一种遗传算法交叉算子的改进算法

为了有效克服遗传算法收敛速度慢和易陷入局部极值点的缺点,提出了一种遗传算法交叉算子的改进算法,即采用自适应交叉概率,给不相关大的个体赋予较大的被选概率的配对方式进行交叉操作;在适应度比例轮盘赌的基础上辅以父子竞争的选择操作.二元多峰值Schaffer函数优化的仿真实例结果表明:与保留最优个体策略的遗传算法相比,改进算法能有效减少无效的交叉操作,收敛速度和全局搜索能力都得到了较大提高,其平均收敛代数和收敛到最优解的概率都优于保留最佳个体策略的遗传算法.     

一种基于加权海明距离的自适应遗传算法

针对普通遗传算法易出现早熟收敛和搜索效率低的缺陷,提出一种基于加权海明距离的自适应遗传算法.该算法综合考虑个体间加权海明距离和适应度值,自适应调整交叉概率和变异概率;采用精英保留法,保证最优个体不被破坏;使用双重停机准则,减少不必要的计算时间,提高遗传搜索效率.最后,运用经典测试函数对该算法进行了仿真实验.结果表明,该算法可以显著提高遗传优化的全局搜索能力,加快遗传算法的收敛速度.     

基于收缩精度的遗传算法逐级进化策略

为了有效克服传统遗传算法主观设定进化代数的弊端并提高算法进化期间的搜索效率,根据控制论中的反馈控制机理,通过适应度函数值的分散程度定义了收缩精度,并按照收缩精度将算法的进化期划分为不同的3个时期。在不同的进化期,采用不同形式的适应度函数以加大种群内个体之间的差异度。对交叉算子进行了改进,采用相关性配对交叉与改进的自适应交叉概率相结合的交叉算子,使算法达到较快的收敛速度。最后的算例表明,改进的遗传算法科学有效。     

基于改进自适应遗传算法的仿真研究

交叉概率Pc和变异概率Pm是遗传算法中重要的参数,自适应遗传算法中Pc和Pm能根据个体适应度差异自适应地调节其大小,在快速收敛和全局最优之间获得了较好的平衡,但自适应遗传算法对于进化初期不利.改进的自适应遗传算法避免了进化初期较优个体处于停滞不前的状态.分别用3种算法对典型的测试函数进行训练,仿真结果表明:改进的自适应遗传算法在收敛速度和寻最优解方面是最优的.     

改进遗传算法的试题智能组卷方法

对传统遗传算法在初始种群选取、遗传算法编码、适应度函数设计、遗传算子的自适应设计等方面进行了改进,提出一种改进遗传算法的试题智能组卷方法.仿真实验结果表明,改进的遗传算法在组卷时提高了在题库中搜索的效率和准确性,有效地解决了智能组卷中的多条件约束优化问题,提高了组卷效率和成功率.     

基于改进遗传算法的AGV路径规划

针对AGV在自动化生产线中原有路径规划算法存在路径拐弯次数多,不利于AGV自动控制的问题,提出了一种改进遗传算法。为提高AGV运行的效率,该算法引入了拐弯因素。针对在路径规划中传统遗传算法收敛速度慢的问题,结合分层方法,改进传统的精英保留策略。在算法进化过程中,根据个体适应度的变化动态调整交叉概率和变异概率,加快算法的收敛速度。Matlab仿真实验结果显示:改进遗传算法能够规划出一条更合理的路径,相比较传统方法减少了转弯次数,改善了搜索路径质量,表明该算法可以满足自动化生产线AGV路径规划的要求。     

基于改进自适应遗传算法的船联网拓扑优化算法

提出了一种改进的自适应遗传算法优化船联网拓扑结构.考虑实际应用场景,以及网络的连通度、节点度、通信链路质量及通信成本等因素,最大化船联网总链路增益.改进的遗传算法在选择操作中,提出自适应个体适应度调节公式,动态调整当前种群中个体的适应度值,减小个体间适应度的差值,增加适应度较低个体通过选择过程进入下一步操作的概率,提高种群多样性.交叉和变异过程中,引入自适应调节系数,调整交叉和变异概率,尽可能使适应度值较高的个体进入下一次迭代过程.仿真实验表明,提出的改进算法能够避免早熟收敛,跳出局部极值,最终收敛得到船联网最优拓扑结构,且收敛速度更快,算法效率更高.     

改进灾变遗传算法及其在无功优化中的应用

针对灾变遗传算法的早熟和稳定性问题,提出了一种改进灾变遗传算法,设计了与进化代数相关的改进灾变算子;为了兼顾算法的全局性能和收敛速度,设计了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.IEEE14节点和IEEE30节点无功优化算例表明,该改进算法具有良好的全局性能和收敛速度,适合求解电力系统的无功优化问题.     

一种改进的粒子群优化算法

在粒子群优化算法的基础上,将粒子群优化算法的速度更新公式中种群最优位置用所有个体的平均值与最优粒子有限邻居个体的平均值加权求和代替;通过将种群平均适应度和整体最优位置适应度的比值作为适应度函数,并引入了加速系数;得到改进的粒子群优化聚类算法既能够充分参考当前粒子的最优信息,也参考了所有个体的最优信息和当前最优粒子有限邻居的最优信息,在进化过程中可以通过新的适应度函数自适应地调整全局搜索和局部搜索的比重对粒子的影响,对算法收敛速度影响较小的前提下较好地提高了收敛精度。最后,选取了4组具有不同分布特征的Benchmark函数作为验证函数,试验结果表明,新算法具有较好的收敛特性。     

基于混合遗传算法的自适应神经网络优化设计

传统遗传算法优化神经网络存在"近亲繁殖"、"早熟收敛"、收敛速度慢和容易陷入局部极小等缺点.将适应度与相应的个体数目相联系,提出一种自适应交叉变异概率,并将其用于遗传操作,使得个体具有较强的多样性,一定程度缓解种群"早熟";将单纯形法和遗传算法结合到一起,使遗传算法的搜索更具有方向性,提高遗传算法的搜索能力,加快收敛速度.仿真实验进一步证明本文提出的算法对加快收敛速度,防止"近亲繁殖",保持种群多样性比较有效.     

