求解一类无约束优化的混合遗传算法

目的 求解一类无约束优化问题。方法 结合传统优化算法局部寻优能力强、收敛速度快，而遗传算法在搜索过程中不易陷入局部最优的两种算法的特点，给出了一种基于最速下降法的混合遗传算法。结果 算例表明所设计的算法是有效的。结论 算法可以提高局部搜索能力，提高解的精确度，搜索速度。     

一种用于多峰函数优化的改进混合遗传算法

针对遗传算法在处理复杂多峰函数优化问题中存在的一些缺陷，提出了一种改进型的混合遗传算法，它在小生境技术的基础上引入单纯搜索算法、最优保存算法和近优淘汰算法，并使之相互结合，经编程实践证明，这种改进的混合遗传算法在处理复杂多峰函数优化问题时，局部搜索能力和克服过早收敛能力方面都显著优于标准遗传算法，并在实际应用中取得了较好的效果。     

基于小生境遗传算法的多峰函数全局优化研究

针对基本遗传算法在求解多峰函数时很难找到全部最优解的问题，研究了基于淘汰相似结构机制的小生境遗传算法。用该算法对两个典型多峰函数求解的测试结果表明，该算法较之基本遗传算法有更强的全局搜索能力和更快的收敛速度。     

果蝇优化算法对多峰函数求解性能的仿真研究

多峰函数的寻优能力一直是衡量算法优越性的依据之一,许多传统的算法对其求解容易误将局部极值当做全局极值,针对这一问题,以Schaffer多峰函数为例,运用改进的果蝇优化算法(Improved Fruit Fly Optimization Algorithm,IFFOA)对Schaffer函数进行寻优求解,同时对其他4个测试函数进行求解.通过matlab软件测试、分析了改进的果蝇算法寻优能力的影响因素,最后通过相同的参数,分别采用遗传算法(GA)和改进的果蝇算法进行对比,通过对比发现,改进的果蝇优化算法在收敛精度和收敛速度方面,均优于和声搜索算法(HS)算法,从而验证了IFFOA算法的优越性和有效性,可以将IFFOA算法应用于其他领域.     

区域性两阶段演化算法在多峰函数优化中的应用

针对求解多峰函数优化问题全局最优解的特殊困难,提出一种区域性两阶段演化算法（RTEA）,详细介绍了该算法的作用机制、算法策略和算子设计,深入分析了该算法具有能避免“早熟”、一次运行可获得全部最优解等特性.实验结果表明,RTEA用于求解较低维的多峰函数优化问题是高效的,具有较高的求解质量和较快的收敛速度.     

基于遗传算法的函数优化拟下降算法

在传统优化算法中嵌入一拟下降步,改善了算法的收敛性质,用遗传算法计算下降步,提高了算法的全局搜索能力,又不改变原算法的收敛性,数值计算结果表明,所提出的算法结合了遗传算法和传统算法的优点,是一种查行的解决函数优化问题的混合算法。     

基于动态群体的聚集演化求解多峰函数优化问题

指出了现有的演化算法框架都是群体固定的演化迭代过程，对求解多峰函数优化问题时由于无法事先得知峰值点的个数而很难确定合适的群体大小，影响了算法的效率，提出了一种群体动态可调的演化方式，使得初始群体大小可任意指定，在演化过程中通过聚集和按比例引入新个体两个过程而动态变化。实验表明，该算法能尽可能多地定位峰值点。     

基于遗传算法的函数优化拟下降算法

在传统优化算法中嵌入一拟下降步,改善了算法的收敛性质;用遗传算法计算拟下降步,提高了算法的全局搜索能力,又不改变原算法的收敛性．数值计算结果表明,所提出的算法结合了遗传算法和传统算法的优点,是一种可行的解决函数优化问题的混合算法．     

多峰函数寻优的微粒群算法

某些实际问题的优化目标是求所有的局部最优解，即求解多峰寻优问题，为了求解多峰优化问题，提出了改造的微粒群优化算法．尽量减少微粒群算法中的全局因素，从而增大其局部因素，同时采用变步长方法增加微粒的多样性．并给出了该算法的原理和步骤．仿真实验表明该算法概念清楚，计算简单，具有很好的局部寻优特性，可应用求解于多峰寻优问题．另外还给出了几个运算实例和与其它优化算法的比较．图表，表1，参9．     

无约束多目标优化的一种新的下降算法

基于无约束多目标的最速下降法,提出了无约束多目标优化问题的一种新的下降算法,并证明了该算法在Armijo线性搜索下的收敛性.数据试验结果验证了该算法的有效性.     

