进化规划和进化策略中变异算子的若干研究

介绍了进化规则和进化策略中使用的三种变异算子及其性质，应用概率论方法比较了它们的局部搜索和局部逃逸性能。结果表明，柯西变异算子和正态变异算子分别具有良好的局部逃逸和局部搜索能力，而平均变异算子在一维时同时具有良好的局部逃逸和局部搜索能力，但在高维时它的性态和柯西变异算子基本一样，这些结果为设计和使用变异算子提供了指导和启发。     

蚁群优化算法在发电机励磁控制中的应用研究

针对现有发电机励磁控制器参数优化中存在的寻优时间长、易陷入局部最优的问题,提出了一种引入杂交及变异算子的蚁群算法。该算法利用蚁群算法良好的全局寻优能力,避免搜索陷入局部最优,同时借鉴遗传算法的思想,利用杂交及变异算子来进行局部寻优,使其能快速搜索到全局最优点。MATLAB仿真结果表明,该算法可行且有效。     

算术杂交算子的问题相关性

针对实数编码遗传算法中的算术杂交算子是否存在问题相关性进行了实验研究.首先,用几种常用的算术杂交算子对测试函数进行优化实验,结果表明,选用何种算术杂交算子算法更有效与具体优化问题有关,即算术杂交算子存在问题相关性,且它随变异概率的变化而呈现比较复杂的变化.其次,提出了根据算术杂交算子在无变异时的优化效果以及有变异时与变...     

基于细分变异算子策略的遗传算法

针对基本遗传算法局部搜索能力不强以及早熟的问题,提出基于细分变异算子的遗传算法(Genetic Algorithm Based on Subdividing Mutation,SMSGA).SMSGA将变异算子依据进化历程分成大步前进算子和最优调教算子.大步前进算子防止遗传早熟现象的发生;最优调教算子加强局部搜索的能力.同时,为加快算法收敛速度,对遗传操作实施策略进行优化,引入了路由选择操作.选用3个典型的测试函数在MATLAB平台中对该算法与基本遗传算法以及采用双变异率的改进遗传算法进行比较分析,结果表明,SMSGA可以有效的避免遗传算法中存在的局部搜索能力差和早熟现象的出现.     

基于初等矩阵的遗传算子模型

选择、杂交及变异是遗传算法的核心随机算子，应用代数方法可使遗传操作过程得到简化。     

一种连续探索型自适应遗传算法及其应用

对经典遗传算子中的交叉算子和变异算子进行了重新设计，提出了一种连续探索型自适应遗传算法。该算法能够根据种群进化情况，动态地调整遗传算子，维持种群的多样性，克服过早收敛并加快了搜索速度，得到高品质解。将该算法用于最短路径求取中，仿真结果证实是合理的和有效的。     

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.     

混沌理论在遗传算法中的应用研究

为了提高遗传算法的搜索能力和效率,将混沌理论引入到遗传算法中。利用Logistic方程构造混沌算子,形成混沌遗传算法。通过实验对混沌算子和杂交算子、变异算子的性能进行了比较,实验数据表明混沌算子具有良好的遍历性。将混沌遗传算法应用在旅行商问题中进行性能检验,结果表明:和标准遗传算法相比,该算法的性能和稳定性都有较大提高。     

一种求解TSP的高效遗传算法

根据TSP适应度地貌特征,通过将传统的反转变异算子(Simple Inversion Operator,SIM)与插入变异算子(Insertion Operator,IM)进行组合,设计出了一种可变邻域搜索的复合变异算子(Greed Invert-Insertion Operator,GIIM)。在此基础上,结合常规的部分匹配交叉(PartiallyMatched Crossover,PMX)与带有精英策略的退火选择,构造出了一种求解TSP的高效遗传算法(SEGA)。仿真测试表明,提出的算法不但具有很强的全局搜索能力,且收敛速度快;其测试结果与最新文献和国际标准测试库TSPLIB中的最优路径相比,或相同或更优。     

基于进化规划算法的图像聚类研究

将进化规划算法应用于图像聚类问题,对问题的解进行符号编码,采用群体智能模式实现问题解的搜索.利用进化规划算法的变异算子和选择算子可以有效提高算法的全局搜索能力,采用高斯变异算子保证了优秀解的多样性,降低了进化操作的复杂性.仿真实验证明基于进化规划算法的图像聚类算法具有可行性和准确性.     

