遗传算法的收敛性分析及收敛速度估计

本文６应用齐次Ｍａｒｋｏｖ链仔细分析了标准遗传算法（ＳＧＡ）趋近于稳态的过程,给出其稳态分配的具体表示形式;同时得到了更广泛和严格意义上的、与ＳＧＡ控制参数相联系绵、到达稳态的速度估计。其结果对于其他全局收敛ＧＡ的收敛性和收敛速度研究都有借鉴意义。     

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.     

一种改进型遗传算法及其收敛性分析

针对解决简单遗传算法 (SimpleGeneticAlgorithm ,SGA)在应用过程中出现收敛过慢和早熟现象的问题 ,提出了一种改进型遗传算法 (ModifiedGeneticAlgorithm ,MGA) ,并利用Markov链理论证明了该算法的全局概率收敛性。最后以雷达滑窗检测器第一门限的优化设计为例 ,说明了该算法的有效性和实用性。     

一种快速自适应遗传算法及其仿真研究

遗传算法(Genetic Algorithm, GA)是一种模拟自然界生物进化过程与机制的一种优化搜索算法,有着广泛的应用前景。但是,简单遗传算法(Simple Genetic Algorithm,SGA)的收敛速度较慢,稳定性差,容易“过早收敛”。针对这些问题,本文提出了相应的解决办法,称为快速自适应遗传算法(Fast Self-Adaptive Genetic Algorithm, FSAGA),并通过仿真说明了算法的收敛快速性和全局收敛性都有了明显的改善。     

一种新的免疫遗传算法及其在TSP问题中的应用

基于生物免疫理论,提出了一种新的免疫遗传算法,在遗传算法的基础上引入了新的免疫算子,这些算子包括接种疫苗、各基因座多样性调整及免疫选择。结合TSP问题,提出了通过计算基因座信息熵来得到群体多样性的方法及多样性判断、调整方案,提取疫苗及接种的方法及免疫选择机制,讨论了控制参数在进化过程中的作用。理论分析及对75座城市TSP问题的仿真结果表明,该算法能有效避免遗传算法的不成熟收敛,提高收敛的快速性和准确性。     

一种信赖域遗传算法

针对信赖域方法求解多峰值优化不能收敛到全局最优的问题,提出了一种信赖域遗传算法,该算法将遗传算法和信赖域方法进行了结合。利用了遗传算法繁殖算子的随机性和信赖域方法求解二次优化问题的高效性,该算法能够克服信赖域方法的缺点同时能够有效求解一类欺骗性问题。最后证明了算法的收敛性,通过数值试验说明了算法的有效性。     

一种基于相位比较的量子遗传算法

针对量子遗传算法不适于连续函数优化的问题,提出了一种改进的量子遗传算法。该算法直接将量子染色体与当前最优解相比较来确定旋转门的旋转角,种群中各个体以不同速率向最优解进化以同时实现全局搜索与局部搜索,引入变异操作以防止算法早熟收敛。对该算法及其全局收敛性进行了分析后,将其用于函数极值求解与PID控制器的参数优化,并与遗传算法和量子遗传算法进行比较。仿真结果表明该算法具有较好的寻优性能。     

改进的快速遗传算法及其性能研究

遗传算法作为一种有效的全局随机优化方法,在工程界已得到了广泛应用。为了克服工程应用中遗传算法所表现出的计算费时、稳定性差等缺点,提出了一种快速收敛的遗传算法,从初始群体生成及遗传算子操作等几个方面作了改进。通过几个复杂函数的优化仿真实验,证明该算法能大大提高遗传算法的收敛速度,明显改善算法的计算稳定性。     

遗传算法的Markov链分析与收敛速度估计

主要利用Ｍａｒｋｏｖ链讨论一类遗传算法（简称ＧＡ）的ｒ阶收敛性与收敛速度．首先介绍了ＧＡ的Ｍａｒｋｏｖ链状态空间的分类,按此分类,证明了Ｍａｒｋｏｖ链的一步转移概率矩阵为下三角矩阵,进而分析了ＧＡ的ｒ阶收敛性及其它形式的收敛性．最后讨论了ＧＡ的收敛速度．     

一种新的求解函数优化问题的两级遗传算法

提出一种新的两级遗传算法,用于求解带约束的非线性函数优化问题。本算法的特点是,在保留经典遗传算法中选种、交叉和变异3种基本操作的同时,增加了重构、局部寻优两种新操作,加快了收敛速度;利用拉格朗日时偶原理,构造拉格朗日对偶函数,在上下两级分别对拉格朗日乘子和函数变量进行优化搜索。算例表明了该算法的优越性。     

