一种自适应紧凑遗传算法及其仿真研究

首先提出了用联合熵来刻画紧凑遗传算法的多样性方法;在此基础上针对紧凑遗传算法存在的早期收敛,同时提出了基于多样性的自适应紧凑遗传算法。该算法通过种群多样性的变化和每个基因座自身的进化状态来控制概率向量的更新。这种更新策略不仅可以跟踪种群的全局进化状态,同时还可以对基因座自身的进化状态进行局部调整,从而提高了进化中种群的多样性和算法的搜索效率。通过典型函数的测试,仿真结果表明了提出的算法的优越性和有效性。     

解决位置管理问题的混沌混合差分进化算法

位置管理问题是移动计算环境中的一个重要问题.提出了一种解决位置管理问题的混沌混合差分进化算法,给出了将浮点编码的种群个体映射为问题解的方法,给出了解决标准差分进化算法早熟收敛问题的混沌搜索算法.仿真结果表明,混沌混合差分进化算法能有效解决移动计算中的报告小区规划问题,且算法的搜索质量优于遗传算法、禁忌搜索算法、蚁群算法和传统差分进化算法.     

求解约束优化问题的改进算法及其收敛性分析

针对约束优化问题,提出一种改进差分进化算法。为了利用种群中不可行解的信息,新算法设计了一种改进DEB准则;为了进一步提升算法在受限空间的寻优能力,新算法设计了一种交叉概率CR和缩放因子F的生成方法。13个标准的测试函数的实验结果证明,与目前求解约束优化问题最优秀的算法相比,新的改进差分进化算法仍然非常有竞争力。     

退火进化规划算法及其收敛性

基于排序的选择方式在一定程度上会导致种群搜索范围变窄,进化规划算法过早收敛。针对此问题,将退火概率与适应度结合的选择方式引入进化规划算法的选择操作,形成了退火进化规划算法(AEP)。然后利用非时齐Markov链对退火进化规划算法进行了描述,并证明了其全局收敛性。数值实验表明,退火进化规划算法能保证种群的全局收敛性,且收敛速度较快,可较好地避免早熟收敛和局部极值。     

分流机制遗传算法研究

提出了一种基于分流机制的新型遗传算法。该算法采用优种限量繁殖 ,达标种交叉和劣种变异的策略 ,突出遗传算子各自的优点和作用 ,根据进化质量自适应地调整交叉和变异概率 ,使种群具有很强的可进化性。分流机制遗传算法改变了遗传算法的传统结构 ,种群始终具有探测新的超平面 ,从而获得新的最优个体的能力 ;同时 ,对于进化中的个体不需进行所有遗传算子操作 ,提高了算法的全局收敛性 ,降低了时间复杂度。测试结果表明了所提方法的有效性。     

基于改进差分算法的数据链时隙分配方法

针对当前时隙分配策略具有算法单一、容易陷入局部最优、泛化能力弱等问题,基于差分进化算法,引入了混沌算法、自适应变异交叉算法和问题解处理机制,提出了一种基于改进差分进化算法的时隙分配策略。利用混沌算法初始化种群,增加种群多样性避免算法过早收敛;利用选择概率参数使得交叉和变异过程更加灵活,使算法初期增加搜索范围,算法后期增加获取全局最优解的概率。实验结果表明：该算法时隙分配均衡度、稳定性、算法效率和泛化能力均优于差分算法和遗传算法,时隙分配均衡度和算法效率更高、稳定性更好、泛化能力更强。     

混合混沌量子进化算法

针对量子进化算法计算量大、收敛速度慢以及容易出现早熟等问题, 提出混合混沌量子进化算法. 该算法采用混沌 初始化方法产生初始种群, 使种群具有较好的多样性;采用简单量子旋转门更新当前种群中的非最优个体, 降低算法的计算量; 提出混合混沌搜索策略以提高算法的收敛速度和全局搜索能力. 大量的测试表明, 与量子进化算法、实数编码量子进化算法和 混合量子遗传算法相比, 所提出的算法具有较快的收敛速度和较好的寻优能力. 大量的测试也表明, 若将混沌引入量子进化算法, 则混合混沌搜索策略的综合性能明显优于载波混沌策略, 在大多数情况下优于混沌变异策略. 本文提出的算法是惟一的每次测试 都收敛的算法, 且实现简单, 便于工程应用. 将其用于求解城市道路的交通信号配时优化问题, 实际效果令人满意.     