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。     

遗传算法中的加速进化技术

自20世纪80年代以来,遗传算法在工程优化领域获得了广泛应用,遗传算法对数学模型要求不高,具有一定的隐性并行性,能同时在搜索空间大范围搜索,因而不易陷入局部最优解,然而,在实际应用中发现,仅有交叉算子和变异算子的传统遗传算法,局部搜索能力不强,容易出现种群早熟,进化结束时往往收敛到最优点附近而达不到全局最优点,为此借鉴了传统优化方法中的搜索技术,开发了几种算子用以强化遗传算法的局部搜索能力。算例表明,这几种算子能提高遗传算法的搜索性能,不论是搜索效率还是解的质量均有所提高。     

自适应搜索的改进遗传算法及其应用

提出了一种具有自适应搜索能力的快速收敛遗传算法。在计算过程中，设计变量的搜索范围依据每代自变量的数学期望和方差自动进行调整，并且通过引入进化策略中的自适应高斯变异算子，对变异算子进行改进，加速了算法的收敛性。为了验证算法的可行性和鲁棒性，对一个高维多峰函数的极小值搜索问题进行了求解，并将算法进一步应用于离心叶轮的形状优化问题。计算结果表明，该算法克服了传统遗传算法中设计区间的给定具有一定盲目性的缺陷，在收敛性和鲁棒性方面均优于传统的实数编码遗传算法。     

基于主附种群结构的遗传算法

介绍了一种基于新的变异算子多种群的新遗传算法，该算法可用来解决复杂的多峰函数优化问题．解决这些问题的传统遗传算法经常陷入局部最优，新算法引入一种新的基于主群、附属子群的结构可避免传统遗传算法难以克服的早熟收敛．在该结构中，主群采用新的变异算子来保持良好的群体分布，并促使较优模式的快速增长，附属子群设计在有限区域内获取局部最优．用搜索历史记录及主子群体通讯能减少搜索空间，以获取全局最优和几个局部最优．搜索局部最优和全局最优可用于多人脸检测以及路径寻优问题．实验表明，该算法已在几个复杂的多峰函数优化上取得了较好的结果．     

基于遗传算法和BP算法的电磁重构应用研究

在电磁重构问题中，将BP神经网络算法中最速下降的思想与GA结合，构造BP算子，利用GA的杂交、变异选择算子在全变量空间大概率搜索全局解，在解点附近用BP算子快速搜索收敛，提高搜索性能，应用混合算法重构分层生物组织各层电导率和厚度，数值计算结果表明，改进后的算法在搜索速度和精确度上明显提高，并具有较高的抗噪性能。     

杂交算子的配对与协同性

在遗传算法中两个或多个杂交算子的适当组合能够产生协同效应,从而可以提高算法的搜索性能。为分析其机理并提出协同组合方法,对两个杂交算子的协同组合问题进行了研究。结果表明,组合中算子对群体多样性的调节和利用是产生协同效应的关键。进而提出了两个杂交算子协同组合的方法,即组合中要有能使群体收敛快的和收敛慢的算子,以调节群体多样性;要有求解质量较好的算子,以利用群体多样性求出更好的解;通过调整两个算子的比例可调节群体收敛速度以及平衡好算子的求解质量和收敛速度之间的关系,使得算子组合形成协同求解能力。为获得更好的协同效果,还要考虑算子组合的问题相关性。详尽的数值实验结果表明了分析的正确性和所提出的协同组合方法的有效性。     

一种代数杂交算子的搜索能力分析

在利用布尔代数的理想将遗传算法（ＧＡｓ）中的个体空间进行等价分类后,给出一种代数杂交算子,分析这种代数杂算子在这些等价类之中的搜索能力,这为深入理解ＧＡｓ搜索机理及预防ＧＡｓ的过早收敛和欺骗问题提供了理论上的指导。     

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.     

基于代数杂交算子的变异算子机理分析

利用布尔代数的理想将遗传算法 (GAs)中的个体空间进行等价分类后 ,本文利用代数杂交算子 ,对变异算子的运行机理进行了分析 ,并得出了若干结果。作为其应用 ,分析了遗传算法的过早收敛现象     

遗传算法中遗传算子的分析

本文首先分析了遗传算法（GA）中复制算子、交叉算子、变异算子等三种主要遗传算子及特性,然后总结了遗传算法所具有的一般性原则。