索鄄学习鄄利用 3 个阶段的渐近跳转。 同时将该搜索策略应用于 Q 学习算法中, 使改进的 Q 学习算法能更快速地逼近全局最优解。 将改进算法应用于机械臂轨迹规划中, 其仿真结果表明, 该算法能稳定地引导机械臂沿最优轨迹快速到达目标位置。     

基于分组协同进化策略的果蝇优化算法研究

针对果蝇优化算法存在收敛速度慢且易于陷入局部最小值等问题,研究了基于分组协同进化策略的果蝇优化算法.利用分组协同进化策略可以扩大果蝇种群的搜索范围,从而使算法具有快速收敛和跳出局部最优解的能力.利用改进后的果蝇优化算法,对Sphere、Schwefel2.22等8个函数进行测试并与IFOA、WFOA、FOA、PSO、BA算法进行比较分析,结果表明,该算法具有较好的全局搜索能力和较快的收敛速度.     

混合约束多峰优化问题的一个协同共轭进退粒子群算法

为解决混合（等式和不等式）约束的多峰优化问题（MOPs），本文在粒子群算法框架下提出了粒子优度比较准则和局部协同与共轭进退寻优两种迭代进化策略．优度比较准则在适应度和约束违反度的双重限制下指导粒子高效地执行进化策略，局部协同策略可使粒子能通过局部抱团收敛到多个全局最优解，而共轭进退寻优策略则提升了寻优的速度和精度．基于优度比较准则与两种进化策略的有效结合，本文设计了一个协同共轭进退粒子群（CCARPSO）算法，以充分融合粒子群算法的全局搜索能力和共轭进退法的局部快速寻优能力．数值仿真表明，该算法能有效解决复杂约束MOPs和非线性方程组的多根问题，在广义Logistic分布的参数估计中有全局优化能力和较高的计算精度．     

连续变量函数全局优化算法—列队竞争算法

提出了一种全局优化搜索新算法——列队竞争算法．算法在模拟进化过程中,始终保持着独立并行进化的家族,通过家族内部的生存竞争和家族间的地位竞争这两种不同的竞争方式,使群体快速进化到最优或接近最优的区域．根据家族的目标函数值大小排成列队,并按家族在列队中的地位不同获得不同的竞争推动力,使得各个家族在列队中的位置发生动态的变化,从而使得局部搜索与全局搜索达到均衡．数值计算结果表明,列队竞争算法具有在复杂搜索空间内迅速搜索到最优解的能力     

基于主动禁忌搜索的配电网无功电压优化控制

提出将主动禁忌搜索（RTS）算法用于配电网无功电压优化控制问题的求解．首先根据已知的负荷预测曲线，用一种启发式方法为RTS提供可行初始解．在利用RTS算法的求解过程中，使用了反馈机制，可自动调节禁忌表长度，结合逃逸策略，可以使搜索有效地跳出局部极小点，更好地找到最优解．通过算例验证了该算法的有效性．与传统的禁忌搜索（TS）算法、遗传算法（GA）以及模拟退火（SA）算法进行了比较，算例结果表明，RTS算法求得的解质量更高，求解速度更快，比GA和SA算法至少提高了一倍．     

A gene-pool based genetic algorithm for TSP

Based on the analysis of previous genetic algorithms (GAs) for TSP, a novel method called Ge- GA is proposed. It combines gene pool and GA so as to direct the evolution of the whole population. The core of Ge- GA is the construction of gene pool and how to apply it to GA. Different from standard GAs, Ge- GA aims to enhance the ability of exploration and exploitation by incorporating global search with local search. On one hand a local search called Ge- Lo-calSearch operator is proposed to improve the solution quality, on the other hand the modified Inver-Over operator called Ge- InverOver is considered as a global search mechanism to expand solution space of local minimal. Both of these operators are based on the gene pool. Our algorithm is applied to 11 well-known traveling salesman problems whose numbers of cities are from 70 to 1577 cities. The experiments results indicate that Ge- GA has great robustness for TSP. For each test instance, the average value of solution quality, found in accepted time, stays within 0. 001% from the optimum. Foundation item: Supported by the National Natural Science Foundation of China (70071042, 60073043, and 60133010) Biography: Yang Hui ( 1979-), female, Master candidate, research direction; evolutionary computation.     

