改进交叉算子和变异算子抑制GA算法早熟

分析了传统遗传算法早熟收敛的主要原因,提出了一类改进的遗传算法。通过引入个体相似度,改进传统的交叉算子,避免了近亲繁殖现象,采用二元变异算子替换传统变异算子。仿真结果表明该改进算法有效地提高了全局搜索性能和收敛速度。     

改进遗传蜂群算法求解分布式柔性作业车间调度问题

针对分布式柔性作业车间调度问题,提出一种改进遗传蜂群算法求解方案。算法采用基于机器编码的编码方案,根据编码特点和分布式柔性作业车间的特点,设计了一种基于编码相似度的交叉操作,可以避免在交叉过程中产生非法解,提高算法的运行效率,并通过在不同的交叉操作后,以不同概率进行两种变异操作的方式改进了雇佣蜂时期的搜索操作,改善了算法的迭代速度;采用排序选择策略替代原来跟随蜂时期的选择策略;改进侦查蜂的蜜源抛弃机制,通过对比已获得的全局最优解,对达到搜索上限的蜜源进行部分抛弃,防止破坏优质解再次陷入随机搜索。最后,通过对比不同算法对实例求解,验证本文算法的有效性。     

基于遗传算法多目标非重叠路径诱导算法

依据遗传算法基本原理,提出一种多目标路径诱导算法. 染色体编码采用可变长度节点序列方法表示,以减少染色体编码长度. 设计了相应的多目标适应度函数. 该算法在给定多个目标约束条件下,能够解出多个近优路径. 实验结果证明,该算法能有效解决多目标非重叠路径选择问题,和目前已有其它方法相比,路径相似度更小.     

自适应粒子群算法求解排课问题

针对传统排课效率低、漏排课、冲突率高等问题，利用自适应粒子群算法（SAPSO）进行排课仿真研究.首先，将粒子群算法中的固定惯性因子改进为随着迭代次数变化而不同的自适应权重，以加快寻优速度；然后，为了防止种群陷入局部最优，定义了种群相似度函数；最后，在种群中加入最差个体位置信息以增加种群混乱度，从而提高算法的全局寻优能力.仿真结果表明，SAPSO在收敛速度较快的情况下，寻优精度优于蒙特洛卡算法和改进遗传算法.     

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。     

遗传算法的新改进--扰动式遗传算法

针对基于二进制编码遗传算法的精度低及二进制编码所带来的早熟等问题提出了一种新的改进方案--扰动式遗传算法(简称DGA),该方法通过对搜索区域进行微小的扰动而实现不同群体之间的竞争来提高算法的搜索性能.改进后的算法在提高精度的同时能够达到全局收敛,并能有效地处理多极值问题.对改进的算法进行了性能分析并用典型函数进行测试,结果表明,改进的效果较为显著.     

多约束条件下基于改进遗传算法的移动机器人路径规划

针对在多约束条件下移动机器人在路径规划中搜索效率低、收敛速度慢的缺点,提出多约束条件下基于改进遗传算法的移动机器人路径规划,充分考虑路径长度、平滑度以及困难度这3种因素的影响,通过分析多约束条件下遗传算法在初始化种群时计算方法的不足,提出利用SPS(surrounding point set)算法,通过在障碍物周围生成点来产生初始路径,以提高算法快速生成初始种群的能力;增加平滑算子和删除算子,删除相对最终路径而言不必要的点,同时使路径更加平滑;结合小生境法以保持种群多样性,避免出现算法早熟现象.仿真结果表明,改进后的算法在路径长度,路径平滑度以及路径困难度方面均有一定的优势,同时算法的收敛速度也略有提高.     

一种基于免疫变异算子的改进型量子遗传算法

基于量子遗传算法进化方向随机性大、易早熟等缺点提出了一种改进的量子遗传算法.该方法采用了自适应染色体长度和旋转角度,提高了优化效率;引入了免疫算子,淘汰繁殖率低的个体,并通过操作染色体编码实现量子变异,以增强种群中基因多样性,避免算法陷入局部最优.对若干基准测试函数进行实验,结果表明相对于标准量子遗传算法,该算法在收敛速度、精度、稳定性以及克服早熟能力方面都有了显著的提高.     

