基于混合遗传算法的海军航空兵场站物资配送车辆调度智能优化

为提升海军航空兵场站物资配送车辆调度效率，根据海军航空兵场站物资配送任务特点，建立了物资配送车辆调度优化模型，提出了混合遗传算法(hybrid genetic algorithm, HGA)对模型进行了求解。在HGA中引入了模拟退火(simulated annealing, SA)操作对经典遗传算法(genetic algorithm, GA)进行了改进：选择适合模型的编码方式和交叉算子；使用类似路径构造的方法构建初始种群；在遗传操作产生子种群之后，通过SA操作寻找子种群邻域中的潜在优秀个体，提升算法局部搜索能力。最后，通过与经典GA的对比实验，验证了所提算法的有效性和可靠性。     

两级排序遗传算法在柔性工作车间调度中的应用

由于在遗传算法的搜索寻优过程中种群有收敛于单一个体的趋势,为了减轻这种趋势,在Pareto多目标遗传算法的基础上做了一些改进,即用Pareto最优概念对种群进行第一级排序,然后计算种群中每个个体与同Pareto级别所有个体之间的全局拥挤距离作为该个体的次要属性进行第二级排序,根据这两级排序的结果进行联赛制选择操作和交叉变异操作。为了验证算法的性能,以多目标柔性工作车间调度问题作为实例并针对柔性工作车间调度问题的特点设计了相应的交叉变异方法。仿真结果表明该算法可以产生更多的分布在非劣解前沿上的解。     

基于个体相似度交叉率自适应的遗传算法

标准遗传算法的交叉运算以固定的交叉率进行操作。即不管遗传个体之间的相似程度，所有个体的染色体均以不变的概率进行交叉。本文根据交叉配对个体之间的相似度值自适应地确定交叉率，相似度值大的交叉个体以较小的概率进行交叉．而相似度值小的个体以较大的概率进行交叉。通过这种方法，可以提高遗传寻优计算的效率，加快遗传算法的收敛速度。     

基于混合粒子群算法的多平台多武器火力分配研究

分析了火力分配的数学模型及求解算法的研究现状,建立了多平台多武器的火力分配模型,并提出了一种混合粒子群算法的求解方法。混合粒子群算法利用粒子群的个体最优和全局最优粒子,采用了交叉、变异和选择相结合的遗传操作得到粒子的新个体。通过对两个作战想定的多次测试,进一步表明了算法的可行性和有效性,尤其是在规模复杂问题中将更能体现算法的优越性。     

一种自适应多Agent协同遗传算法

提出了一种自适应多Agent协同遗传算法。该算法由协调控制器下的多个相对独立的Agent组成,每个Agent都是由简单遗传算法构成的计算实体。协调控制器根据每个Agent的产出和成长性,自适应地分配计算资源,使有限的资源得到更加合理的利用。各Agent之间通过个体迁移和跨域交叉进行协作,个体迁移为A gent引入新的遗传基因,跨域交叉能产生出更加优良的后代个体,从而改良各个个体种群的品质。测试结果表明,该算法具有很好的收敛性能     

基于学习机制的退火并行遗传算法应用研究

本文综合并行遗传算法(PGA)和模拟退火算法(SA)的优点,提出一种新的退火并行混合优化策略(PGASA).该算法克服了并行遗传算法局部搜索能力弱的缺点,在子种群的搜索中引入SA作为GA种群的变异算子,增强和补充了PGA的局部进化能力;同时将机器学习原理引入到混合算法中,增加了种群的平均适值,有效地避免了最优解的丢失,加快了进化速度.针对车间调度中的典型问题进行了仿真,结果证明了新算法的有效性.     

GAPSO：一种高效的遗传粒子混合算法及其应用

在粒子群算法和遗传算法融合的基础上提出了一种新的算法(GAPSO).该算法模仿自然界的个体成熟过程,对遗传算法中的每一代群体中的优秀个体,采用粒子群算法获得进一步的提高,使算法获得比遗传算法和粒子群算法更加好的优化效果.在FCRNN设计应用中表明该算法确实比遗传算法和粒子群算法有更加好的效果.     

单亲遗传算法与传统遗传算法的比较研究

通过对单亲遗传算法（PGA）和传统遗传算法（TGA）的编码方式、遗传算子、运行过程和适值计算等方面的比较分析,指出尽管PGA采用单亲繁殖方式,其遗传操作与TGA有着本质的区别,但PGA的基因重组算子隐含了序号编码TGA的交叉算子的功能,PGA的子代个体保留了父代个体的大部分遗传特征,因此PGA仍属于遗传算法的范畴。     

基于粒子群-遗传的混合优化算法

提出了一种基于实数编码的粒子群优化和遗传算法的混合优化算法,该算法首先由粒子群优化进化一定代数后,将最优的M个粒子保留,去掉适应度较差的pop_size M个粒子。然后以这最优的M个粒子的位置值为基础,选择复制得到pop_size M个个体,并进行交叉、变异等遗传算法运算。最后将保留的M个粒子位置值与遗传算法进化得到新的pop_size M个体合并形成新的粒子种群,进行下一代进化运算。该算法在进化过程中能进行多次信息交换,使两种算法互补性得到更充分的发挥。通过5个函数优化实例与其他多种算法的对比研究,表明该算法收敛性能好,运算速度快,优化能力强。此外,还研究了最优粒子保留规模M以及粒子群优化进化较少代数规模对算法性能的影响。     

一种求解多目标柔性JSP的正交遗传算法

针对柔性作业生产调度问题的特点,提出一种新的多目标正交遗传算法.算法主要特点包括:提出一种基于SPEA改进的个体适应值计算方法,该方法回避了小生境参数设置的难题,且具有更强的相似个体区分能力;设计一种新的基于正交设计的多个体交叉算子,该算子既能增强算法搜索在Pareto前沿均匀分布非劣解的能力,也可提高算法全局寻优的能力;给出一种基于历史搜索信息和变量区间划分的局部解空间跳出机制,以避免算法早熟和提高搜索效率.实验结果表明该算法应用于柔性多目标作业生产调度问题,具有较强的搜索效率和求解性能.     

