带有梯度信息的遗传算法在求解非线性方程组中的应用

提出一种改进的求解非线性方程组的遗传算法.将梯度信息引入遗传算法,通过改变高斯变异参数不断调整搜索范围,逐渐搜索到包含最优解的区域,利用梯度信息提高解的精度.数值模拟结果表明,改进后的算法具有较强的局部搜索能力和全局优化能力,能够提高求解的精度与速度.     

解非线性方程组的拟牛顿混合遗传算法

利用熵函数将非线性方程组转化为一个极小值优化问题。结合拟牛顿法和遗传算法的优缺点,提出了一种求解非线性方程组的拟牛顿混合遗传优化算法。该方法不仅有效发挥了遗传算法在进化初期的群搜索能力,而且利用了拟牛顿法的局部精搜索性能,克服了遗传算法在后期易陷入局部收敛的缺陷,提高了算法整体寻优效率。计算机仿真表明,该算法对非线性方程组的求解具有较好的稳定性和较高的收敛精度。     

用Powell方法求解不可微函数

在浮点编码遗传算法中加入Powell方法,构成适于不可微函数全局优化的混合遗传算法.混合算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率.由于只利用函数值信息,混合算法是一种求解可微和不可微函数全局优化问题的通用方法.     

求解非线性不等式组的混合遗传算法

提出一个求解非线性不等式组问题的混合遗传算法,即首先将非线性不等式组问题转化为等价的最优化问题,然后利用浮点遗传算法全局群体搜索能力强及起始搜索速度快的特点,快速得到接近精确解的近似解.之后将其作为牛顿法或拟牛顿法的初始迭代值,利用其局部寻优能力,快速迭代至满足精度要求的数值解.数值结果表明该方法是有效的.     

求解非线性方程组的改进布谷鸟算法

将非线性方程组转化为无约束优化问题,采用改进的布谷鸟搜索算法对问题进行求解.用该方法对多个非线性方程组进行了求解,结果表明,改进的布谷鸟搜索算法可以避免获得局部最优解,提高了非线性方程组的求解精度和速度,而且性能优于对比算法.     

求解不可微函数优化的一种混合遗传算法

在浮点编码遗传算法中加入Powell方法,构成适于不可微函数全局优化的混合遗传算法。混合算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率。由于只利用函数值信息,混合算法是一种求解可微和不可微函数全局优化问题的通用方法。     

关于优化的一种算法

在浮点编码遗传算法中加入Powell方法,构成适于不可微函数全局优化的混合遗传算法。混合算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率。由于只利用函数值信息,混合算法是一种求解可微和不可微函数全局优化问题的通用方法。     

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.     

非线性混合整数规划问题的改进量子粒子群算法

提出了一种改进的量子粒子群算法,并将该算法用于求解非线性混合整数规划问题。构造了一种自适应调整的惯性权重,平衡了算法的全局搜索和局部搜索能力;针对混合整数规划问题,给定一定比例的初始可行解,提高了初始种群解的多样性;利用协同进化选择策略,对种群中的不可行解重新生成,使种群中每个粒子的信息充分利用,从而提高算法的收敛速度;为了抑制算法的早熟现象,给出了一种新的混沌搜索方式,对全局最优解进行局部搜索,增强算法的局部搜索能力。通过16个常见的测试函数测试结果表明,改进的量子粒子群优化算法对求解非线性混合整数规划问题,在成功率和精度方面得到很大的提高。     

基于改进遗传算法的非线性方程组求解

 采用种群隔离机制、最优保持策略、算术杂交、自适应随机变异和异种机制等方法对遗传算法进行了改进。在保持遗传算法仅需目标函数值信息即可求解这一优点的基础上,这一改进方法增强了遗传算法的局部搜索能力。将该方法应用于非线性方程组的求解。数值算例表明,该方法能够求解以非线性方程为等式约束的〖JP2〗最优化问题。此外,异种机制的引入加快了遗传算法的收敛效率,有效提高了遗传算法收敛于全局最优解的概率。     

Memetic算法及其在分类中的应用研究

群体智能优化算法Memetic算法(Memetic Algorithm,MA)采用进化算法的操作流程,引入局部搜索算子,使其在问题的求解中保证较高收敛性能的同时又能获得较高质量的解,克服了遗传算法等传统全局优化算法易"早熟"的问题,同时避免陷入局部解。在MA框架基础上,提出了全局动态适应MA算法,采用遗传算法为全局搜索算子,k-means算法为局部搜索算子。使用Java语言实现算法并对UCI中分类实验数据集进行测试,结果表明,将遗传算法和k-means结合的全局动态适应MA在分类问题中具有较高准确率。     

基于改进蚁群算法的CVRP问题研究

车辆路径优化问题归属于NP-hard问题;针对基本蚁群算法求解效率低下,可行解质量不高,容易陷入局部最优解的情况,在充分考虑具有一般性的车辆路径优化问题的数学模型与解决方案后,提出了一种带有轮盘赌运算与2-opt优化运算相结合的改进蚁群算法,算法在运算过程中对选取路径的概率进行二次计算,扩大了全局的搜索范围;同时对得到的路径进行内部优化,增强了局部搜索能力,提高了解的质量;通过MATLAB软件进行仿真实验的结果表明:相较于基本的ACO算法以及遗传算法得到的结果,改进的蚁群算法在性能上和求解的质量具有很大的优势,可以更好地解决带有容量约束的车辆路径优化问题,为相应的企业更好地节省物流成本。     

