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     

一种改进遗传算法

针对遗传算法(Genetic Algorithm,GA)存在的未成熟收敛现象,本文提出一种改进的遗传算法(IGA),该算法采用双变异算子,即正交变异和多位点变异两种变异算子联合作用,提高了算法的全局寻优能力。仿真实验表明,对遗传算法的改进是有效的,改进后的算法与标准遗传算法相比具有更高的全局收敛性,并在一定程度上克服了未成熟收敛。     

半确定性的遗传算法

在采用遗传算法进行函数优化的过程中存在的一个严重的缺陷是：算法能很快地收敛到最优点附近，但要达到最优点需要很长的时间。针对这一缺点通过如下3个新的遗传算子构建了一个新的遗传算法：半确定性的变异算子，Hamming-decreasing和设计变量的自适应定标，以加强遗传算法的局部搜索能力。该算法充分利用基于概率的遗传算子的全局搜索能力和新算子较强的局部搜索能力。算例表明，新的遗传算法具有很强的鲁棒性和较快的计算速度。     

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。     

一种提高遗传算法全局收敛性的方法

通过对遗传算法过早收敛原因的分析,认为遗传算法出现过早收敛主要与问题解的分布状况、种群个体的分布情况及遗传算子的应用有关,提高算法全局收敛性能的核心就是如何使算法科学地处理种群多样性及识别个体对全局收敛性能的作用·提出几类与遗传算法全局收敛性能关系较大的个体,并结合小生境进化共享函数思想,形成一种旨在提高遗传算法全局收敛性、求解全局最优解的遗传算法,仿真结果验证了这种算法良好的全局收敛性能·     

遗传算法中的加速进化技术

自20世纪80年代以来,遗传算法在工程优化领域获得了广泛应用,遗传算法对数学模型要求不高,具有一定的隐性并行性,能同时在搜索空间大范围搜索,因而不易陷入局部最优解,然而,在实际应用中发现,仅有交叉算子和变异算子的传统遗传算法,局部搜索能力不强,容易出现种群早熟,进化结束时往往收敛到最优点附近而达不到全局最优点,为此借鉴了传统优化方法中的搜索技术,开发了几种算子用以强化遗传算法的局部搜索能力。算例表明,这几种算子能提高遗传算法的搜索性能,不论是搜索效率还是解的质量均有所提高。     

一种改进型交叉算子和自识别高变异算子新型遗传算法的研究

为有效地解决遗传算法收敛性和多样性的矛盾,在分析算子结构的基础上,提出了一种新型的遗传算法.该算法的核心在于,一方面通过父子竞争保留优秀个体和改进型交叉算子保证收敛性,另一方面对参与交叉的基因段进行基于海明距离相似度检测提高交叉操作的有效性;最后,采用基于基因位多样度的自识别高变异率算子来改善种群的多样性.实验证明,改进的算子显著地提高了收敛速度和搜索全局最优解的能力.     

用于求解TSP问题的遗传算法比较研究

针对基本遗传算法收敛速度慢、易早熟的现象,提出了基于贪心交叉算子的改进型遗传算法,利用贪心思想引导交叉操作,加快寻优速度。利用新算法进行了30城规模的TSP问题求解,并且与基于部分匹配交叉算子和顺序交叉算子的遗传算法进行了比较研究。通过在不同种群大小、迭代次数、交叉及变异概率、代沟等参数设置下对三种算子的性能影响进行深入分析。结果表明:基于贪心交叉算子的改进型遗传算法具有收敛速度快、寻优效率高的特点。     

改进的遗传算法在多热源选址中的应用

多热源选址问题是一个多变量、多约束条件的线性规划问题。文中以遗传算法的基本思想为基础，对变异、选择算子作了改进，并采取了字符编码技术，有效地压缩了约束条件，用二次选择的策略加快了收敛进程，从而求得了多热源选址的全局最优解。     

一种连续探索型自适应遗传算法及其应用

对经典遗传算子中的交叉算子和变异算子进行了重新设计，提出了一种连续探索型自适应遗传算法。该算法能够根据种群进化情况，动态地调整遗传算子，维持种群的多样性，克服过早收敛并加快了搜索速度，得到高品质解。将该算法用于最短路径求取中，仿真结果证实是合理的和有效的。     