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.     

自适应混沌遗传混合算法及其参数敏感性分析

提出自适应搜索空间的混沌遗传混合算法.该方法不同于一般的混沌遗传混合算法,它在遗传进化的过程中根据群体多样性测度引入混沌算子,并从全局搜索空间以随机概率解析出优秀解域,对个体分两个区域进行混沌扰动:优秀解域细搜索和全局解域大扰动.数值仿真表明该算法既加快了收敛速度又提高了收敛精度,解决了传统遗传算法的早熟问题.     

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.     

基于遗传算法的试题库智能组卷系统研究

试题组卷是考试系统的重要组成部分。本文通过在编码策略、适应度函数、遗传算子、控制参数等方面的研究提出一种适应于试题智能组卷的改进遗传算法。对适应度函数的适当定标和建立自适应的交叉概率和变异概率,有利于克服未成熟收敛和遗传漂移现象,同时能在维持群体多样性的情况下,防止群体进入局部最优。实验证明改进遗传算法能更有效地提高组卷的效率。     

基于遗传算法的智能组卷系统研究

通过对智能组卷系统的需求分析,采用遗传算法作为试题搜索工具,实现了将遗传算法应用于智能组卷系统.并针对遗传算法及组卷的特点从程序流程、染色体编码、适应度函数、以及各种遗传算子上都作了探讨和改进,为系统实现作准备.     

小生境遗传算法的改进

为了避免小生境遗传算法存在的早期成熟和陷入局部极值点等问题,提出了一种改进的小生境遗传算法.该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,并在变异量的确定上引入了梯度的概念.通过在Shubert函数的全局最优化问题上的验证,并与常规遗传算法和小生境遗传算法比较,改进后的算法提高了搜索速度,能有效跳出局部极小值,并搜索到全局最优值.     

改进的自适应遗传算法及其工程应用

引进小生境技术、种群迁移以及增加杂交个体之间的海明距离对自适应遗传算法进行了改进,从而建立了改进的自适应遗传算法,改善了传统的遗传算法局部收敛和早熟的现象,大大加快了全局搜索的速度以及搜索全局最优解的概率.工程实例表明:提出的改进自适应遗传算法应用于岩土工程的位移反分析具有搜索速度快、精度高等优点;同时对初始种群的形成方式、种群规模以及最大杂交概率、最大变异概率进行了参数分析.     

基于改进遗传算法多体模型的汽车悬架参数优化

针对遗传算法普遍存在的概率参数主观选取问题、早熟问题以及汽车悬架优化模型采用集中质量模型问题,提出了改进遗传算法,采用交叉算子和变异算子分别独立作用于父代个体,使父代所有个体都进行交叉和变异来避免概率参数的选取问题;然后按父子混合杰出者选择策略产生子代个体;使用局部多次搜索算子和替换策略来加快遗传算法的收敛速度;建立遗传算法和ADAMS软件的接口,使用专业软件ADAMS来处理复杂目标函数和适应度的求解问题,实现复杂多体模型的遗传算法优化。通过对33自由度的汽车悬架多体模型进行优化分析并和传统优化方法、标准遗传算法和小生境遗传算法进行对比,结果表明该方法明显优于其它方法。     

一种基于生理双向调节机制的协同进化算法

为了提高多参数寻优效果,基于人体生理双向协同网络调节机制,提出一种网络协同优化算法(NCEA).对应相应生理系统设计其体系结构,具体包括监控管理级、协同调节级和群体搜索级:监控管理级根据适应度和群体分布密度等信息,发送协同指令给协同调节级;协同调节级根据协同调节指令,基于生理调节规律实时调整各个搜索群体的交叉和变异概率因子和搜索群体之间的个体交换概率,以及辅助群体的个体均匀化;群体搜索级包括主搜索群体和辅助群体,其中辅助群体为主群体提供优良个体,并避免搜索陷入局部最优.最后采用两个典型的多维非线性函数,检验NCEA的搜索精度和收敛速度,并应用于一种非线性智能优化控制器.试验结果表明,与标准的遗传算法和一种改进的遗传算法相比,NCEA具有较快的收敛速度和搜索精度.     

结合聚类模型和自适应模型的遗传算法

在进化后期,自适应遗传算法有助于保存种群中的优秀模式;但在进化初期,对适应度值大的个体的保护,易降低种群的多样性、减弱算法的搜索性能。基于聚类的遗传算法可以提高遗传算法的收敛速度和搜索性能,但交叉概率和变异概率取定值,易使优秀模式在进化后期遭到破坏,难以收敛到全局最优。在遗传算法中同时引入聚类模型和自适应模型,有利于继承两类改进型遗传算法的优点,克服各自的不足。使用经典的测试函数对引入聚类模型和自适应模型的遗传算法进行测试,仿真结果表明:同时引入聚类模型和自适应模型的遗传算法比引入聚类模型或自适应模型的遗传算法具有更好的收敛速度和寻优能力。