一种非一致性的自适应遗传算法与应用

在排序操作的自适应遗传算法的基础上，建立了一种非一致性自适应遗传算法。这种算法运用非一致性自适应算子确定变异量，使演化系统根据演化进度有解的质量，自适应地去调整搜索区域，使得算法的全局搜索效率得到明显提高，实例仿真表明了该算法的有效性。     

基于整数编码遗传算法的均匀设计表构造

均匀设计的核心问题是均匀设计表的合理构造,其实质是一个以某类均匀度为目标的优化问题.将寻优能力极强的遗传算法引入该构造过程使均匀设计表的自动构造成为可能.研究结果表明,与方幂生成向量法,正交设计扩展法,拉丁方法以及门限接受法等常用方法相比,基于整数编码遗传算法的均匀设计表构造法可获得各种混合水平,n较大的Un(qs)(q≤n)表,且计算精度高,速度快,稳定性好,并易与其它智能算法相结合,具有较高的应用价值.     

一类混合自适应遗传算法及性能分析

在繁殖种群选择 ,生存策略中引入 Boltzmann生存择机制 ,并根据种群平均适应值的变化自适应地调整变异率 ,同时本文采用新的变异方式 ,以保持种群的多样性 ,从而避免遗传算法中的过早收敛问题 ,同时和单纯形法相结合 ,大大加快了收敛的速度.     

遗传算法中自适应伸缩搜索空间的方法

在求解优化问题时,与进化策略和进化规划不同,遗传算法依赖于所给定的搜索空间。但对于大多数实际问题,并不知道最优解所在的区域,因而无法给出适当的搜索空间,大大影响了遗传算法的性能。针对这一问题提出了一种自适应伸缩搜索空间的方法,它包括扩展阶段和收缩阶段。前者能够快速找到一个包含全局最优解但较为粗糙的搜索空间,后者则不断地细化这个空间。文中方法可以从任意初始空间出发并很快获得较为精确的上下界。同时,当应用到动态环境时,也能够迅速地适应新的适应度曲面。仿真实验证明了其优越性能。     

一种改进的自适应遗传算法

提出的自适应遗传算法采用群体的最大适应度fitmax、最小适应度fitmin、适应度平均值fitave 这 3个变量来衡量群体适应度的集中程度 ,然后根据适应度集中程度 ,自适应地变化整个群体的交叉概率pc 和变异概率pm ,改进了M .Sriniras提出的自适应遗传算法。采取最优保存策略来保证最优个体不被大的pc和pm 破坏掉。并用无放回余数随机选择算子 (RSSR选择算子 )对基本选择算子进行了改进 ,选择误差比较小。将自适应遗传算法用于图像分割的试验结果表明 ,与基本遗传算法相比 ,由于该算法综合考虑了“快速收敛”和“全局最优”这两个要求 ,因此它不仅能得到较好的分割质量 ,而且基本保持了遗传算法的运算速度 ,利于硬件实现     

一种小种群自适应遗传算法研究

分析了变异算子在标准遗传算法和自适应遗传算法中的作用和当前研究的不足,提出一种新颖的能够大大提高遗传算法性能的变异策略,并进而提出一种小种群自适应遗传算法.该方法在采用赌轮选择和单点交叉的情况下,利用一种可伸缩的变异策略使得算法在探测和开发之间取得很好的平衡,从而能够用小规模的种群进行有效的全局搜索和局部搜索,避免早熟收敛,并能够以较快的速度收敛到全局最优解.对多峰函数的仿真实验表明了算法的有效性.     

基于自适应遗传算法的多目标PID优化设计

提出一种基于自适应遗传算法的多目标PID优化设计方法。采用染色体实数编码和具有自适应交叉概率和变异概率的遗传算法对PID参数寻优,有效地提高了遗传算法的全局搜索能力和收敛速度。通过在适应度函数中引入表示超调量、上升时间和稳态误差的指标项,并对指标项适当加权,可使优化后的PID调节器的综合性能达到满意程度。仿真结果表明,该PID调节器的性能优于常规方法获得的PID调节器。     

基于个体相似度交叉率自适应的遗传算法

标准遗传算法的交叉运算以固定的交叉率进行操作。即不管遗传个体之间的相似程度，所有个体的染色体均以不变的概率进行交叉。本文根据交叉配对个体之间的相似度值自适应地确定交叉率，相似度值大的交叉个体以较小的概率进行交叉．而相似度值小的个体以较大的概率进行交叉。通过这种方法，可以提高遗传寻优计算的效率，加快遗传算法的收敛速度。     

自适应多目标遗传算法在柔性工作车间调度中的应用

针对柔性工作车间调度问题的特点，提出了一种新的自适应多目标遗传算法，其特点包括：同时运用了基于工序顺序和基于机器分配两种交叉变异方法以弥补经典工作车问调度问题中交叉变异操作的局限性；根据遗传算法搜索的历史自适应的调整两种交叉变异方法的概率以提高算法的搜索效率和稳定性；引入多目标遗传算法中的小生境技术以保持种群的多样性；采用精英保留策略保护进化过程中的优秀个体。实验结果证明该算法在多目标柔性工作车间调度问题的应用上，可以产生分布性较好的高质量的解。     

