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.     

最优子种群实数编码遗传算法的研究

提出了最优子种群实数编码遗传算法理论，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．该遗传算法对于示例中多极值的问题非常有效，收敛速度也非常快．     

一种新的非满载车辆调度的遗传算法

针对物流配送中的单车场非满载车辆调度问题,提出了一种基于Grefenstette编码的自适应遗传算法.该方法采用Grefenstette编码方式,使得交叉和变异运算后的任意基因型个体都能对应于一条具有实际意义的行驶路线;并在交叉和变异运算过程中,引进自适应调整策略,避免陷入早熟和染色体的破坏.通过与简单遗传算法的仿真结果对比,验证了本算法的有效性.     

遗传算法在排课问题中的应用

在分析造成排课困难的各种因素的基础上,将遗传算法运用到解决排课问题中.并给出了该算法的详细设计（文中采用了二进制编码和矩阵编码相结合的编码方法;给出了带有权值的适应度函数;对染色体中的时间码采用映射同/异或交叉;采用两点变异的变异方法）和排课模型;很好地解决了多约束条件下的排课问题.     

基于分层遗传算法的电力变压器优化设计

在研究了分层遗传算法的基础上,分析了该方法动态编码及动态调整遗传算子的优点,提出了一种改进的交叉变异机制.该机制在交叉操作时,不能在关联变量内部选择交叉点,在变异操作时,如果其中一个变量发生了变异,则与其关联的变量也要同时进行变异操作,并且可以将所有个体限制在有效的搜索空间内.文中将分层遗传算法应用于电力变压器优化的问题中,与单层遗传算法相比,在相同计算量的情况下,多层遗传算法成本节约1.83%,负载损耗下降1.01%.     

基于混沌序列遗传算法的QoS组播路由选择方法

针对遗传算法求解服务质量(QoS)组播路由易发生早熟收敛的缺点,将混沌序列引入遗传算法中.首先利用混沌序列的随机性,生成更具多样性的遗传算法的初始解集,然后,通过判断适应度函数值的变化,判断早熟是否发生,如果发生早熟,则用混沌扰动对该解群进行类似变异的扰动操作,从而避免进化过程中基因多样性的缺失.仿真结果表明,该算法能快速、有效地构造出满足QoS约束要求最优组播树.     

基因算法在求解非光滑优化问题中的应用 (三峡地区资源环境生态研究)

本文考虑了基因算法在求解非光滑优化问题中的应用。非光滑优化方法致力于求解目标函数为连续不可微函数的数学规划问题。因为目标函数的不可微性,传统的以梯度为基础的确定性算法在求解非光滑问题时会遇到障碍,所以运用不需要梯度信息而只需要目标函数值信息的遗传算法来求解非光滑问题是一个不错的选择。遗传算法是基于自然界生物遗传变异过程而设计的一种优化算法,它首先对问题的可行解进行编码,编码方法有0-1编码,格雷编码和实数编码,然后运用交叉算子,变异算子和选择算子产生下一代种群。当种群迭代达到一定的次数后,种群中的最优染色体就会收敛到原问题的最优解。本文设计的基因算法基于实数编码,算子分别采用算术交叉算子,非一致变异算子,最佳选择算子。     

变异率和种群数目自适应的遗传算法

提出了针对个体变异率和种群数目的2种自适应方法.算法中个体变异率根据其适度值在种群中的排序自适应调整,使优良个体具有较小的变异率继续进化,而使种群中较差个体具有较大变异率,增强了种群搜索能力.同时根据种群个体适度值方差动态调整变异率曲线,种群数目调整则根据最优个体更新率动态增大,以动态适应解空间的规模避免采样误差造成的进化停滞.通过在不同尺度的NK Landscape上与传统的简单遗传算法(SGA)比较可得,2种自适应方法的引入对遗传算法的寻优能力有了明显改进.     

