一种改进的小生境遗传算法

简单遗传算法（SGA）存在早熟收敛和后期收敛速度慢的弱点，基于小生境（niche）技术的改进遗传算法因其较好地保持了种群多样性，显示出更优的性能，但它存在操作复杂、比简单遗传算法更费时的缺陷，因此提出了一种基于自适应的小生境遗传算法。该算法在多模函数的优化中能够保持种群多样度的稳定性，获取合适的子种群规模，从而以更快的收敛速度获得更优的解。仿真结果表明该算法高效、可靠，易于实现。     

动态小生境遗传算法在多模函数优化中的应用

提出一种基于动态小生境技术的自适应遗传算法．算法的进化过程中，通过物种的辨识和保存过程确定小生境的峰值，引入个体趋向于高适应度的方向这一控制参数控制搜索的方向，采用自适应调整种群距离的方法控制搜索的范围，大大提高了搜索效率．仿真试验表明，该算法能够很好地保持解的多样性，同时具有很高的全局寻优能力和收敛速度，适合求解复杂多峰函数优化问题．     

基于隔离小生境的自适应遗传算法研究

基本遗传算法存在着收敛速度慢、易陷入局部最优等缺陷.针对这些缺陷,本文通过对自然界中隔离机制和自适应技术的研究,发现隔离机制对于改善种群的多样性等方面有良好的作用,而交叉概率和变异概率不仅与自身的适应度值有关而且同进化代数有较大关系.本文结合隔离小生境的知识和自适应技术提出了一种基于隔离小生境技术的自适应遗传算法,并通过函数测试表明该方法能够有效改善种群多样性,提高算法的全局寻优能力和收敛速度.     

一种由种群发育约束个体变异的鲁棒遗传算法

提出用种群发育停滞代数对变异概率和变异位数进行动态控制的改进遗传算法。该算法把种群没有更优个体产生看作种群发育停滞，将种群发育停滞代数定义为当前繁殖代序号与已得最优解的繁殖代序号之差；变异参数(包括变异概率、变异位数)初值与标准遗传算法(SGA)相近；随着发育停滞代数的增长，增大变异参数；当有更优个体产生时，变异参数恢复到初值，种群发育停滞代数置0；随种群发育停滞代数再次增长，变异参数再次增大，如此反复，直至算法结束。该算法在保持局部搜索能力的同时，提高了全局搜索能力及速度。用两个多极值函数(Camel函数、Shaffer’s F6函数)对该算法进行测试，结果表明，与SGA及自适应遗传算法相比，该方法以相当强的鲁棒性收敛到全局最优解，且具有较高的收敛速度。     

基于混合遗传算法的随机结构可靠性优化设计

遗传算法（GA）是一种具有随机搜索技术的进化算法,但在运用过程中出现早熟、收敛速度慢、局部搜索能力差的缺点。对遗传算法中的遗传算子进行了改进,提出了遗传算法和最佳矢量法相结合的混合遗传算法,并引入了小生境技术。分析表明,基于小生境的混合遗传算法即发挥了最佳矢量法局部搜索能力强的特点,又结合了遗传算法全局搜索能力强的优点,使收敛性能大大改善,同时小生境技术的使用,避免了优化过程中局部最优解的出现,提高收敛速度。具体算例表明该混合遗传算法是一种高效的结构优化方法。     

多峰值函数优化的改进克隆选择算法

通过分析Castro提出的CLONALG算法在优化多峰值函数时存在峰值搜索能力弱、最优解易退化、收敛效率低等问题的根源,提出了一种基于记忆库小生境自适应克隆选择算法（MNACSA）。该算法首先采用小生境机制将种群分成若干类、分别从每个类中选出最优个体组成新种群;其次建立记忆库和自适应的高频变异率、且在库中引入最佳抗体抑制操作。对算法进行了分析和仿真实验,证明了该算法可以防止优秀个体退化、自动调节种群个体数目、提高优化效率、增强多峰搜索能力。     

一种基于自适应分组排挤的遗传算法

为防止进化种群早熟收敛,并考虑保持种群多样性,加快寻优进程,提高寻优效率,提出一种基于自适应分组排挤的遗传算法,在寻优过程中将种群个体进行分组,在分组的基础上基于海明距离引入自适应的排挤机制,最后将该算法与基于海明距离排挤算法和简单遗传算法进行比较,证明其可行性和有效性.     

改进ST-GA遗传算法在多目标运输问题中的应用

在解决多目标运输优化问题的基于生成树的遗传算法（st-GA）中融入了NSGA-Ⅱ算法,提出了一种新的生成树遗传算法（NSST-GA）,新算法利用NSGA-Ⅱ中的策略来保持解群体的分布性和多样性,采用精英保留和擂台法来进行遗传选择,算例结果表明新算法提高了收敛速度,防止了早熟收敛,较好的保持了种群多样性和算法的稳定性．     

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.     