基于自适应遗传算法的超平面分类及遥感应用

智能分类算法是遥感影像分类研究的热点,遗传算法作为一种智能全局优化技术在遥感影像分类中具有良好应用前景.针对现有多光谱遥感影像分类方法的不足,提出了基于自适应遗传算法的超平面分类方法(hyper plane-adaptive genetic algorithm,HP-AGA)并应用于遥感影像分类,该方法利用神经网络中的神经元激活函数Sigmoid函数,对遗传算法中交叉率、变异率进行非线性自适应性调整,不再需要反复训练遗传参数,同时利用快速全局寻优特点,确定分类超平面的各个位置参数,从而获取最佳分类超平面集进行分类.多光谱遥感影像分类方法的应用实验表明,基于自适应遗传算法的超平面遥感分类方法能更快、更稳定地收敛到全局最优解,具有更好的效率及鲁棒性,并能取得优于简单遗传超平面分类算法及传统分类方法的分类精度.     

基于AGA的导弹控制系统自动化设计

鉴于传统的设计基于摄动理论和系数冻结法,将控制回路分成角稳定、质心稳定回路,存在工作量大、结果不是最优且有一定的盲目性等缺陷,为此,引入改进的自适应遗传算法,实现了基于性能分析的自动化优化设计整个导弹控制回路参数的目的。所用的遗传算子包括:多参数级联编码方法;选择操作采用比例算子与精英保存策略相结合,交叉和变异概率均采用自适应策略;适应度函数的构造则综合了误差和误差的变化量。仿真结果表明,自适应遗传优化用于自动化设计导弹控制系统是有效的。     

Family genetic algorithms based on gene exchange and its application

1. INTRODUCTION Genetic algorithms (GA) are a search techniques bas-ed on mechanics of nature selection and were initiallyproposed by Holland[1]. GA have already beensuccessfully applied in many diverse areas, such asfunction optimization, the traveling salesman proble-ms, multiobje-ctive optimization problems, schedulingneural network design, system identification, visioncontrol and machine learning. A detailed review ofthese applications is provided in Refs. [2] and [3]. The strength …     

用遗传算法直接搜索证券组合投资的有效边界

基于遗传算法，提出了一种全球新的直接搜索证券组合投资有效边界的方法，相比于Markowitz方法，它不需要计算协方差矩阵，而且能够适应更复杂的情况，最后，应用上证30指数股票对该算法进行了实证检验，结果良好。     

Error analysis on heading determination via genetic algorithms

1 .INTRODUCTIONHigh-accuracy headinginformationis ani mportantparameter which is used to ensure the security ofships and the kilter of the weapon systems . One ofthe main factors which affect the precision of navi-gation devices’heading information is initial erec-tion error and drift error of the devices . Dynamicinitial calibrationin dockis al ways a difficult prob-lem when navigation devices are first installed orthe ships are mooring. This results a series ofharmful effects such as l…     

遗传多峰搜索

搜索多极值点问题是遗传算法研究领域内的一个新的方向。本文在传统遗传算法的基础上引入梯度算子、聚类算子和单亲繁殖（克隆,交将梯度平方和的倒数作为评价函数,用来搜索多极值点。实际测试结果表明：该算法对等高等距、不等高等距和不等高不等距情况都有很好的结果。梯度算子的引入,将梯度法和CA很好融合了起来,大大提高了GA的搜索精度和速度,收到了令工满意的效果。     

基于遗传算法和Pareto排序的工期-费用-质量权衡模型

工期、费用和质量是工程项目管理和控制的三个基本目标,其中任何一个因素的变动都可能对其它两个产生影响.对工期-费用-质量进行全面的权衡,将对项目决策者管理和控制项目的运作有着重要意义.通过建立完整的质量衡量体系对工程项目的质量水平进行量化评估,利用Pareto最优的原理,设计了一套基于遗传算法和Pareto排序法的运算程序,从而建立起工期-费用-质量的权衡模型,决策者在由该模型得到的Pareto解集中寻求满意的资源配置方案.最后将模型应用于一个案例对其可行性和适用性进行了验证分析.     

基于遗传算法的制造流程价值优化

为解决最短路线动态规划的维数障碍及模式欺骗性问题，提出了一种数组链染色体编码方式及基于自适应性变异概率和模拟退火惩罚函数法的适应性遗传算法（AGA），仿真测试验证了该算法的有效性．针对某发动机壳体制造工艺流程优化问题，采用质量功能展开法得到了各工艺方案的价值，以工艺路线的总价值最大为目标函数、总成本为约束条件，采用AGA得到了一条最佳工艺路线．     

基于Internet的并行遗传算法及其关键实现技术

为解决大规模复杂优化问题,针对遗传算法的并行化原理和常用运行平台进行分析,提出了并行遗传算法新的应用平台———Internet,讨论了基于Internet的并行遗传算法(Internet basedparallelgeneticalgorithms,IPGA)实现中的关键问题,并给出其单向环拓扑的具体实现。实验表明,IPGA可显著节约寻优时间,提高寻优质量,并且能够充分利用互联网中闲置的计算机资源,节约运行成本,有助于解决巨量优化问题。