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。引入适应性PCS和GC的改进遗传算法在不增加计算开锁的前提下，其全局收敛速度和可靠性显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。     

一种模拟人类繁育方式的自适应遗传算法

为了克服标准遗传算法容易出现的早熟收敛现象、全局收敛速度慢等问题,将人类特有的繁育方式引入到遗传算法中来,提出一种模拟人类繁育方式的自适应遗传算法（HRAGA）．该算法中加入了一个新的遗传算子——助长算子,并设计了一个新的自适应交叉算子和自适应变异算子,遗传个体具有雄性和雌性两种不同的性别,融合了个体的年龄和个体间的亲缘关系两种特征,在允许的年龄范围内,异性个体进行严格的远缘繁殖．通过对典型测试函数最优化问题的求解试验,证明了该算法的有效性和优良性能,其全局收敛速度和最优解的质量明显高于标准遗传算法．     

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。     

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。     

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·     

改进免疫遗传算法用于图像阈值分割

在图像阈值分割中,基于遗传算法的分割方法存在着运行速度慢、易形成未成熟收敛等缺点.针对这一问题对其进行了改进.改进的免疫遗传算法在免疫算子中引入疫苗接种机制,极大地提高了收敛效率,对交叉概率和变异概率进行了改进,避免了局部收敛,以保证改进算法能收敛到全局最优值.实验结果表明,改进的免疫遗传算法比传统的算法提高了运行效率,解决了全局搜索不收敛和局部搜索不到最小值的问题,并具有更好的收敛稳定性.     

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。     

改进灾变遗传算法及其在无功优化中的应用

针对灾变遗传算法的早熟和稳定性问题,提出了一种改进灾变遗传算法,设计了与进化代数相关的改进灾变算子;为了兼顾算法的全局性能和收敛速度,设计了与进化代数相关的交叉概率和与个体适应度相关的变异概率.IEEE14节点和IEEE30节点无功优化算例表明,该改进算法具有良好的全局性能和收敛速度,适合求解电力系统的无功优化问题.     

一种小生境正交遗传算法研究

针对标准遗传算法的不足,借助正交试验法的全局均衡设计思想和二元变异操作对初始种群产生方式、交叉算子和变异算子进行了改进,提高了种群的多样性;借助最优保留策略和自然界的小生境思想,对选择算子进行了改进,提高了算法的全局收敛性能;另外还通过引入加速正交搜索操作,提高了算法的收敛速度.在此基础上,提出了一种小生境正交遗传算法,并进行了实例研究.研究结果表明,该算法不但可以有效地克服标准遗传算法的缺陷,而且计算速度、计算精度和算法稳定性也得到了显著提高.     

混沌在实数编码遗传算法中的应用

提出了基于退化混沌突变算子的实数编码遗传算法.此算法通过利用混沌特定的内在随机性、遍历性和变化的进化速率,较好地模拟了生物进化过程,提高了算法的爬山能力,并针对不同的进化阶段,自适应地采用不同的算子操作次序,在一定程度上保护了已得到的有效个体.因此较好地克服了早熟收敛和停滞,并有效地解决了全局收敛性问题.仿真结果表明,与已有的自适应算法相比,该算法容易实现,求解精度、收敛速度和可靠性较高.     

基于新型免疫算法的污水处理过程最优控制

为提高抗体群分布的多样性,采用抗体浓度与适应度矢量距离相结合的策略,设计了一种新型的免疫选择算子.为了提高搜索效率,将变尺度方法引入到混合变异中,得到了一种变尺度混合变异算子,并对其收敛性、稳定性和复杂度进行了分析.同时将该算法应用到污水处理过程运行费用的最优控制中,结果表明该方法是有效的,并且具有可靠的全局收敛性及较快的收敛速度.     