一种抑制早熟收敛的改进遗传算法

遗传算法在许多优化问题中都有成功的应用,但其本身也存在一些不足.针对遗传算法的早熟收敛问题,本文在分析基本遗传算法的遗传算子和控制参数的基础之上提出一种改进算法.改进的遗传算法采用了实数编码、算术交叉算子、非均匀变异算子,并对控制参数进行了较合理地选取.改进遗传算法前期能均匀地搜索解空间,后期能对局部进行越来越细微的搜索,并使个体可以进入最优点的吸引域,在一定选择条件的作用下,算法后期可使群体逐渐集中到最优点的吸引域内,从而防止了遗传算法的过早收敛.理论和实例分析均表明,改进后的遗传算法在一些性能上明显优于基本遗传算法,较好地避免了遗传算法的早熟收敛,提高了遗传算法的进化效率,具有良好的有效性和可行性.     

基于自适应选择算子遗传算法的TSP问题优化

轮盘选择方式往往能保证算法的全局收敛性,但收敛速度较慢,而锦标赛选择方式收敛速度优于轮盘选择方式,但不能保证算法的全局收敛性．选用轮盘选择和锦标赛选择相结合自适应选择算子的遗传算法。并优化TSP问题求解,则可以调整收敛速度,避免被动式搜索．     

基于相似个体拥挤与Fibonacci法的遗传算法

由于传统遗传算法在应用中会出现"早熟",局部寻优能力较差,求解结果精度不高等缺点,提出了相似个体排挤方法和Fibonacci算子,给出了用相似个体的拥挤与Fibonacci算子相结合的改进遗传算法.数值仿真表明改进后的算法优于传统遗传算法和当前一些改进遗传算法,提高了遗传算法的局部搜索能力和收敛速度,并且能以较大概率搜索到优化问题的全局最优解.     

利用基因重组策略改进遗传算法

为了克服标准遗传算法的早熟现象，提高遗传算法的全局收敛性，提出了一种基于基因重组策略的遗传算法。该算法定义了一种新的交叉算子，即移位逻辑交叉算子(包括蝶形移位交叉算子和洗牌移位交叉算子)，用它们对染色体的部分基因实现有规律的交叉重组。实验结果表明，该算法比经典的遗传算法具有更好的收敛性和稳定性。     

一种求解TSP问题的新型遗传算法

针对以往各种遗传算法解决旅行商问题(TSP)后期收敛比较困难的问题,提出一种新的遗传变异算子.首先提出了搜索半径概念,使得搜索的空间变大,进而结合选择算子、交叉算子,提出了一种新的解决TSP问题的方法.仿真实验表明:该算法同单一的贪婪遗传算子算法想比,具有更好的性能和全局搜索能力.     

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。     

基于自适应遗传算法的无刷直流电机的优化设计

对遗传算法特别是自适应遗传算法作了分析，重点研究了交叉算子和变异算子对遗传算法收敛性的影响，提出了一种改进的自适应遗传算子的方法。该方法可在遗传模式得到保证的基础上加快新个体的产生速度，所构造的遗传算子随适应值自动变化，对远离最优值的个体采用较大的遗传算子值，对接近最优值的个体采用较小遗传算子值，以提高得到全局最优解的概率。通过测试函数的求解，验证了所构造的自适应算子的有效性和正确性。实算结果表明，在无刷直流电机的优化设计中，改进后的自适应遗传算法可在满足各项性能指标的前提下取得良好的优化效果，得到全局最优解的概率较改进前有明显提高。     

基于改进遗传算法的四旋翼无人机参数辨识

为克服传统遗传算法在参数辨识过程中收敛速度慢的问题,提出了一种基于改进遗传算法的四悬翼无人机参数辨识方法。该方法引入梯度算子为遗传进化提供指示性的方向,利用遗传算法的全局搜索性保证算法的全局收敛,并根据简化四旋翼无人机数学模型设计了优化函数。利用四悬翼无人机实飞数据进行了实验测试,实验结果验证了本文方法的有效性和快速收敛性。     

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.     

用改进的遗传算法求解作业调度问题

作业调度问题JSP(Job Shop Scheduling Problem)是典型的组合优化问题.文中用改进的遗传算法来解决作业调度问题,在遗传算法中设计了一种调整算子,并证明了算法能够收敛到全局最优解;同时提出一种新的求解JSP问题的双目标函数、双种群遗传算子.每个种群侧重一个目标,各从不同侧面深度挖掘问题的信息,用以优化问题的解,两个种群再通过混合交叉得到更好的解,较大地提高了算法的收敛速度.