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。     

水声信道快速收敛自适应均衡算法

从提高自适应均衡算法水声信号收敛性能的角度出发,提出了一种新的快速收敛水声信道自适应均衡算法。该算法将改进的归一化均方误差算法和判决反馈均衡器结构有机结合,在不增加计算量的前提下,很好地实现了不同水声信道的自适应均衡,易于算法的硬件实现。仿真结果表明,该算法计算量同归一化最小均方(normalized least mean square, NLMS)误差算法的计算量相当,但在稳态误差和收敛速度上有很大优势;收敛性能与自适应调整最小二乘回归〖CD*2〗判决反馈均衡器(variable tap-length decision feed-back equalizer based on recursive least square, RLS-DFE)算法接近,却克服了RLS-DFE算法计算量大,不利于硬件实现的实际问题。提出的算法为水声通信提供了一种性能优良的可实现方法,具有较高的应用价值。     

改进萤火虫算法及其收敛性分析

萤火虫算法因具有结构简单、控制参数少、易于实现的特点而得到广泛的关注和应用,但其易陷入局部最优导致过早收敛,从而影响寻优精度。针对这一问题,本文在位置更新规则中加入随机扰动因子,并剔除了冗余的随机项,以提高算法搜索能力;引入位置置换变异和差分进化算法中的最优变异策略,在保持种群多样性的同时,增强算法跳出局部最优的能力。采用马尔可夫过程证明了算法以概率1收敛到全局最优。利用基准函数和装箱问题对算法进行仿真测试,结果表明,改进后的算法能够有效跳出局部最优,对给出的所有问题均能找到理论最优解,寻优精度和成功率有明显提升。     

推广的正则化FOCUSS算法及收敛性分析

针对一类可分的稀疏性度量函数,利用梯度分解技术给出了稀疏信号重构的拟牛顿算法。进一步研究表明,基于再加权最小2 范数的FOCUSS算法以及基于p 范数的正则化FOCUSS算法都是拟牛顿算法的特例。由此导出了可用于稀疏成份分析的广义正则化FOCUSS算法,并证明了该算法的收敛性。数值结果表明广义FO CUSS算法收敛到局部极小点,并且在迭代初值较为准确时能找到最合理的稀疏解。     

约束多目标优化问题的进化算法及其收敛性

提出了带约束多目标优化问题的一种新解法。首先定义了个体的序值和个体的约束度,利用这两个定义给出了一种新的适应度函数和开关选择算子,从而对种群中的个体进行评估或排序时无需特别关心个体是否可行,避免了罚函数选择参数的困难。用概率论有关理论证明了算法的收敛性。用标准的Benchmark函数进行了仿真实验,仿真结果表明,新算法对约束多目标优化问题的求解是有效的。     

一种自适应多亲遗传算法及其性能分析

定义了一种度量多样性的指标,来自适应地调整基于实数编码的多亲遗传算法中交叉概率和变异概率这两个参数。提出了一种基于实数编码的自适应多亲遗传算法,该算法能自适应地调整其参数,且在求解优化问题的过程中,能克服早熟收敛的现象,提高搜索能力,加速收敛速度。同时将该算法用来求解多峰值测试函数,实验结果验证了算法的有效性。     

一种混沌遗传算法及其在测试生成中的应用

针对标准遗传算法存在的早熟与收敛速度较慢等问题,提出了一种新的混沌遗传算法,该算法利用混沌序列的随机性、遍历性及规律性等特性来控制交叉与变异操作,可有效克服早熟收敛。介绍了一种组合电路测试生成的神经网络模型,以该模型为基础,对所提出的混沌遗传算法在测试生成中的应用进行了详细研究。实验结果表明,所提出的方法能有效克服标准遗传算法中的局部收敛问题,加快了测试生成过程。     

LS-SVM的GCV模型选择方法与快速算法

在最小二乘支持向量机(LS-SVM)的模型选择问题中,基于再抽样技术的模型选择方法(如Bootstrap和快速Bootstrap),不能从根本上解决计算强度过高的问题.提出了基于GCV准则的模型选择方法,并建立了LS-SVM模型超参数(或旋转参数)估计的快速算法.实证研究表明:给出的快速GCV模型选择方法不仅能保证模型的预测精度,而且在计算速度上具有相对于快速Bootstrap的巨大优势.