基于GAs/PSO组合算法的水轮机调速系统PID参数寻优

提出了一种基于GA s/PSO组合算法的P ID控制器参数自整定方法,这种方法兼有遗传算法(GA s)和粒子群算法(PSO)的优点。组合算法种群由GA s和PSO的最佳个体迁移形成,其中GA s采用了实数编码和变异概率自适应,PSO算法采用了带指数衰减的惯性因子的速度更新算法,以加快收敛速度。通过对水轮机调速系统P ID控制器参数寻优仿真比较表明,该组合算法寻优性能比单独的GA s和PSO表现更为优异,且所得系统具有更好的动态性能。     

基于改进粒子群算法的优化策略

为提高传统粒子群算法的搜索速度和搜索精度,提出了一种改进的自适应粒子群优化算法.将正则变化函数和慢变函数引入传统位置更新和速度更新公式当中,形成两种新的更新机制:搜索算子和开发算子.在算法运行的初始阶段,种群中大部分个体将按照搜索算子进行更新,搜索算子将有助于种群遍历整个解空间;随着迭代次数的增加,按照搜索算子进行更新的个体将逐渐减少,而按照开发算子进行更新的个体将逐渐增多,开发算子将有效地克服陷入局部最优解的问题.通过典型测试函数的仿真实验,新算法在加快收敛速度同时,提高了算法的全局搜索能力.     

基于改进小生境免疫遗传算法的矩形件排样

讨论了基于改进小生境免疫遗传算法的矩形件排样问题,提出了基于排挤机制的小生境技术结合遗传算法的新思路,分别采用遗传算法、改进免疫遗传算法和小生境免疫遗传算法对大规模矩形件排样问题进行了实例比较分析,实例表明：在大规模矩形件排样过程中免疫算子和基于排挤机制小生境技术结合遗传算法的运用具有较好的全局寻优表现和收敛速度,算法有效、可行.     

A gene-pool based genetic algorithm for TSP

Based on the analysis of previous genetic algorithms (GAs) for TSP, a novel method called Ge- GA is proposed. It combines gene pool and GA so as to direct the evolution of the whole population. The core of Ge- GA is the construction of gene pool and how to apply it to GA. Different from standard GAs, Ge- GA aims to enhance the ability of exploration and exploitation by incorporating global search with local search. On one hand a local search called Ge- Lo-calSearch operator is proposed to improve the solution quality, on the other hand the modified Inver-Over operator called Ge- InverOver is considered as a global search mechanism to expand solution space of local minimal. Both of these operators are based on the gene pool. Our algorithm is applied to 11 well-known traveling salesman problems whose numbers of cities are from 70 to 1577 cities. The experiments results indicate that Ge- GA has great robustness for TSP. For each test instance, the average value of solution quality, found in accepted time, stays within 0. 001% from the optimum. Foundation item: Supported by the National Natural Science Foundation of China (70071042, 60073043, and 60133010) Biography: Yang Hui ( 1979-), female, Master candidate, research direction; evolutionary computation.     

用MATLAB求解TSP问题的一种改进遗传算法

TSP问题是遗传算法得以成功应用的典型问题.提出一种改进的义叉和变异算子来解决TSP问题,并给出其算子的MATLAB程序.通过实验,发现改进的算法比传统算法收敛速度更快,适应值更优,说明改进算法是有效的.     

一种基于遗传算子优化组合的TSP问题求解方法

一般遗传算法求解旅行商问题时,存在着搜索速度与求解质量之间的矛盾.针对此问题提出了一种逆序与对偶组合算子,用以增强遗传算法的局部搜索能力.将其与具有良好全局搜索模式的均匀杂交算子优化组合应用,采用自然数和二进制相互转换的编码方式,构造了一种对TSP问题进行求解的遗传算法,保证了算法的全局收敛性.仿真实验结果表明,该求解方法具有良好的搜索效率和求解质量.     

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。     

A novel evolutionary algorithm for global numerical optimization with continuous variables

Evolutionary algorithms （EAs） are a class of general optimization algorithms which are applicable to functions that are multimodal, non-differentiable, or even discontinuous. In this paper, a novel evolutionary algorithm is proposed to solve global numerical optimiza- tion with continuous variables. In order to make the algorithm more robust, the initial population is generated by combining determinate factors with random ones, and a decent scale function is designed to tailor the crossover operator so that it can not only find the decent direction quickly but also keep scanning evenly in the whole feasible space. In addition, to improve the performance of the algorithm, a mutation operator which increases the convergence-rate and ensures the convergence of the proposed algorithm is designed. Then, the global convergence of the presented algorithm is proved in detail. Finally, the presented algorithm is executed to solve 24 benchmark problems, and the results show that the convergence-rate of the proposed algorithm is much faster than that of the compared algorithms.