基于改进遗传算法的作业车间调度问题研究

为了解决遗传算法的早熟收敛问题,提出一种改进遗传算法.通过设定种群过早收敛指标,在种群出现过早收敛时,及时的对其进行优化.仿真示例说明了该遗传算法在求解Job-Shop生产调度方面的可行性和有效性.     

基于克服过早收敛的自适应并行遗传算法

为了克服遗传算法中存在的主要问题即过早收敛（过早收敛使得一些优秀个体或基因过早地被排除掉,从而导致搜索范围缩小及局部最优,影响了进一步搜索）,从控制参数的改进着手,提出了多种群并行进化及自适应调整控制参数相结合的思想。克服了以往定常参数单种群进化的不足,综合了不同特性种群进化的长处,使得过早收敛问题得以缓解,同时又提高了搜索的范围和效率。     

一种提高遗传算法全局收敛性的方法

通过对遗传算法过早收敛原因的分析,认为遗传算法出现过早收敛主要与问题解的分布状况、种群个体的分布情况及遗传算子的应用有关,提高算法全局收敛性能的核心就是如何使算法科学地处理种群多样性及识别个体对全局收敛性能的作用·提出几类与遗传算法全局收敛性能关系较大的个体,并结合小生境进化共享函数思想,形成一种旨在提高遗传算法全局收敛性、求解全局最优解的遗传算法,仿真结果验证了这种算法良好的全局收敛性能·     

遗传算法种群多样性的度量

针对遗传算法的过早收敛问题,从种群个体、基因两个方面给出了遗传算法种群多样性的度量方法,并在此基础上提出了一种基于大变异操作的遗传算法．实验结果表明该方法在问题求解的精确度以及收敛性方面取得了很好的效果．     

遗传算法种群多样性的度量

针对遗传算法的过早收敛问题,从种群个体,基因两个方面给出了遗传算法种群多样性的度量方法,并在此基础上提出了一种基于大变异操作的遗传算法,实验结果表明该方法在问题求解的精确度以及收敛性方面取得了很好的效果。     

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。     

基于遗传算法的BP网络的优化设计方法

针对BP网络存在易陷入局部极小和收敛速度慢的问题,采用遗传算法（GA）优化BP网络;并采用混配的方法,对遗传算法进行了改进,克服了遗传算法中所存在的种群内过早收敛的缺点,并在光纤陀螺温度漂移建模中,取得了较好预测的效果。     

粗粒度并行遗传算法收敛性分析及优化运算

提出了一种新型的粗粒度并行遗传算法(CGGA)，该算法利用多个子种群基于不同的编码方式进行进化计算．首先各子群体独立进行交叉、变异和选择遗传操作，每代进化后迁移算子被引入用来进行种群问的信息交流，迁移算子将各个子种群的最优个体替换相邻种群最差个体后继续进化．基于时齐遍历马尔可夫链理论，给出了CGGA各个子种群的概率转移矩阵与其进化概率转移矩阵，证明了以概率1全局收敛．对典型的测试函数CGGA进行了求解．仿真结果表明，本算法的收敛性能优于经典遗传算法(CGA)，可以有效解决CGA的过早收敛问题．     

一种改进的遗传算法在函数优化中的应用

针对传统遗传算法在处理多峰值函数优化存在的"早熟"问题,以及在后期搜索效率低的问题,在对目前常见的几种种群早熟程度评价指标进行分析的此基础上,提出了一种新的种群"早熟"程度评价指标,并据此提出了一种改进的自适应遗传算法;最后将改进的遗传算法用于函数优化;实验表明:改进后的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 速度慢等问题.     

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。     

采用遗传算法的网络优化技术

针对树型网络的拓扑结构和数学模型,从个体编码、种群初始化、种群进化、适应度函数等方面构建基于遗传算法的网络优化方法.实验结果表明:所构建的方法进一步修正了适应度函数,增强了弱势个体被选择的概率,避免遗传算法优化过程的过早收敛问题,缩短了执行时间,取得了较佳的网络优化结果.     

