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.     

利用改进的遗传算法求解约束优化问题

利用一种改进的浮点数编码的遗传算法求解约束优化问题,算法包括三个方面的改进,一方面,通过改进的变异算子保证种群多样性;另一方面,用改进的终止准则和周期性的利用一种局部搜索算法改进种群最优个体的函数值,从而加快算法的收敛性;利用改进的遗传算法测试了两个优化问题并与算法C-SOMGA和DONLP2的测试结果进行比较,测试结果表明改进的遗传算法在平均值和标准差方面明显优于算法C-SOMGA和DONLP2。     

基于多种群免疫遗传算法的配电网网架规划

配电网网架规划是一个复杂的组合优化问题,传统的优化方法往往难以解决此类问题.提出一种多种群的免疫遗传算法进行配电网网架优化规划,采用多个种群针对优化目标的不同方面进行优化搜索.在遗传进化过程中,借鉴生物免疫机制对每个种群的染色体进行免疫算子操作,种群之间通过优秀个体转移进行交互,有效防止了种群退化,提高了种群的多样性和遗传算法的全局寻优能力.以网络年费用最小为优化目标建立配电网网架规划的数学模型,利用多种群免疫遗传算法求得优化解,通过具体实例验证了该算法的有效性.     

基于免疫遗传算法的车辆路径优化问题

在研究免疫遗传算法基本理论的基础上,设计了一种用于求解车辆路径优化问题的免疫遗传算法,并进行了实验测试,实验结果表明算法具有良好的全局搜索能力,并且能够有效地克服遗传算法在进化过程中由于种群多样性降低而出现早熟收敛现象的缺点.     

自适应遗传算法在视频摘要中的应用

提出了一种基于自适应遗传算法的视频摘要模型.通过采用标准种群多样性和健康种群多样性来控制遗传算法中的3个关键算子:交叉、变异和选择.结果表明,在视频摘要的研究中提出的自适应遗传算法避免了传统遗传算法局部收敛的问题,可以保证种群的多样性和算法的不断寻优能力,视觉效果更好.     

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。     

基于代沟信息的自适应遗传算法

针对现有自适应遗传算法无法兼顾群体特性，难以稳定地收敛到最优解的问题，从种群多样性和适应度均值变化的角度，分析了进化停滞或退化的原因．以种群适应度均值和多样性作为概率调整依据，提出了一种新的基于种群代沟信息的自适应遗传算法．利用相邻两代群体间的适应度差异和多样性差异信息，设计了遗传概率的自适应调整策略，使算法维持较好的多样性，有效避免了早熟．并证明了算法收敛性．仿真结果表明该算法能够使种群保持良好的可进化性和收敛性．     

一种求解约束函数优化问题的遗传算法

遗传算子和种群更新策略在遗传算法全局寻优过程中发挥着重要作用，通过多父体杂交算子使产生的后代更具多样性和采用最小代数代沟种群替换模型有效地均衡算法对问题解空间的探索和开发能力提高算法的性能，给出了一种求解约束函数优化问题的遗传算法。对两个典型约束函数优化问题进行了数值实验，实验结果表明了该算法的有效性和稳健性。     

基于代沟信息的自适应遗传算法

针对现有自适应遗传算法无法兼顾群体特性 ,难以稳定地收敛到最优解的问题 ,从种群多样性和适应度均值变化的角度 ,分析了进化停滞或退化的原因 .以种群适应度均值和多样性作为概率调整依据 ,提出了一种新的基于种群代沟信息的自适应遗传算法 .利用相邻两代群体间的适应度差异和多样性差异信息 ,设计了遗传概率的自适应调整策略 ,使算法维持较好的多样性 ,有效避免了早熟 .并证明了算法收敛性 .仿真结果表明该算法能够使种群保持良好的可进化性和收敛性 .     

基于物种选择的遗传算法求解约束非线性规划问题

将信赖域思想和基于稳定进化策略思想相结合,提出一种基于物种选择的遗传算法.根据当前代最优点,采用稳定最优种群数目和收缩最优种群边界的方法将种群划分为最优种群和全局种群,并提出基于构造优化方向的一种新的交叉算子.研究结果表明:对这2种群按不同的策略协调进化,较好地平衡了种群的多样性和选择压力,兼顾了局部搜索和全局搜索;缺少合适的搜索方向是进化后阶段收敛速度慢的重要原因之一;本算法能有效地提高遗传算法的收敛速度,并具有比较好的鲁棒性.     