应用重启改进进化算法提高柔性作业解质量

重启策略有效提高了概率算法性能。为将重启思想引入协同进化算法,改进了涉及多种群的协同进化算法收敛判断条件。以进化过程中相同解码值的重复解码次数衡量协同种群的稳定状态,用于结束或重启搜索过程。引入重启后的协同进化算法用以求解柔性作业调度问题。实验表明,改进后的算法能有效跳出局部最优,提高解质量和搜索效率。从而为应用协同进化算法求解其他组合问题时提高算法性能提供了一条可行有效的新途径。     

快速约束多目标进化算法及其收敛性

针对进化算法收敛速度缓慢、容易陷早熟的问题,提出了约束多目标优化问题的一种新的快速进化算法. 设计了能够从可行解空间和不可行解空间同时搜索的交叉算子,将约束条件和目标结合在一起,引入一种新的偏序关系用于比较个体之间的优劣,提出一种新的Niche值计算方法作为维持种群均匀性的主要动力,并采用已搜索解集避免了算法的重复搜索. 在此基础上, 设计了具有全局搜索能力的进化算法, 并证明了算法的收敛性. 仿真结果表明,与同类进化算法相比, 该算法能够快速收敛到Pareto前沿,并能很好地维持种群的多样性.     

一种求解函数优化的混合差分演化算法

为了解决传统遗传算法易陷入局部最优解的问题,在多父体杂交算法和差分进化算法的基础上,提出了混合差分演化算法.该算法的核心在于,采用多父体杂交算子保证算法的遍历性,通过淘汰相同个体来保持群体的多样性,并以较小概率随机选取部分个体进行差分进化操作,从而充分利用最优个体的信息达到了加快收敛速度的目的.对复杂函数的寻优实验验证了混合差分演化算法的有效性.     

遗传算法平均截止代数和成功率与种群规模之间的关系

遗传算法的搜索效率在很大程度上取决于运行参数,如种群规模M、编码串长度l、交叉概率Pc、变异概率Pm、终止代数T、适应度函数f(M)等的设置.利用简单遗传算法和统计分析方法,通过对四个典型数学结构进行全局最优解搜索,得到了遗传算法平均进化截止代数和成功率R与种群规模M之间的关系,给出了相应的拟合公式.讨论了平均进化截止代数和成功率与种群规模和极值个数之间的关系.这种研究对于合理确定种群规模和进化终止代数,正确估计搜索到的满意解的最优程度等具有重要意义.     

解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。     

基于改进遗传算法的独立分量分析算法

针对现有独立分量分析算法的分离效果依赖于非线性对比函数的选择,并且无法有效地分离超高斯和亚高斯混合信号这一现象,提出了一种基于遗传算法的独立分量分析算法,该算法采用直方图法根据信号的样本序列来估计信号的概率分布,解决了信号问互信息的计算问题,然后通过遗传算法最小化信号间的互信息,实现了对线性混叠信号的分离;同时,针对标准遗传算法存在的一些缺点如局部搜索能力差、容易出现早熟收敛等,提出了一种改进遗传算法,提高了遗传算法的寻优能力.对模拟信号的分离结果表明,基于改进遗传算法的独立分量分析算法的性能优于FastICA算法,对亚高斯和超高斯信号的混合信号具有优异的分离能力.模拟仿真实验结果同时也证实了改进遗传算法的寻优能力.     

