关于遗传算法过早收敛现象的特征分析及预防措施

在简要介绍遗传算法的基础上，通过引入种群早熟集和种群多样度的概念，分析了遗传算法中过早收敛现象的起因与特征。阐明了杂交过程的成熟化效应是引起遗传算法过早收敛的主因，提出了几种可以预防和克服过早收敛的新型遗传算法。     

一种改进的遗传算法在函数优化中的应用

针对传统遗传算法在处理多峰值函数优化存在的"早熟"问题,以及在后期搜索效率低的问题,在对目前常见的几种种群早熟程度评价指标进行分析的此基础上,提出了一种新的种群"早熟"程度评价指标,并据此提出了一种改进的自适应遗传算法;最后将改进的遗传算法用于函数优化;实验表明:改进后的遗传算法有效地解决了过早收敛、局部搜索能力差和全局收敛 速度慢等问题.     

一种提高遗传算法全局收敛性的方法

通过对遗传算法过早收敛原因的分析,认为遗传算法出现过早收敛主要与问题解的分布状况、种群个体的分布情况及遗传算子的应用有关,提高算法全局收敛性能的核心就是如何使算法科学地处理种群多样性及识别个体对全局收敛性能的作用·提出几类与遗传算法全局收敛性能关系较大的个体,并结合小生境进化共享函数思想,形成一种旨在提高遗传算法全局收敛性、求解全局最优解的遗传算法,仿真结果验证了这种算法良好的全局收敛性能·     

遗传算法种群多样性的度量

针对遗传算法的过早收敛问题,从种群个体、基因两个方面给出了遗传算法种群多样性的度量方法,并在此基础上提出了一种基于大变异操作的遗传算法．实验结果表明该方法在问题求解的精确度以及收敛性方面取得了很好的效果．     

遗传算法种群多样性的度量

针对遗传算法的过早收敛问题,从种群个体,基因两个方面给出了遗传算法种群多样性的度量方法,并在此基础上提出了一种基于大变异操作的遗传算法,实验结果表明该方法在问题求解的精确度以及收敛性方面取得了很好的效果。     

基于克服过早收敛的自适应并行遗传算法

为了克服遗传算法中存在的主要问题即过早收敛（过早收敛使得一些优秀个体或基因过早地被排除掉,从而导致搜索范围缩小及局部最优,影响了进一步搜索）,从控制参数的改进着手,提出了多种群并行进化及自适应调整控制参数相结合的思想。克服了以往定常参数单种群进化的不足,综合了不同特性种群进化的长处,使得过早收敛问题得以缓解,同时又提高了搜索的范围和效率。     

基于遗传算法的BP网络的优化设计方法

针对BP网络存在易陷入局部极小和收敛速度慢的问题,采用遗传算法（GA）优化BP网络;并采用混配的方法,对遗传算法进行了改进,克服了遗传算法中所存在的种群内过早收敛的缺点,并在光纤陀螺温度漂移建模中,取得了较好预测的效果。     

采用遗传算法的网络优化技术

针对树型网络的拓扑结构和数学模型,从个体编码、种群初始化、种群进化、适应度函数等方面构建基于遗传算法的网络优化方法.实验结果表明:所构建的方法进一步修正了适应度函数,增强了弱势个体被选择的概率,避免遗传算法优化过程的过早收敛问题,缩短了执行时间,取得了较佳的网络优化结果.     

一种用于车间调度的基于熵的混合遗传算法

为提高车间调度算法的寻优性能,通过对模拟退火遗传算法收敛图的研究,提出了评价算法种群有序性（差异性）的种群熵,基于种群熵,提出了改进的模拟退火遗传算法,该混合算法通过种群熵动态地改变算法的交叉和变异概率,使之适应种群的变化,提高种群的多样性,有效地克服算法的过早收敛,从而达到提高算法寻优性能的目的。仿真实例表明,所提出的算法的寻优性能有了显著的提高。     

基于蜜蜂进化型遗传算法的电力系统无功优化

采用蜜蜂进化机制与遗传算法相结合的蜜蜂进化型遗传算法(bee evolutionary genetic algo-rithm,BEGA)对电力系统进行无功优化计算.该算法以一定概率将蜂王(最优个体)与雄蜂(被选的个体)2部分进行交叉,因此对最优个体包含信息的开采能力得以增强.随机种群的引入,降低了算法出现过早收敛的可能性,保持了种群多样性.应用BEGA对IEEE6节点系统进行无功优化计算的结果表明:较其他算法,BEGA具有更强的全局寻优能力和更快的收敛速度.