一种基于小生境的遗传算法及其应用

基本遗传算法在进行种群中个体的交配时采用的是一种随机方式,在一定程度上会影响进化的性能,提出一种基于小生境的遗传算法,通过定义新的选择机制与变异策略,能利用种群中个体的历史信息,较好地维持群体的分布特性,它可用于多峰函数（特别是变峰函数）的优化,以获得目标函数的多个极值点,文中详细给出了方法的具体实现步骤。     

求解多峰值问题的改进混合遗传算法

由于遗传算法解决问题时容易陷入局部极值点,根据遗传算法全局搜索能力强和模拟退火算法局部搜索能力优的特点,将它们混合使用,同时改进初始群体产生方法,使随机产生的初始群体之间有较明显的差别,能均匀分布在解空间,并采取与进化代数相关的多精英保留策略及改进的自适应选择与变异操作.模拟退火算法的结束条件改进为当连续五代个体与前一代适应值无变化或当前温度小于结束温度.仿真实验表明新算法在求解多峰值问题时改善了遗传算法的局部搜索能力,有效地解决了遗传算法的早熟现象,显著提高了遗传算法求得全局解的概率.     

一种求解非线性函数优化问题的混合遗传算法

结合单纯形法的混合遗传算法是将单纯形操作替代原来的交叉算子,并采用最优群体保留策略,算法可以很小的群体规模实现兼顾全局搜索和局部搜索的均衡搜索,大幅度提高搜索精度和效率,算法不需要梯度信息,不需进行编码操作,非常适合求解非线性函数优化问题。     

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．     

一种改进的遗传算法在多峰值函数优化问题中的应用

针对标准遗传算法在处理多峰值函数优化问题中存在的收敛性问题,设计了一种自适应多位变异遗传算法．有效地解决了过早收敛、局部搜索能力差和全局收敛性问题．实例计算表明.改进后的遗传算法是有效和可行的．     

多维函数全局寻优的团队进步算法

通过模仿团队进步需要的学习、探索行为和成员更新规则,提出了一种新颖的双群体演化算法,称为团队进步算法(TPA).算法将一个团队的成员分为精英和普通组,建立了两组的学习样板,定义了学习和探索运算,并合理设定了成员更新规则.两组成员在搜索过程中出现了明显分工,使算法兼备了全局搜索、局部搜索和定向搜索的能力.数值试验结果验证了新算法具有实现简单、全局寻优成功率高、收敛快、计算量少、坚韧性强和参数选择相对容易等特性,对解决优化应用问题具有较大的价值.     

遗传算法在网络计划资源优化中的应用

将遗传算法引用到资源优化中，解决了“资源有限-工期最短”和“工期固定-资源均衡”两种优化问题，得到了比应用网络计划技术及数学规划方法更为满意的计算结果，克服了传统的资源优化方法不能保证解的最优性的缺点。在此基础上，还将上述两种情况综合进行多目标优化，获得工期最短资源均衡的优化结果，并通过实例验证了该方法的可行性和高效性，对于工程项目管理中资源工期优化具有实际应用价值。     

基于遗传算法和模式搜索的混合优化方法

遗传算法具有快速随机的全局搜索能力,但当求解到一定范围时往往做大量无为的冗余迭代,求精确解效率低.模式搜索具有很强的细搜索能力,但是其搜索结果的好坏在很大程度上依赖于初始点的选择.本文提出了一种混合遗传-模式搜索算法,该方法是将种群分成两个子群,分别进行遗传算法与模式搜索算法,在每一步中两个子群的最佳结果收集起来,用于更新相互的最优个体.仿真结果表明遗传算法与模式搜索的混合优化方法取得了较好的效果.     

基于遗传算法和单纯形法的混合优化算法

基于对遗传算法和单纯形法的分析,提出了可结合这两者长处,既有较快收敛性,又能以较大概率得到全局最优的用于组合优化的混合算法,测试结果表明该方法明显优于遗传算法和单纯形法。     

基于纯数值函数优化的一种混合遗传算法

通过引入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的自适应遗传算子同时把Powell局部寻优算法融入遗传算法的搜索过程构成了一种数值函数全局寻优的混合遗传算法.实验表明混合遗传算法改善了遗传算法的局部搜索能力,有效地解决了遗传算法的早熟现象,显著提高了遗传算法求得全局解的概率.同时由于混合遗传算法中只利用函数值信息,所以该混合遗传算法是纯数值函数的优化的一种通用方法.