基于免疫遗传算法的三维大脑图像分割

利用最大熵多阈值方法对三维大脑数据进行分割时,穷尽搜索法耗时长,而简单遗传算法的搜索结果又不够稳定和精确.针对该问题,提出了一种免疫遗传和模拟退火相结合的新算法来快速求解全局最大熵.与简单遗传算法相比,免疫遗传算法采用了更佳的选择操作,以确保更多不同个体被选择来保存种群的多样性,而模拟退火机制用于拉伸免疫遗传算法的适应度函数.算法给出了选择概率的一般表达式,并采用精英策略和自适应的交叉、变异机制以改善算法的收敛性.基于IDL平台的100次仿真结果表明,三维大脑数据被成功地分为:脑白质、脑灰质和脑脊液三部分,且与简单遗传算法和传统免疫遗传算法相比,本文算法在稳定性和精确性上更具优势.     

遗传算法在电力系统经济负荷分配中的应用

针对考虑阀点效应的电力系统经济负荷分配问题的特点，将遗传算法与传统基于梯度的数学优化方法相结合，提出一种求解电力系统经济负荷分配问题的混合遗传算法。通过极大熵理论将经济负荷分配问题近似为可导问题，并将SQP法引入遗传算法提出SQP算子，以提高遗传算法的寻优速度与局部搜索能力．基于优化设计理论应用均匀设计确定初始种群．同时，利用单纯形交叉算子的多点交叉特性使种群逐步趋近全局最优点．实例研究结果验证了方法的有效性。     

一种小种群自适应遗传算法研究

分析了变异算子在标准遗传算法和自适应遗传算法中的作用和当前研究的不足,提出一种新颖的能够大大提高遗传算法性能的变异策略,并进而提出一种小种群自适应遗传算法.该方法在采用赌轮选择和单点交叉的情况下,利用一种可伸缩的变异策略使得算法在探测和开发之间取得很好的平衡,从而能够用小规模的种群进行有效的全局搜索和局部搜索,避免早熟收敛,并能够以较快的速度收敛到全局最优解.对多峰函数的仿真实验表明了算法的有效性.     

遗传算法早熟问题的定量分析及其预防策略

针对遗传算法早熟收敛问题,运用模糊理论和方法,给出了早熟的新定义,提出了度量种群成熟度的模糊型指标及其计算方法。在此基础上,形成了交叉率、变异率随成熟度指标自适应调整的预防早熟策略,从而能够在提高遗传算法运行效率的同时预防早熟。仿真实验证明了该策略的有效性。     

基于信息熵的自适应PBIL算法及其应用

分析了基于群体的增量学习(Population-based Increased Learning，简称PBIL)算法的基本原理和存在问题，提出了一种具有自适应学习和变异能力的改进策略。新的算法采用信息熵衡量种群的进化程度，并根据熵值的变化自适应地调整学习速率和变异率。应用该算法求解典型的Flow Shop调度问题，通过与简单PBIL算法和遗传算法的结果进行比较，表明该算法的计算效率和局部搜索能力得到提高，且收敛过程非常稳定。     

基于改进遗传算法的影像中心布局优化方法

针对影像中心现有布局优化方法自动化水平低、受个人主观意愿影响较大等问题,提出运用系统布置方法(systematic layout planning,SLP)和改进遗传算法相结合的方法对布局进行优化。利用SLP生成的布局方案改善遗传算法的初始种群,增加初始种群多样性;从遗传进化代数和个体适应函数值2个方面实现遗传参数自适应调节,提高其寻优效率。在西安某影像中心布置区域模型和多目标优化数学模型的基础上,运用改进后遗传算法对西安某影像中心布局优化问题进行了仿真实验。实验结果证明：该算法在求解影像中心布局优化问题时比传统遗传算法或蚁群算法速度更快、效果更好。提高了影像中心布局优化的自动化水平,为建筑设计人员提供合理的参考方案。