一种自适应杂交算子的浮点遗传算法

为了提高浮点遗传算法在优化问题时的收敛速度与求解精度,提出了一种基于进化代数和个体适应值的杂交算子,该算子根据每代个体的适应度与进化代数的变化情况自适应调整交叉操作。使杂交向有利于算法收敛的方向进行。通过几个仿真计算的实例,验证了这种杂交算子相对于普通杂交算子能有效地提高浮点遗传算法的收敛效率。     

分流机制遗传算法研究

提出了一种基于分流机制的新型遗传算法。该算法采用优种限量繁殖 ,达标种交叉和劣种变异的策略 ,突出遗传算子各自的优点和作用 ,根据进化质量自适应地调整交叉和变异概率 ,使种群具有很强的可进化性。分流机制遗传算法改变了遗传算法的传统结构 ,种群始终具有探测新的超平面 ,从而获得新的最优个体的能力 ;同时 ,对于进化中的个体不需进行所有遗传算子操作 ,提高了算法的全局收敛性 ,降低了时间复杂度。测试结果表明了所提方法的有效性。     

遗传算法在有时间窗车辆路径问题上的应用

本文用遗传算法求解有时间窗车辆路径问题,获得其近优解或最优解．传统的交叉算子如ＰＭＸ,ＥＲ和ＣＸ等对多约束问题的适用性受到限制,本文使用一种直观的编码方法,并提出基于优先关系的交叉算子．实验表明这种遗传算法能够有效地解决复杂的优化问题     

求解约束优化问题的内外交叉遗传算法

针对很多约束优化问题的最优解位于可行域的边界上或其附近的特点,提出了一种新的遗传算法.算法将种群中的可行解和不可行解分别存贮在两个容器中,新设计的交叉算子(内外交叉法)尽量让可行域内的可行解与可行域外的不可行解交叉,并顺着有利的方向一维搜索到可行域边界,此举既增大了个体接近全局最优解的几率, 又增强了算法的收敛速度;粒子群变异法则吸取粒子群 (PSO)算法的优点,让粒子沿粒子自身历史最优和全局最优的方向变异, 而选择算子则采取了保留固定比例不可行解的方法. 仿真结果证明了算法能够在种群规模小,迭代次数少的情况下迅速接近或找到全局最优解.     

EXPLORATION/EXPLOITATION TRADEOFF WITH CELL-SHIFT AND HEURISTIC CROSSOVER FOR EVOLUTIONARY ALGORITHMS

In order to tradeoff exploration/exploitation and inspired by cell genetic algorithm a cellshift crossover operator for evolutionary algorithm （EA） is proposed in this paper. The definition domain is divided into n-dimension cubic sub-domains （cell） and each individual locates at an ndimensional cube. Cell-shift crossover first exchanges the cell numbers of the crossover pair if they are in the different cells （exploration） and subsequently shift the first individual from its initial place to the other individual＇s cell place. If they are already in the same cell heuristic crossover （exploitation） is used. Cell-shift/heuristic crossover adaptively executes exploration/exploitation search with the vary of genetic diversity. The cell-shift EA has excellent performance in terms of efficiency and efficacy on ten usually used optimization benchmarks when comparing with the recent well-known FEP evolutionary algorithm.     

基于信息熵对遗传算法中杂交概率的研究

针对现有杂交概率的计算方法复杂且不利于种群摆脱局部优现象,提出了基于信息熵的杂交概率计算方法。利用种群熵和种群方差来分析杂交算子在种群进化中的作用,充分考虑了种群的整体情况和进化潜力,从而确定杂交概率的计算,以更好地控制遗传算法的进化过程。数值实验表明,新提出的杂交概率计算方式不仅便于求解,而且能有效地增强算法的稳定性、全局收敛性,加快算法收敛速度,使算法易于摆脱局部优现象。     

远缘杂交与政策模拟

生物学中的远缘杂交是创造新品种进化的捷径，计算机模拟是政策研究的有力工具，如果把它们两者结合起来，依据生命原理及操作，将使政策研究进入一个新阶段．本文论述社会系统的染色体，基因算法的操作过程以及使用人工生命方法的政策研究新途径．     

基于多元共生遗传神经网络的藻类预测仿真

提出一种多元共生遗传神经网络(PGANN),从遗传算法和神经网络——进化和学习两方面及其相互关系着手完善进化过程,以提高优化效果和泛化能力。该算法包括一个共生平衡交叉算子,一种多元选择策略和一种神经网络的分级优化策略,其中共生平衡算子能够兼顾进化过程中的方向性、多样性和自适应性;多元选择策略能够适应进化过程不同时段对选择压力不同的需求;而分级优化使运算规模和运算速度之间的矛盾得到缓解。将该改进的遗传神经网络PGANN应用于水库和湖泊有毒的优势蓝绿藻爆发预测,取得了满意的效果。     

引入生态位技术的遗传算法研究及应用

近来遗传算法得到了广泛的应用,但这种全局并行的搜索算法存在搜索偏差和早熟问题。为解决该问题,已有许多改进方法。本文提出一种动态方法,通过引入生态位的“态、势”理论对基本遗传算法进行改进。依照自然选择的原理,生物都有无限扩充其生态位的潜力。扩充必然导致生物进化,而生物扩充是由生物的生态位决定的,因此根据生态位的大小作为选择策略,产生下一代个体更符合自然进化法则。实例结果表明该算法的有效性。