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.     

一种快速遗传算法的性能分析

 针对遗传算法全局优化速度缓慢、搜索的效率对约束惩罚因子的选择有明显的依赖性等问题,介绍了一种能够从可行解空间和不可行解空间同时搜索、具有"精英"保持能力和采用已搜索解集避免了子代的"返祖"和退化现象的快速遗传算法.性能分析表明,该算法为1阶快速收敛的遗传算法,收敛速度优于其它3种算法,而且参数的选择对于算法的收敛速度没有本质的影响,一般在第5次迭代后即可找到全局最优解.     

一种快速收敛的遗传算法及其应用

为了解决遗传算法的收敛速度和全局收敛性之间的矛盾,提出了一种快速收敛的遗传算法,即“适应度缩放”加“有偏外来移民”的遗传算法。将该方法应用于柔性结构振动主动控制中的作动器／传感器位置及反馈增益的优化,其优化效果明显优于传统的优化算法。数字仿真结果表明,对于复杂非线性约束优化问题,该遗传算法具有较好的快速收敛性和全局收敛性,由优化了位置的作动器／传感器和优化增益的控制系统具有良好的减振效果。     

一种快速综合性的遗传算法

对几种改进的遗传算法进行了比较、分析、综合了这几种改进的遗传算法的优缺点后，提出了一种快速综合性的遗传算法，该算法具有收敛速度快，迭代次数少且不易陷入不成熟收敛等特点。仿真结果证实了该算法的有效性。     

基于遗传算法的巡航导弹航迹规划的一种收敛速度分析方法

航迹规划收敛速度的分析是其理论研究中人们所关注的一个重要问题.首先给出了描述表征巡航导弹航迹的7个特征变量,制定相应的编码方案,而后利用泛函分析的几何收敛理论定义了两条航迹的距离和个体适应度函数值.对于给出的第t代群体,定义了最大适应度值、最小适应度值和平均适应度函数值.在此基础上,定义了收敛速度(最大适应度函数收敛速度、最小适应度函数收敛速度、平均适应度收敛速度);然后利用数理统计理论,分别得到关于7个特征变量的满意度函数fxi(xi),i=1,2,…7;由此,个体适应度函数定义为F(X)=7∑i=1ωif xi(xi),其中为权重值.据此,就可得到其收敛速度的阶的估计,进一步得到了在大地方位角约束模型条件下的其收敛速度的表达式.结论是:巡航导弹航迹规划的收敛速度只与特征变量的满意度和相应的权值的乘积有关.     

一种改进遗传算法性能的方法研究

考虑种群多样性,提出一种描述多样性的函数.根据多样性函数值的大小,引入局部退化算子,改善种群的多样性,抑制早熟发生.模拟生物杂交原理,根据被交叉个体的海明距离,决定被用于交叉个体的类别,同类个体之间的交叉采用等位基因的交叉,异类个体之间的交叉采用非等位基因交叉即在某一类个体中引入异类个体的某些基因,达到快速产生优良个体的效果,通过求取函数极值问题的仿真实验,说明该方法提高了遗传算法的收敛速度,减少了早熟收敛的可能.     

一种抑制早熟收敛的改进遗传算法

遗传算法在许多优化问题中都有成功的应用,但其本身也存在一些不足.针对遗传算法的早熟收敛问题,本文在分析基本遗传算法的遗传算子和控制参数的基础之上提出一种改进算法.改进的遗传算法采用了实数编码、算术交叉算子、非均匀变异算子,并对控制参数进行了较合理地选取.改进遗传算法前期能均匀地搜索解空间,后期能对局部进行越来越细微的搜索,并使个体可以进入最优点的吸引域,在一定选择条件的作用下,算法后期可使群体逐渐集中到最优点的吸引域内,从而防止了遗传算法的过早收敛.理论和实例分析均表明,改进后的遗传算法在一些性能上明显优于基本遗传算法,较好地避免了遗传算法的早熟收敛,提高了遗传算法的进化效率,具有良好的有效性和可行性.     

一种改进的基于成熟前收敛判断的自适应遗传算法

针对传统遗传算法存在的缺陷,提出了一种改进的具有成熟前收敛判断的自适应遗传算法。仿真实验表明,同传统的遗传算法和一般的自适应遗传算法相比,改进后的算法性能有了较明显的提高。     

利用遗传算法搜索全局最优的一种混合算法

把最速下降法与遗传算法相结合,提出了一种混合算法,该算法能使遗传算法离开“早熟收敛”状态,最终获得全局最优,对算法的收敛性进行了证明,数值仿真表明算法是有效的。     

遗传算法的Markov链分析

本文用Ｍａｒｋｏｖ过程分析了遗传算法,给出了遗传算法的收敛速度估计．     

遗传算法收敛性分析

分析了遗传算法马尔可夫链的性质,并进一步证明了在基于保留最佳个体策略时遗传算法依概率收敛到全局最优解,特别利用鞅收敛定理给出非保留最佳个体策略遗传算法强收敛的充分条件．     

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．     

基于种群过早收敛程度定量分析的改进自适应遗传算法

分析了现有的一些改进算法所提出的评价种群过早收敛程度的指标,讨论了它们的不足,提出了一个概念清楚,运算量小的新指标,并利用该指标给出一种新的交叉概率,变异概率自适应调整策略。仿真实例表明,该方法能及时反映种群在进化过程中的过早收敛程度,不仅能加快计算速度,而且还能增强算法的全局收敛性。     

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.     

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·     

一种改进的遗传算法及其应用

针对标准遗传算法的不收敛性，提出了几种改进措施：提出了共同特征位的概念，给出消除群体中的共同特征位的方法；交叉和变异概率可变；实施最优保留。实验表明，改进算法具有全局优化能力。