基于改进遗传算法的前向神经网络

针对遗传算法的主要算子———交叉算子 ,设计了新的交叉算子 ,使个体尽可能地分散在整个解空间 .在具体交叉操作中 ,产生随机个体参与交叉以更好地搜索新的解空间 .并提出了组合变异策略 ,假如对变异后个体隔代保护策略 ,构造了一个有效的改进遗传算法 .利用该改进遗传算法 ,构造了前向进化神经网络 .它综合了改进遗传算法优良的全局寻优性能和前向神经网络的非线性映射能力 .     

基于遗传算法的发电机线性最优励磁控制研究

介绍了求解发电机励磁控制器中的增益矩阵K的一种新算法－－遗传算法,它不同于常规算法的特点在于,从多个方面初始点开始,沿多路径搜索实现全局最优或准全局最成,计算过程不需要存储状态或决策变量的离散点,节约计算机内存,不必求导计算,编程简单,是一种有效的自适应随机搜索算法,仿真结果表明,用遗传算法设计的发电机励磁控制器具有良好的控制效果和鲁棒性。     

多级多受灾点连续消耗应急物资调度优化策略

灾后应急救助十分关键,特别是多地同时受灾情况下.为此,考虑将灾民安置与物资运输一体化规划,建立连续消耗多级应急物资调配数学模型.在此基础上,以应急系统施救成本和施救不及时损失为目标函数构建优化模型,并应用遗传算法(GA)和序列线性规划(SLP)算法相结合策略对物资调配进行优化.构造四级救灾物资调配算例模拟救灾过程.数值结果表明,使用GA全局寻优结合SLP局部寻优策略相较单一优化算法能有效找到更优解.所提出的优化策略可为灾后多级多受灾点连续消耗应急物资调度提供可行方案.     

基于图像分割的伪并行免疫遗传算法聚类设计

遗传算法是一种自适应全局优化概率搜索算法。但它却由于进化过程的过早收敛而导致无法保证收敛到全局最优解。因此运用伪并行思想与免疫遗传算法相结合来弥补遗传算法的缺陷。1问题描述许多学科要根据所测得的相似性数据进行分类,把探测数据归入到各个聚合类中,从而对各聚合类     

一种新的群搜索优化实现算法

针对群搜索优化（GSO）算法存在的不足,提出一种新的GSO实现算法（NRGSO）.采用5个300维和7个30维的测试函数对NRGSO算法进行数值实验,并将其与GSO算法、微粒群优化（PSO）算法、遗传算法（GA）、进化规划（EP）、进化策略（ES）进行比较.结果表明,NRGSO算法的性能优于GSO算法;而在解决高维和多模态函数的优化问题方面,其性能优于PSO、GA、EP和ES等算法.NRGSO算法改进了群搜索优化原实现方法的不足,提高了算法的搜索性能,不仅在高维函数的优化中表现卓越,还能有效地避免陷入局部次优,并且在实际的优化问题中应用方便.     

配送中心选址与车辆路径问题的优化

为了克服蚁群算法(Ant Colony Optimization,ACO)搜索初期信息匮乏、信息素累积时间长、求解速度慢的缺点,结合具有快速全局搜索能力的遗传算法(genetic algorithm,GA),同时引入混沌搜索和平滑机制,采用混沌搜索产生初始种群可以克服生成大量非可行解的缺陷,加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混沌蚁群优化算法(Chaos Ant Colony Optimization,CACO)。建立物流配送中心选址(logistic distribution center location)与车辆路径问题(vehicle routing problem,VRP)的数学模型,分别应用CACO和GA求解,对50客户规模的问题模型仿真,结果表明CACO优于GA。     

基于神经网络的带遗传算法的模糊控制器

研究如何将模糊逻辑系统（ＦＬＳ）、人工神经网络（ＡＮＮ）及遗传算法（ＧＡ）相结合,构成一个有机的控制器,从而达到准确、快速的控制。     

优化反向传播神经网络的自适应遗传算法

探讨了用遗传算法优化反向传播神经网络的问题。通过对不同遗传操作的分析和改进,提出了一种能有效进行局部搜索和全局搜索的自适应遗传算法。计算结果表明,该算法能快速地求出问题的全局最优解,且具有较好的计算精度。