一种用于车间调度的基于熵的混合遗传算法

为提高车间调度算法的寻优性能,通过对模拟退火遗传算法收敛图的研究,提出了评价算法种群有序性（差异性）的种群熵,基于种群熵,提出了改进的模拟退火遗传算法,该混合算法通过种群熵动态地改变算法的交叉和变异概率,使之适应种群的变化,提高种群的多样性,有效地克服算法的过早收敛,从而达到提高算法寻优性能的目的。仿真实例表明,所提出的算法的寻优性能有了显著的提高。     

求解背包问题的并行混合遗传算法

针对基本遗传算法在求解大规模问题时，收敛速度缓慢、容易早熟的现象，借鉴生物区域性进化的原理，设计了一种基于星型迁移策略的并行混合遗传算法（Parallel Hybrid Genetic Algorithm，简称PHGA）．该算法采用高效的超贪心算子进行解码，使遗传进化过程从多个平均适应度较高的文明群体开始进化，并采用定期将各群体的最优个体输出给其他群体，使得最优个体共享，促进所有群体共同进化的共产主义迁移策略．在PVM环境下，对背包问题进行求解的实验，已取得超线性的加速比，并改进了解质量．     

一种快速寻优的新型改进遗传算法

在现有几种遗传算法(GA)的基础上,对GA中的适应度函数、交叉策略和变异策略做了进一步的设计,从而提出了一种新型改进GA。新型改进GA以群体的多样性与算法的收敛速度、全局与局部搜索能力的综合均衡为设计重点,较好地解决了一般GA收敛速度慢和局部搜索能力差的缺点。仿真结果表明:该算法与常用的标准GA和采用算术交叉算子的实值编码改进GA相比,有更快的收敛速度,更高的收敛精度及全局收敛概率。     

遗传算法中基于优良个体特征模式的方向变异算子

提出了一种基于优良个体特征模式的方向变异(DM)算子以改进标准遗传算法的随机变异，它不仅能提高种群的多样性，增强其在解空间的搜索能力，也能提高遗传算法的收敛速度、在对多峰值函数的优化时，将该算法和标准遗传算法结果比较，表明该算法有良好的稳定性、     

一种相对快速收敛的遗传算法的探讨

GA作为一种新的全局优化搜索技术比起其他搜索算法,优点明显,其不足之处是当搜索具有复杂染色体结构的求解空间时收敛速度慢。针对这问题提出了一种改进的相对快速收敛的GA算法的思路:增加对染色体的分割与重组操作,依据于各段的结构和段长,组成段群体,对其实施遗传操作以寻找优化段,重新组合成完整的染色体来搜索优化解。     

基于奥运选拔机制的超种群遗传算法

遗传算法有很多优点,但早熟问题有待解决。本文在对遗传算法早熟问题的机理进行深入分析的基础上,基于奥运会优秀运动员选拔机制,提出了一种用多种群进行搜索,然后构建一个新种群的超种群遗传算法。该算法可以避免传统遗传算法中因为模式单调化而造成的早熟。数值仿真表明,该方法能以较大的概率收敛于全局最优解。     

一种参数自调整多种群遗传算法

在借鉴海明距离、爬山法思想的基础上 ,提出了通过划分种群 ,采用不同的自适应参数 ,在保持快速收敛于最优的同时不失种群的多样性 .新方法提高了搜索精度 ,较好地克服了未成熟收敛现象 ,并通过多元多峰数学函数对新方法和基本遗传算法进行比较评估 ,验证了新方法具有较满意的优化效果 .     

遗传算法的多样性与收敛性

从遗传算法的选择算子研究多样性和收敛性对求解速度和质量的影响. 通过遗传算法解决TSP问题, 介绍了具有多样性的轮盘赌算子和具有收敛性的标准锦标 赛算子, 在综合考虑多样性和收敛性的基础上, 通过改进提出保留上代锦标赛算子和新锦标赛算子, 并得出结论, 增加其多样性, 会使收敛速度变慢; 加快其收敛速度则会破坏其种群多样性, 从而影响在限定的代数内找到最优解的机会, 并影响最终解的质量. 为更好地解决实际问题, 需折衷考虑多样性和收敛性.     

求解单级多资源约束生产批量计划问题的免疫遗传算法

通过对单级多资源约束生产批量计划问题(SLCLSP)模型进行分析,提出了基于免疫遗传算法(IGA)求解该问题的方法.此算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,借鉴生物免疫机制中抗体的多样性保持策略,大大提高了算法的群体多样性.实验结果表明,免疫遗传算法可有效改善基本遗传算法的未成熟收敛和局部搜索能力差的缺点,具有很好的全局收敛能力,使全局收敛性及收敛速度两方面均得到提高,能有效解决SLCLSP问题.     

一种新的混合粒子群优化算法

 针对粒子群优化算法容易陷入局部极值,进化后期收敛速度慢、精度低等缺点,本文将粒子群优化算法与遗传算法相结合,在基本粒子群优化算法中引入了正态变异算子,提出了一种新的混合进化算法,新算法增加了种群的多样性,增强了算法的全局寻优能力,提高了算法的搜索效率。使用新算法对经典函数进行优化测试,结果表明,本算法保持了粒子群优化算法简捷快速、容易实现的特点;同时,正态变异算子的引入提升了算法后期的收敛速度与全局搜索能力。新的算法能够以更小的种群数和进化代数获得较好的优化能力,在克服陷入局部最优和收敛速度方面均优于基本粒子群优化算法、遗传算法以及加入混沌扰动的粒子群优化算法（CPSO）。