基于混合编码的多智能体遗传算法

为了提高多智能体遗传算法的收敛速度和全局寻优能力，将量子编码引入多智能体遗传算法中，对每个智能体同时采用量子编码和实数编码，以基于这两种编码方式的遗传算子同时进化来获得更快的收敛速度和更好的全局收敛性。仿真结果表明，此算法能更快地收敛到全局最优解。     

新式遗传算法在QoS路由选择中的应用

针对服务质量(QoS)路由的特点，提出了一种新式遗传算法。与基于二进制编码的通用遗传算法相比，本算法采用节点序列编码，编码、解码过程简单、直观，并在此基础上引入新的遗传交叉、变异算子。仿真实验表明，该遗传算法用于QoS路由具有全局收敛性，收敛速度较通用遗传算法有很大改观。     

用改进的遗传算法求解中国旅行商问题

遗传算法是基于生物进化原理的普适性全局优化算法，针对一类ＮＰ完全的组合优化问题－旅行商问题，提出用交换算子操作和模拟退火思想对遗传算法进行改进，显著提高了算法的优化效率，到目前为止，中国旅行商问题的最优解是１５４２６ｋｍ，使用改进的遗传算法，仅利用城市间的距离信息求解中国诱行商问题，得到了１５４０９ｋｍ的更优结果。     

多子群协同链式智能体遗传算法分析

针对遗传算法(genetic algorithm,GA)易出现搜索效率不高和早收敛现象,提出了一种多子群协同链式智能体遗传算法(multi-population agent genetic algorithm,MPAGA)。该算法采用多子群并行搜索模式、链式智能体结构,引入动态邻域竞争和正交交叉等策略,有效提高了算法性能。采用3个复杂多峰测试函数对算法进行优化性能测试结果表明,MPAGA比普通智能体遗传算法有较快的收敛速度,能有效防止早收敛现象。     

混沌在实数编码遗传算法中的应用

提出了基于退化混沌突变算子的实数编码遗传算法.此算法通过利用混沌特定的内在随机性、遍历性和变化的进化速率,较好地模拟了生物进化过程,提高了算法的爬山能力,并针对不同的进化阶段,自适应地采用不同的算子操作次序,在一定程度上保护了已得到的有效个体.因此较好地克服了早熟收敛和停滞,并有效地解决了全局收敛性问题.仿真结果表明,与已有的自适应算法相比,该算法容易实现,求解精度、收敛速度和可靠性较高.     

引入适应值曲面结构的小生境遗传算法初探

遗传算法是一种有效的全局优化算法 ,但存在收敛速度慢和早熟收敛的缺陷。本文提出了具有适应值曲面结构自学习能力的多区域并行局部搜索算子PLS和受控交叉算子GC ,定性地分析了它们的作用机制。引入适应性PLS和GC的改进遗传算法在不增加计算开销的前提下 ,其全局收敛速度和可靠性显著地优于标准遗传算法 ,并具有良好的鲁棒性和稳定性     

遗传算法求解TSP问题的MATLAB实现

以遗传算法求解旅行商问题（TSP）为例,提出一种改进的交叉和变异算子,深入讨论了各个遗传算子的程序实现,并给出其算子的MATLAB程序编码,最后用5个城市的非对称TSP进行仿真分析.结果表明,改进的算法比传统算法收敛速度更快,适应值更优,说明改进算法是有效的,证实TSP问题是遗传算法得以成功应用的典型例子.     

实数遗传算子的作用与改进

从解空间的角度简单分析了实数遗传算子的作用；为更好地发挥变异开拓解空间的作用，设计了非重复一致变异方法，并从释放数值空间的角度提出了一种自适应群体置换策略以提高算法的搜索效率，各种改进方法通过对测试函数的寻优进行验证。     

舰艇编队防空火力基于改进遗传算法的分配方案

描述了舰艇编队防空火力分配问题,建立了火力优化分配模型。结合舰艇编队防空作战的特点,分析了几种传统分配算法的不足。为了获得全局最优解,将遗传算法用于该火力分配优化研究中。针对标准遗传算法计算费时、稳定性差等不足,从初始群体均匀产生、适应度尺度变换、稳态繁殖、自适应遗传参数等方面作了改进,给出了基于改进遗传算法的模型求解方法和步骤。经过实例计算,取得了良好的分配效果,可为制定舰艇编队防空作战指挥自动化决策提供科学、有效的支持。     

改进遗传算法在过程系统工程中的求解策略

针对过程系统综合问题的多峰、奇异等特性 ,将遗传算法同可行域序贯搜索技术结合起来 ,实现对混合整数非线性规划问题 (MINLP)的有效求解。为克服遗传算法在可行域边界搜索效率较为低下的弊病 ,将惩罚函数同个体的生成函数有机地结合起来 ,利用惩罚函数将跨越可行域的不可行点拉回到可行域内。对过程系统综合中典型的MINLP问题的求解 ,表明该方法在求解过程中能有效地实现全局浏览 ,得到全局最优解或近优解。     

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。     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．