实数编码最优子种群遗传算法及结构优化

遗传算法(GA)是利用自然选择和进化思想在高维空间中寻优的方法,其寻优过程始终保持整个种群的进化.本文提出了实数编码最优子种群遗传算法理论,通过从种群中选出适应值最高的若干数量的个体,组成该代最优子种群,将最优子种群中的个体与种群中其它个体进行交叉变异、最优子种群中的个体间也进行交叉变异,从而产生新的种群.该遗传算法使得遗传过程中落入局部最优解的几乎不可能,对于多极值问题非常有效,收敛速度也非常快.     

粗粒度并行遗传算法收敛性分析及优化运算

提出了一种新型的粗粒度并行遗传算法(CGGA)，该算法利用多个子种群基于不同的编码方式进行进化计算．首先各子群体独立进行交叉、变异和选择遗传操作，每代进化后迁移算子被引入用来进行种群问的信息交流，迁移算子将各个子种群的最优个体替换相邻种群最差个体后继续进化．基于时齐遍历马尔可夫链理论，给出了CGGA各个子种群的概率转移矩阵与其进化概率转移矩阵，证明了以概率1全局收敛．对典型的测试函数CGGA进行了求解．仿真结果表明，本算法的收敛性能优于经典遗传算法(CGA)，可以有效解决CGA的过早收敛问题．     

一种基于模糊规则遗传算法在车间布置中的应用

提出了一种将模糊控制规则引入遗传算法的方法．根据每一代种群中所有个体适应度值的变化，对交叉概率、变异概率和染色体交叉长度进行模糊调整，很好地抑制了遗传算法的早熟现象，提高了搜索的效率．归纳出模糊调整规则，并叙述了应用模糊规则对交叉概率、变异概率和染色体交叉长度进行调整的策略；给出了模糊控制器的设计．用该模糊遗传算法对制造系统中的车间布置问题进行了仿真．结果表明，该算法是一种效率很高的寻优方法．     

求解作业车间调度问题的一种自适应遗传算法

针对作业车间调度问题，提出了最小化空闲时间的处理过程及其变异算子，设计了一种自适应遗传算法．该算法根据个体的特征确定交叉和变异次数，并根据种群特征不断修正种群．经典的调度基准问题测试表明：自适应措施能够有效保持种群的多样性，可以采用非常小的种群规模；最小化空闲时间的变异算子缩小了算法的搜索空间，大大提高了搜索效率．     

基于改进遗传算法的移动机器人路径规划研究

针对传统遗传算法在解决采样点模型下的路径规划问题中存在种群进化速度慢、最终得到的最优路径偏长的问题,提出一种改进遗传算法．为提高初始种群的质量,提出自适应调整步长来限制子节点的选择范围,在这个范围内随机选取两条父代路径,在对应两节点之间形成一个矩形的子代节点搜索范围,每个范围中选取一点并依次连接得到交叉后的子代个体,避免了采样点模型下交叉点不足导致交叉无效的问题;为解决变异效果不可控的问题,以变异父节点的前后两点连线为引导,越靠近该连线的节点被选为变异子节点的概率越大,使得在变异点的选择更具有方向性．对比实验结果表明：所提出的改进遗传算法当处理基于采样点路径规划问题时可以有效提高寻路效率,最优路径收敛速度比传统遗传算法提高约60%,最优路径长度最多减少了2.42 m,比其他文献算法的最优路径收敛速度最多提高56%.     

基于改进遗传算法的渔港规划问题研究

为解决渔港规划的选址问题,基于所有渔船和渔港总距离和最优构建该问题的数学模型,提出一种改进的遗传算法的求解方法。给出适用于该问题的基因和染色体的定义;设计适应度函数,并根据适应值均匀分布对初始种群进行优化,提高种群的多样性;给出个体相似性的定义,由相似度函数和种群方差决定个体的配对方式;在满足基因排他性的条件下,根据交叉和变异概率进行交叉和变异操作。实验表明,该算法可以有效、准确地求得大规模数据的渔港规划问题的全局最优解。     

一种由种群发育约束个体变异的鲁棒遗传算法

提出用种群发育停滞代数对变异概率和变异位数进行动态控制的改进遗传算法。该算法把种群没有更优个体产生看作种群发育停滞，将种群发育停滞代数定义为当前繁殖代序号与已得最优解的繁殖代序号之差；变异参数(包括变异概率、变异位数)初值与标准遗传算法(SGA)相近；随着发育停滞代数的增长，增大变异参数；当有更优个体产生时，变异参数恢复到初值，种群发育停滞代数置0；随种群发育停滞代数再次增长，变异参数再次增大，如此反复，直至算法结束。该算法在保持局部搜索能力的同时，提高了全局搜索能力及速度。用两个多极值函数(Camel函数、Shaffer’s F6函数)对该算法进行测试，结果表明，与SGA及自适应遗传算法相比，该方法以相当强的鲁棒性收敛到全局最优解，且具有较高的收敛速度。     

自适应调整子种群个体数目的遗传算法及其应用

为了协调算法的勘探和开采能力,提出一种自适应调整子种群个体数目的遗传算法.该算法首先采用佳点集方法初始化种群以保证个体均匀分布在搜索空间中.基于个体的适应度将种群分为3个子种群,并分别采用不同的交叉和变异算子.在进化过程中,根据不同的搜索阶段自适应动态调整各子种群个体的数目.几个标准测试函数的实验结果表明该算法具有较好的寻优性能.将新算法应用到重油热解模型参数估计中,可以获得满意的结果.     