小生境遗传算法的改进

为了避免小生境遗传算法存在的早期成熟和陷入局部极值点等问题,提出了一种改进的小生境遗传算法.该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,并在变异量的确定上引入了梯度的概念.通过在Shubert函数的全局最优化问题上的验证,并与常规遗传算法和小生境遗传算法比较,改进后的算法提高了搜索速度,能有效跳出局部极小值,并搜索到全局最优值.     

一种基于免疫变异算子的改进型量子遗传算法

基于量子遗传算法进化方向随机性大、易早熟等缺点提出了一种改进的量子遗传算法.该方法采用了自适应染色体长度和旋转角度,提高了优化效率;引入了免疫算子,淘汰繁殖率低的个体,并通过操作染色体编码实现量子变异,以增强种群中基因多样性,避免算法陷入局部最优.对若干基准测试函数进行实验,结果表明相对于标准量子遗传算法,该算法在收敛速度、精度、稳定性以及克服早熟能力方面都有了显著的提高.     

基于自适应并行遗传算法优化设计的有源滤波器

提出一种用于有源滤波器的改进自适应并行遗传算法设计.引入了两个自适应算子:其一根据进化过程实现交叉和变异概率的自动调节;其二通过设计随机个体集和健壮个体集,实现种群个体的多样性和保护适应度高的个体不被破坏.采用基于岛屿的交换模型实现多种群间信息交换,扩大了种群的规模和相应的搜索空间.给出了利用该方法设计四阶切比雪夫低通滤波器的设计结果,并与基本遗传算法进行了比较实验,结果表明该算法收敛速度快、精度高,有效地克服了早熟现象.为大规模有源滤波器设计提供了方法上的支持.     

不确定条件下基于遗传算法的作业车间调度问题

考虑到产品不同的交货期, 研究了不确定条件下的作业车间调度问题, 用三角模糊数表示产品处理时间, 建立了调度问题的模型, 并结合模糊理论设计了一种改进的遗传算法进行求解. 该算法通过整数编码的方法产生初始种群, 结合轮盘赌方法和精英保留策略进行选择操作, 采用基于优先工序交叉(precedence operation crossover, POX)算子和互换变异方法进行交叉和变异操作, 并通过动态调整交叉概率和变异概率的方法来提高算法的性能以及计算效率. 最后, 通过算例和企业实例验证了该模型和算法的有效性.     

An amino-acid substitution involved in phenylketonuria is in linkage disequilibrium with DNA haplotype 2

Phenylketonuria (PKU) is an autosomal recessive human genetic disorder caused by a deficiency of hepatic phenylalanine hydroxylase (PAH, phenylalanine 4-monooxygenase, EC 1.14.16.1). PKU is a common inborn error of amino-acid metabolism in caucasian populations and approximately 1 in 50 individuals are carriers of a PKU allele. To define the molecular basis of PKU, we characterized twelve restriction fragment-length polymorphism (RFLP) haplotypes of the PAH locus in the northern European population and observed that 90% of the PKU alleles in this population are confined to four common RFLP haplotypes. We have recently reported a splicing mutation in the PAH gene that is associated with RFLP haplotype 3 which is present at about 40% of mutant alleles. We now report the molecular lesion associated with the RFLP haplotype 2 mutant allele. This defect is caused by a C-to-T transition in exon 12 resulting in an amino-acid substitution (Arg to Trp) at residue 408 of PAH. Direct hybridization analysis of the point mutation using a specific oligonucleotide probe demonstrated that this mutation is also in linkage disequilibrium with RFLP haplotype 2 alleles that make up about 20% of mutant PAH genes.     