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。     

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。     

基于海明距离改进的自适应遗传算法

针对自适应遗传算法在复杂问题应用中前期收敛速度缓慢和容易陷入局部最优解的不足，通过引进种群迁移及增强种群个体杂交之间的海明距离对自适应遗传算法进行了改进。改进的算法提高了种群精英基因，使其能很好地保留到下一代；较好地提高了自适应遗传算法的全局搜索能力，并增强了算法收敛速度。通过仿真实验验证了本文算法的有效性。     

基于蜜蜂进化型遗传算法的电力系统无功优化

采用蜜蜂进化机制与遗传算法相结合的蜜蜂进化型遗传算法(bee evolutionary genetic algo-rithm,BEGA)对电力系统进行无功优化计算.该算法以一定概率将蜂王(最优个体)与雄蜂(被选的个体)2部分进行交叉,因此对最优个体包含信息的开采能力得以增强.随机种群的引入,降低了算法出现过早收敛的可能性,保持了种群多样性.应用BEGA对IEEE6节点系统进行无功优化计算的结果表明:较其他算法,BEGA具有更强的全局寻优能力和更快的收敛速度.     

一种克服遗传算法早熟的参数调整及并行方法

遗传算法是一种自适应全局优化概率算法,容易产生早熟（过早收敛）现象,影响了问题的求解,本试图借助于多种群进货和种群间个体移植的概念,通过自适应控制参数的调整,利用移植并行的方法求出问题的最优解（或近似最优解）以使避免早熟,从而提高算法的搜索范围和效率。     

基于遗传珊瑚礁优化算法的负载均衡问题

基于珊瑚礁优化算法, 通过在种群的每次进化过程中引入遗传算法中的交叉和变异算子, 提出一种遗传珊瑚礁优化算法, 并将改进的遗传珊瑚礁优化算法运用到负载均衡中， 有效解决了算法过早收敛的问题, 提升了算法的优化性能. 对比经典遗传算法、 珊瑚礁优化算法等群智能算法, 在CloudSim上仿真实验结果表明, 遗传珊瑚礁优化算法优化负载均衡策略取得了满意的结果, 提升了资源能耗利用率, 均衡了控制策略.     

改进的遗传算法用于离心叶轮优化设计

为了防止遗传算法中过早收敛引起的算法失效,提出了一种改进的遗传算法,来研究离心叶轮的形状优化问题,在计算过程中,增加了一个自适应算子,来不断调节个体变异概率,以保证搜索的全局性和种群的多样性,同时为了不引入过多的边界参数,采用B样条曲线对边界进行描述,最后,对一个数学算例和某离心叶轮进行了计算,给出了最终的优化结果和收敛情况,计算结果表明,改进的遗传算法能够很好地适应于各种应力约束和几何约束,并可得到形状优化的最优解,验证了该方法的合理性和正确性。     

一种采用"部落通婚"策略的遗传算法

受古代"部落通婚"现象启发,提出了一种新的多种群遗传算法的种群间迁移策略,并以此构造了一种采用"部落通婚"策略的遗传算法.为了验证该算法的有效性,考察了分类BP网络的训练问题和典型测试函数的优化问题.模拟结果表明,这种改进的遗传算法能有效地避免"早熟"现象,其收敛精度和收敛速度比标准遗传算法和通常的多种群遗传算法有一定程度的提高.     

带混合算子的自适应遗传算法的收敛性研究

针对标准遗传算法存在搜索效率不高以及过早收敛的问题,利用自适应遗传算子提高算法的优化性能,并结合混合算子增加种群的多样度,设计了一类带混合算子的自适应遗传算法,给出了该算法的具体实施步骤,利用Markov链理论研究了该算法的收敛性问题,并通过模拟实验分析了该算法的性能。实验及分析表明,该算法切实可行,可操作性好,具有一定的通用性。