均匀试验设计在遗传算法中的应用

介绍了在遗传算法中运用均匀设计产生初始种群的方法，指出由于遗传算法的交叉机制是完全依赖于初始种群的，所以初始种群的多样性对于遗传算法的收敛性是至关重要的．同时通过算例采用De Jong提出的验证方法验证了运用均匀设计产生初始种群能够增强遗传算法的收敛性．     

遗传算法的改进与应用

遗传算法不依赖于具体问题,作为优化方法用于决策支持系统有其明显优势．通常的遗传算法是一种求解非线性无约束优化问题的迭代自适应启发式概率性搜索算法,对于约束优化问题一般采用罚函数法将其化为无约束情形后再运用遗传算法求解．文中提出的基于浮点编码的改进算法,通过构造交叉与变异操作,可用来求解一类约束非线性优化问题．该方法已用于一个决策支持系统,取得了较好的效果     

退火单亲遗传算法求解随机需求VRP问题

为了有效求解随机需求的车辆路径问题,在单亲遗传算法中加入模拟退火选择操作,构建了退火单亲遗传算法;并实现了以虚拟自然数代表中心点,可直接利用求解随机需求VRP问题的有效遗传算子。在选择操作中,采用三复本锦标选择的方式,保持了种群的多样性。计算结果表明,该方法可有效求解随机需求车辆路径问题,算法的搜索效率、收敛概率均得到大幅度提高,取得了比一般遗传算法更优的结果。     

用混合遗传算法实现神经网络快速训练

快速神经网络训练算法的研究是人们所关注的问题之一。经过分析与研究 ,遗传算法是一种全局并行随机搜索优化算法 ,具有很强的全局搜索能力 ,而 BP算法的局部搜索能力较强。文章将两者结合起来 ,形成一种混合遗传算法 ,并就混合遗传算法的原理及其在实现时所涉及到的许多策略问题进行了分析比较 ,仿真结果表明它具有收敛速度快和不会陷入局部极小的特点。     

免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.     

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.     

多群体阶段性杂交遗传算法

借鉴生物遗传学提出了一种多群体阶段性杂交遗传算法。引入相对顺序交叉算子对标准遗传算法进行了改进。为验证该算法的性能，对旅行商问题进行了求解，采用多群体和阶段性杂交的改进策略，并分别和标准遗传算法进行了比较。计算结果表明，该方法能较好地保证个体多样性，并能促进优秀基因型的杂交和遗传，在收敛和鲁棒性方面优于一般的单群体、非杂交算法。另外，将其应用于水电站优化调度也取得了较好的效果。     

改进的遗传算法选择算子

为了进一步提高遗传算法选择算子的选优能力,本文在传统轮盘赌的基础上提出了一种基于排序的多轮轮盘赌选择算子,加入了多轮转盘的思想,并利用对上代种群进行排序增加优秀个体的选择概率,从而在提高了算子的选优能力同时也减少了随机性所产生的误差;随后本文将此算子与最佳个体保存法的思想相结合,进一步提出了无放回的基于排序的多轮轮盘赌选择算子,达到了既能够选出最好个体又能够保证种群多样性的效果.实验表明,与传统轮盘赌算子相比较,新方法能够有效地提高遗传算法的收敛速度.     

基于遗传和粒子群结合的文化算法

针对粒子群优化(PSO)算法的"早熟"现象,给出了基于遗传和粒子群结合的文化演化算法.该算法将PSO/GA纳入文化算法框架,形成PSO的主群体空间和GA的信仰群体空间,两群体空间可以独立并行演化,并在适当的时机实现信仰群体空间对主群体空间的引导,达到改善粒子群优化算法全局搜索能力、提高计算精度的目的.仿真表明,该算法的优化性能和效率优于PSO算法、GA算法和GA-PSO混合算法.     

基于遗传算法的模糊逻辑控制器优化设计

设计了一种新的用于模糊逻辑控制器优化的遗传算法，实现了模糊逻辑控制器参数和结构的同步快速优化。该算法对经典的简单遗传算法进行了改良，设计了一种带区间限制的十进制编码方案，实现了模糊控制器隶属度函数和控制规则的联合编码；并设计了受限分步一致交叉和变异算子，改进了经典赌轮选择法,避免了病态个体产生，加快了收敛速度。通过对典型的一阶和二阶工业对象控制器优化的仿真研究表明，相对于一般的遗传算法，该算法在群体规模较小（20或40）的情况下，能够在20代左右快速收敛到理想结果，并且在进化过程中很少产生病态个体，因此能够在小群体规模下，实现模糊控制器参数和结构的快速同步优化。