基于INSGA-II高维目标柔性作业车间调度的优化

高维目标柔性作业车间调度问题(many-objective flexible job shop scheduling problem,MaOFJSP)是指在实际生产中根据企业不同部门的要求,对车间生产寄予不同的期望,使各个部门利益最大化的调度决策。针对完工时间、拖期时长、机器负荷、能耗4个优化目标,提出了改进非支配解遗传算法(improved non-dominated sorting genetic algorithm,INSGA-II)来求解MaOFJSP,同时对算法的编码解码、Pareto排序、选择策略、交叉变异操作进行了研究。采用工序排序和机器选择的双层个体编码方式,在精英选择过程中计算个体的斜率,斜率小的进入到父代,使得优秀个体得以保存;在变异环节中基于关键工序块邻域结构,采用插入法让工序小的工件优先加工,使得最大完工时间明显变小。通过该算法对不同算例进行的Matlab模拟仿真,验证了该模型的可行性和算法的优越性。     

基于服务质量的Web服务优化选择算法及仿真

提出一种基于服务非功能属性的Web服务优化选择的多目标遗传算法.考虑到在服务选择时组合方案中的控制结构、具体服务之间的关联性和多个服务质量指标之间的折衷这三方面的约束,对服务选择建立分层模型给出优化选择的形式化定义.在此基础上,采用多目标遗传算法求解优化服务选择.首先设计了适合的染色体编码方式,以表示可行的服务选择方案...     

指派问题的遗传算法研究与实现

提出了用遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ）进行运筹学中指派问题（ＡｓｓｉｇｎｍｅｎｔＰｒｏｂｌｅｍ）优化的新方法。根据优化问题的性质，设计了两种编码方案，以及适合此类问题的复制、交换、倒位、变异四种遗传操作符。在此基础上，完成了整个优化算法及程序框图，并用Ｃ语言实现。计算结果表明，算法设计正确，程序灵活可靠，是解决此类问题的一种行之有效的方法。     

求解动态优化问题的改进原对偶遗传算法

针对求解动态0-1优化问题的原对偶遗传算法(pri mal-dual genetic algorithm,PDGA)中一个关键的运算──原对偶映射(pri mal-dual mapping,PDM)进行改进,提出了一种新的适应性的PDM方法.在新的映射方法中,利用种群中染色体各个基因位点上取值的统计信息来计算该基因位点进行PDM运算的概率.在一组动态优化函数的仿真实验中,改进的PDGA算法表现出比原始算法更好的性能.     

基于遗传算法的柔性车间调度优化

针对传统作业车间调度问题有加工设备功能单一、加工工序对应设备固定的特点,提出了一种新型混合改进的遗传算法进行求解优化。首先,采用一种新的编码思想构建双层染色体编码结构,强化初始种群质量,提高种群的多样性;并给出了相应的选择操作设计,交叉操作采用单段交叉、两段交叉和三段交叉机制,改善算法全局搜索能力,变异操作引入了种群分割的思想,按照适应度将种群分割成两部分,并赋予不同的变异概率,实行两种变异机制,以提高算法的局部搜索能力;添加了新的检查操作以增强优化过程的可行性。最后采用MATLAB编程,通过一个6个工件,每工件6道工序的应用实例进行测试,验证了该方法切实可行,有效。     

免疫遗传算法及其对资源受限工期最短问题的应用

依据免疫机理及遗传算法,设计免疫遗传算法解决项目计划管理中资源受限、工期最短问题。算法设计中,记忆池用于搜集算法进化获得的优秀个体,并使记忆池中的个体参与交叉;基于群体多样性特征,设计浓度方案调节进化群体的多样性,并用于群体更新;利用自适应变异及修补思想增强进化群体的散布性和修正非可行解。数值实验及比较表明,该算法具有很好的搜索性能,在搜索效果上较为稳定。     

基于混合遗传算法的多UCAV协同任务分配方法

针对多UCAV协同作战的控制决策问题,提出了多UCAV任务分配的多目标整数规划模型.将问题的启发性知识融合进遗传算法,提出了求解该问题的基于整数编码的混合遗传算法.将变量根据约束条件特点分为自由变量和非自由变量,仅对非自由变量编码,减小了染色体长度和变化要素,从而提高了算法的效率.设计了适于整数编码的交叉和变异算子,并巧妙地利用约束条件限制变异范围,以提高个体满足约束条件的概率.以UCAV的SEAD任务为想定,进行了仿真实验.实验结果表明混合遗传算法可以有效地解决大规模整数规划问题,在求解效率和提高约束条件满足率上优于标准遗传算法.