基于复合式遗传算法的电机排产优化

为了解决电机的排产优化问题,提出了一种复合式遗传算法进行求解.首先,采用Palmer法产生一个初始解,同时随机产生其他个体来共同组成初始种群;其次,采用子种群分类交叉和种群整体替换策略进行交叉和替换操作;最后,利用Metropolis准则控制变异操作,得到新的种群.整个迭代进化过程采用模拟退火算法的控温准则进行控制,以此寻求最优解.对L公司的生产数据及其订单进行测试,试验结果表明：复合式遗传算法相比传统的遗传算法,能在一定程度上优化排产顺序,提高生产效率;而相比较新改进的遗传算法,其搜索速度更快,算法性能更优.     

结构优化设计的猴王遗传算法

该文个体的基因采用实数编码，并利用罚函数法构造适应度。通过对种群中每个个体按适应度的大小排序，复制一部分优良个体，并让最优个体依次与种群中的其他较优个体进行交叉变异遗传计算，使遗传有目的地以每一代中的最优个体为核心展开，使运算可快速收敛到全局最优解。通过对典型结构的计算表明，该文方法简便，计算量小，能够迅速找到目标函数的全局最优解。     

混沌高效遗传算法在水库含沙量预报中的应用

利用混沌映射的遍历性和实编码遗传算法的全局优化性,通过在遗传进化过程中加入混沌变异操作,在变量的定义域内投放大量的混沌初始群体,在实编码遗传算法进化过程中加入单纯形法学习算子,建立了一种新的混沌高效遗传算法(chaos higher efficient genetic algorithm, CHEGA).应用该法对3个非线性、高维、多峰值测试函数进行了仿真,在收敛速度和全局优化方面好于现有的简单遗传算法和改进的遗传算法.建立了水库含沙量预报模型.并将CHEGA用于求解上述模型的参数优化问题,与实数编码加速遗传算法(RAGA)、二进制加速遗传算法和随机优化算法等方法相比,CHEGA可以遍历到整个区域,较好的保持了种群的多样性,并且精度高、收敛速度快.CHEGA对求解实际水库计算模型的参数优化问题非常有效.     

多个体参与交叉的遗传算法

提出了多个体参与交叉的遗传算法,即采取新的交叉算子使子代个体同时含有多个父代个体的模式．突破了以前遗传算法只有两个个体参与交叉的局限,通过调整参与交叉的父代个体数目和交叉后产生的后代个体数目,实际上提出了遗传算法调试中的两个新参数．通过调整新参数,使得遗传算法可能有更高的计算效率．证明了多个体参与交叉的遗传算法的模式定理．将方差与熵作为描述遗传算法解群多样性的工具．分析了多个体参与交叉的遗传算法对解群方差及熵的影响．通过一个算例验证了多个体参与交叉的遗传算法具有较高的计算效率     

(N+M)容错系统优化模型求解的父代保留免疫遗传算法

针对(N M)容错系统优化模型复杂非线性的特点,结合免疫遗传算法和父代保留策略,提出了模型求解的父代保留免疫遗传算法。该算法在进行交叉和变异操作后,新产生的个体不覆盖父代个体,扩展种群进行基于矢量距浓度机制的选择操作,这样可避免较优个体的损失,增强种群的多样性,提高算法的搜索能力及收敛性能。算法性能分析揭示了算法性能改善的机理。优化模型求解结果表明,该文提出的算法较免疫遗传算法在寻优精度和收敛速度方面有一定改善。     

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。     

一种改进的遗传算法交叉策略

适应值的逼近决定子代个体的位置,能快速找出最优个体,但容易陷入局部解.提出了一种改进方法,确定交叉的父代个体,使进化向高适应值区域搜索.通过引入进程实现个体不等几率地产生新个体,保持种群多样性.实验证明该方法可行有效,提高了遗传算法的收敛率和收敛速度.     

一种改进的遗传算法求解旅行商问题

针对在解决旅行商问题时标准遗传算法效率不高,很容易陷入局部最优解的问题,提出了一种改进的遗传算法. 根据种群个体的多样性和分布情况,提出了判定遗传算法截止代数的方法. 研究结果表明,通过加入了初始化信息,改进交差算子,可提高遗传算法的精确性和收敛性.      

基于网格和排序的自适应遗传算法及其性能分析

提出了一种改进的自适应遗传算法.它使网格法思想在二进制编码表示个体的情况下得以实现,因此保证了初始种群内个体的遍历性和多样性;其遗传算子由个体在种群中的排序位置自适应地决定.该算法能维持种群内个体在各个运行阶段多样性,加快种群收敛速度,克服遗传算法早熟现象.几种典型的多峰函数优化结果证明该算法的有效性和实用性.     

采用重复交叉操作及最优保留策略的遗传算法

基于有限次重复交叉操作和将父代的最好个体代替子代的最差个体的思想，提出了一种新的遗传算法（REGA）。该方法克服了基本遗传算法容易出现的早熟现象，并利用马尔可夫极限定理获得全局收敛性，求得基于有限次重复交叉操作的基本遗传算法（记为RSGA）的渐近性质，以及提供关于这两种算法吸收时间的数学期望的计算方法，仿真事例表明，它不仅克服了局部最优的缺点，而且适用于有多个最优解问题，同时群体的平均适应度增加较快，运行效率更高，因而，该方法对于优化问题具有一定的应用价值。     

兼顾最优个体的模拟退火分层遗传算法

针对传统分层遗传算法存在"发散"、收敛速度慢和最优解易丢失等缺陷,本文提出了一种改进的分层遗传算法,采用基于模拟退火思想的底层交叉和变异算子,避免底层算法的"发散"、提高收敛速度;设计了一种兼顾最优个体的高层选择算子,防止最优个体丢失。求解SAT问题的比较实验结果表明:求解成功率与收敛速度等算法性能均有较大提升。