一种改进的遗传算法及其应用

遗传算法在实际应用中容易出现早熟收敛和搜索结果精度不高的问题。针对早熟收敛和最优值精度低,采用了对搜索参数进行动态调整的优化计算。在进化的全过程中,算法始终保持较强的全局搜索能力和局部寻优能力。测试结果表明,对遗传算法的此种改进是有效的,不易陷入局部最优,并能大大提高最优解的精度。     

基于种群过早收敛程度定量分析的改进自适应遗传算法

分析了现有的一些改进算法所提出的评价种群过早收敛程度的指标,讨论了它们的不足,提出了一个概念清楚,运算量小的新指标,并利用该指标给出一种新的交叉概率,变异概率自适应调整策略。仿真实例表明,该方法能及时反映种群在进化过程中的过早收敛程度,不仅能加快计算速度,而且还能增强算法的全局收敛性。     

一种基于实数编码的改进遗传算法

在介绍基于实数编码遗传算法的优点和分析原有遗传操作机制存在缺陷的基础上,重点研究了实数编码的改进线性交叉算子,提出了一种改进遗传算法(MGA)·该改进线性交叉算子的优点是在交叉之后,一个子代位于两父代之间,另一子代位于靠近较好的父代的一侧,使解向好的方向发展,并且都是可行解·通过对几个典型的实例计算并与其他基于实数编码的遗传算法进行比较,结果表明,本算法在求解优化问题的收敛速度和精确性方面具有优势·     

一种改进的二进制编码遗传算法研究

针对普通遗传算法(CGA)易陷入早熟,局部搜索能力较差,全局优化速度缓慢等问题,提出了一种改进的遗传算法(IM_GA),该算法融合了由进化代数或适应度分布调节变异交叉率的思想,从这两个方面共同改进了变异交叉率,仿真结果证明了该改进遗传算法的优越性.与普通标准遗传算法比较,该算法不仅收敛性较好,且能迅速找到全局最优解.     

基于遗传算法的匹配问题求解

系统地论述了遗传算法的由来、传统二进制编码的优缺点，浮点数编码的优点，以及用浮点数编码方案实现匹配问题的求解方法。     

一种改进变异控制策略的遗传算法研究

早熟收敛问题是遗传算法中影响寻优效果的重要因素。分析了变异策略中由经验参考值确定的变异概率对样本多样性的影响，提出了采用自适应变异控制变异算子的方法，阐述了根据进化过程选择变异时机和变异概率的思路。通过实例计算结果的比较，证明了改进自适应变异算法可以有效地解决早熟收敛问题。     

一种改进的遗传算法

从基因进化和退化的角度提出了基因优劣编码,在收敛性定性分析的基础上给出了适应度的另一种定义方式,使改进后的遗传算法更准确地模拟了生物进化机制,并对改进后的遗传算法的性能作了分析。经实验验证,改进后的遗传算法比标准遗传算法在求解质量和求解效率上都得到了明显提高。     

遗传算法编码方式的应用及其改进算法的研究

重点介绍了遗传算法的编码方式,及其在最短路径问题中的应用,并结合现今的研究成果,简要地说明了改进遗传算法的研究方向.     

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。     

一种改进遗传算法性能的方法研究

考虑种群多样性,提出一种描述多样性的函数.根据多样性函数值的大小,引入局部退化算子,改善种群的多样性,抑制早熟发生.模拟生物杂交原理,根据被交叉个体的海明距离,决定被用于交叉个体的类别,同类个体之间的交叉采用等位基因的交叉,异类个体之间的交叉采用非等位基因交叉即在某一类个体中引入异类个体的某些基因,达到快速产生优良个体的效果,通过求取函数极值问题的仿真实验,说明该方法提高了遗传算法的收敛速度,减少了早熟收敛的可能.     

一种快速综合性的遗传算法

对几种改进的遗传算法进行了比较、分析、综合了这几种改进的遗传算法的优缺点后，提出了一种快速综合性的遗传算法，该算法具有收敛速度快，迭代次数少且不易陷入不成熟收敛等特点。仿真结果证实了该算法的有效性。     

一种快速收敛的遗传算法及其应用

为了解决遗传算法的收敛速度和全局收敛性之间的矛盾,提出了一种快速收敛的遗传算法,即“适应度缩放”加“有偏外来移民”的遗传算法。将该方法应用于柔性结构振动主动控制中的作动器／传感器位置及反馈增益的优化,其优化效果明显优于传统的优化算法。数字仿真结果表明,对于复杂非线性约束优化问题,该遗传算法具有较好的快速收敛性和全局收敛性,由优化了位置的作动器／传感器和优化增益的控制系统具有良好的减振效果。     

基于模糊聚类的改进遗传算法

针对导致遗传算法早熟收敛的原因,提出一种基于模糊聚类的改进遗传算法(FMGA),给出了FMGA算法实施的详细步骤,并研究确定了算法控制参数的取值.最后,对FMGA进行了数值仿真,仿真结果表明,FMGA能有效避免早熟收敛,在较短时间内逼近全局最优解,运算结果较基本遗传算法的提高4个数量级,而且运算过程不存在震荡现象.     

基于浮点数编码GA的T—S模型的模糊辨识方法

提出了一种基于浮点数编码遗传算法学习Ｔ－Ｓ模糊模型的辨识方法。对十进制浮点数编码的遗传算法进行了研究,融合和改进了一些遗传操作,并利用浮点数编码ＧＡ对Ｔ－Ｓ模糊模型为对象建立模糊神经网络中的参数进行估计。仿真给出了满意的结果。     

一种新的混沌遗传算法及其在多播路由选择中的应用

分析遗传算法的进化过程，提出一种新的混沌遗传算法。该算法利用混沌变量的特定内在随机性和遍历性对基因座空间进行搜索，有效地克服了遗传算法容易收敛于局部最优的缺点，大大提高了遗传算法的寻优速度。在多播路由选择中应用该方法，能快速找到最佳多播路由，显示出了优良的性能。     

基于一种免疫遗传算法的BP网络设计

利用一种免疫遗传算法来辅助设计ＢＰ网络。此算法结合了遗传算法的随机全局搜索能力和生物免疫中抗体通过浓度的相互作用机制,实验结果证明了这种算法在设计神经网络时的有效性。     

应用自适应混合遗传算法求解病态线性方程组

简单遗传算法(SGA)在进化的后期由于种群个体的多样性急剧降低,可能会收敛于局部最优解,即出现早熟现象。针对简单遗传算法的早熟问题,从选择、交叉和变异三个遗传算子入手,设计了自适应遗传算子。同时为了克服SGA局部搜索能力差的缺点,结合共轭梯度法,实现了一种自适应混合遗传算法(Adaptive GA-conjugate gradient,即AGA-CG)。以核磁共振测井曲线线性化后的大型病态方程组为测试实例,对AGA-CG算法进行了验证。实验结果表明:AGA-CG算法是求解大型病态线性方程组的一种有效算法。     

一种新量子遗传算法及应用

基于量子位测量的二进制量子遗传算法,在用于连续问题优化时,由于频繁的解码运算,严重降低了优化效率。针对这一问题,提出了一种基于量子位相位编码的量子遗传算法。该方法直接采用量子位的相位对染色体进行编码,采用量子旋转门实现染色体上相位的更新,采用Pauli-Z门实现染色体的变异。在该方法中,由于优化过程统一在空间[0,2π]n进行,而与具体问题无关,因此,对不同尺度空间的优化问题具有良好的适应性。以函数极值优化为例,仿真结果表明该方法的搜索能力和优化效率明显优于普通量子遗传算法和标准遗传算法。