基于改进免疫遗传算法的水电站优化调度应用研究

根据免疫算法的生物学机理,提出了一种改进的免疫遗传算法.该算法将微粒群算法作为免疫算法的全局搜索策略,提高算法的全局搜索能力;利用逐步优化算法对免疫算法的控制策略进行进化操作,提高算法的局部搜索能力;利用免疫算法本身基于浓度的自我调节机制,提高群体的多样性,避免算法过早陷入局部最优解.最后给出了该算法实现的具体步骤,并将其应用于水电站的优化调度中,取得了较为满意的结果,且与动态规划、遗传算法、免疫算法和微粒群算法等比较,验证了算法的有效性和优越性.     

一种基于遗传优化的路由控制策略

遗传算法是通过模拟自然进化过程有效解决最优化问题的计算模型,在实际操作中得到广泛应用.但由于遗传算法的选择策略使每一代的优良个体大量的遗传到下一代,且适应度函数设定的差异,使最优个体很快充斥整个群体,缺少物种多样性,导致算法很快收敛于局部最优解,达不到全局优化.针对遗传算法存在的这一问题,结合禁忌搜索算法能够禁忌搜寻过的最优解而引入裂解、增加种群多样性的特性,提出了一种基于遗传优化的路由控制策略.该策略将遗传算法得到的最优解作为禁忌搜索的初始解,提出将染色体模版作为禁忌对象,并以此模版为基础建立邻域的方案.仿真实验表明,该策略能够有效的抑制遗传算法过早收敛的问题,减少了全局能量的消耗,从而延长了网络生命周期.     

模糊C-均值聚类算法的改进研究

模糊C-均值聚类算法通过迭代的爬山技术来寻找问题的最优解,是一种局部搜索算法,容易受初始值的影响而陷入局部极小值.遗传算法是一种应用广泛的全局优化算法,是一种与求解问题无关的算法模式,能够有效解决模糊C-均值聚类算法对初始化敏感的问题,利用改进后的遗传算法能更好地解决聚类问题.     

求解TSP的遗传蚁群融合算法

原有的遗传融合蚁群算法虽然克服了基本蚁群算法的不足,优化效果得到了改善,但存在克服收敛速度较慢、易出现停滞以及全局搜索能力较低的缺陷.针对存在容易陷入局部最优解等问题,在原有的遗传融合蚁群算法的基础上进行了许多改进以扩大解的搜索空间,提高了其寻优能力和速度.仿真结果表明,改进后的算法具有更好的寻优能力,效果较好.     

一种融入小生境技术的遗传禁忌算法

针对遗传算法在全局优化问题中容易出现早熟和收敛速度慢,禁忌搜索强烈依赖于初始解等问题,根据遗传算法和禁忌搜索算法自身的特点,分析两者的优势和不足,提出了一种融入小生境技术的遗传禁忌算法.该算法采用融入了小生境技术的遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优.分析和实验结果表明,该算法能很好地抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法.     

改进鲸鱼优化算法及其在混流U型装配线平衡问题的应用

为提高鲸鱼优化算法的寻优效果和求解稳定性,通过改进算法的种群初始化、局部搜索、越界处理方法和收敛因子,提出一种改进的鲸鱼优化算法 。 采用基于切割法的均匀设计种群初始化方法,改善算法初始种群的均匀性;通过引入基于NEWUOA算法的局部搜索算子,提高算法的局部搜索能力;在算法的越界处理方面,提出一种基于环形区间和随机波动的方式,降低算法陷入局部最优的可能;引入了非线性收敛因子和自适用权重,均衡算法的局部和全局搜索,并进一步增强搜索的精细度。通过7个单模态、多模态以及固定维度的基准测试函数进行了数值仿真实验,验证了改进的鲸鱼优化算法相较于遗传算法、鲸鱼优化算法以及其他改进的鲸鱼优化算法,在寻优效果和求解稳定性方面具有优越性。 针对混流U型装配线平衡问题,考虑最小化装配线的节拍时间,将改进的鲸鱼优化算法用于问题求解;在解码阶段,设计一种基于阈值的解码方法,优化工序的分配过程;最后计算了21个混流装配线算例,结果表明,改进的鲸鱼优化算法在20个算例中求得了更优解,相较于其它算法,节拍时间平均降低3.02%。     

一种改进的微种群遗传算法

 采用种群隔离机制、算术交叉、杰出者保留策略等对微种群遗传算法进行了改进。减少了重启动次数,增强了两次重启动之间遗传优化过程的全局和局部搜索能力,使算法在尽可能保有模式识别信息的前提下进行智能搜索;采用了实数编码,减少了编码和解码过程中的计算开销;引入了自适应随机变异算子,使之在不增加循环次数的前提下,增加了利用现有种群已经获得的遗传信息进行有效搜索的次数;引入了异种机制,有效提高了微种群遗传算法收敛于全局最优解的概率,加快了收敛速度。最后,标准测试函数的测试结果证明了这一改进的微种群遗传算法能够用远低于标准遗传算法的计算代价获得更佳的优化效果。