一种改进型交叉算子和自识别高变异算子新型遗传算法的研究

为有效地解决遗传算法收敛性和多样性的矛盾,在分析算子结构的基础上,提出了一种新型的遗传算法.该算法的核心在于,一方面通过父子竞争保留优秀个体和改进型交叉算子保证收敛性,另一方面对参与交叉的基因段进行基于海明距离相似度检测提高交叉操作的有效性;最后,采用基于基因位多样度的自识别高变异率算子来改善种群的多样性.实验证明,改进的算子显著地提高了收敛速度和搜索全局最优解的能力.     

一种改进的自适应遗传算法

针对传统遗传算法存在的 "早熟"以及在后期搜索效率低的问题,分析了目前常见的几种种群早熟程度的评价指标,提出了一种新的种群"早熟"程度评价指标,并据此实现了一种改进的自适应遗传法算法.仿真结果表明,该算法不仅能加快遗传算法收敛速度,而且还能增强算法的稳定性.     

一种改进的量子遗传算法研究

提出一种改进的量子遗传算法(IQGA)。在编码方面提出了一种根据所求问题精度动态确定量子染色体基因长度的编码方法,考虑了计算解的精度和搜索效率的平衡关系。探讨了量子旋转角度的动态调整及策略,使算子在不同的情形下实现粗搜索和细搜索的结合。通过对量子变异操作的组合实现异后在一个更大的邻域范围内进行搜索,确保算法在合理的计算代价内有潜能搜索到高精度的解。最后,用IQGA对选取的若干基准测试函数进行测试。测试结果表明,相对于已有文献算法数据来说由IQGA得到的最好解、最好解的平均值以及收敛代数等均更具优势。     

基于改进模式提取变异算子的遗传算法

在经典遗传算法的基础上，提出了一种基于改进模式提取（Algorithm of pattern extraction,Alopex)，种群个体的连续进化方向作为当前代个体的变异方向，并利用自适应来调整变异步长，通过控制参数来控制变异方向的概率从而跳过局部最优值。对几种典型函数的测试结果表明，基于该变异算子的遗传算法能较好地避免收敛到局部最优，收敛性能优于经典遗传算法。     

一种改进变异控制策略的遗传算法研究

早熟收敛问题是遗传算法中影响寻优效果的重要因素。分析了变异策略中由经验参考值确定的变异概率对样本多样性的影响，提出了采用自适应变异控制变异算子的方法，阐述了根据进化过程选择变异时机和变异概率的思路。通过实例计算结果的比较，证明了改进自适应变异算法可以有效地解决早熟收敛问题。     

基于信息熵的量子免疫遗传算法

针对目前的量子进化算法在高维函数优化时容易陷入局部最优,利用信息熵的概念,将量子进化算法和免疫遗传算法进行改进与融合,提出一种基于信息熵的量子免疫遗传算法.该方法对抗体采用相位编码,用信息熵准确地度量量子比特的不确定信息;提出了一种按变量的种群熵降序排列的邻域搜索策略;对于抗体之间的相似度,给出了一种按个体熵相同变量位数的度量方法;用繁殖概率对抗体的多样性进行评价,并分别以函数优化问题和VRPSDP问题进行了仿真验证.研究结果表明:该算法收敛速度快,求解精度高.     

一种基于PSO思想的改进量子遗传算法

文章提出一种基于PSO思想的改进量子遗传算法.将PSO中的合作机制和记忆功能引入到QGA中,构造种群个体与当前最优解的距离参量,根据每个个体与当前最优解距离大小智能地控制旋转角的大小,使旋转角能够根据个体的进化差异选择不同旋转角的自适应调整进化过程,从而使算法始终保持合适的搜索网格,加快算法收敛,同时也可以保证能够收敛...     

遗传算法中算子的性质

讨论了遗传算法中的两个主要算子－杂交与变异，得到了杂交算子的四个变量及一个平行四边形法则，给出了决定杂交搜索的充要条件及杂交搜索的范围，对变异算子，指出了它的可迁性，建立了变异基因数与Ｈａｍｍｉｎｇ距离的关系。     

一种改善遗传算法早熟现象的方法

讨论了遗传算法(GA)中遗传算子对于改善群体整体品质实现群体进化的作用以及遗传算法中早熟现象的成因．通过动态调整遗传算法中的交叉概率和变异概率引入自适应算子，并与局部退化算子相结合来抑制早熟现象．最后给出了算例，说明该方法对于改善遗传算法中早熟现象以及提高算法效率有良好的作用．     

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     

一种改进遗传算法

针对遗传算法(Genetic Algorithm,GA)存在的未成熟收敛现象,本文提出一种改进的遗传算法(IGA),该算法采用双变异算子,即正交变异和多位点变异两种变异算子联合作用,提高了算法的全局寻优能力。仿真实验表明,对遗传算法的改进是有效的,改进后的算法与标准遗传算法相比具有更高的全局收敛性,并在一定程度上克服了未成熟收敛。     

一种新的自适应免疫遗传算法

 为了克服传统遗传算法收敛速度慢和容易陷入局部最优的不足,提出了一种新的自适应免疫遗传算法SIGA(Self-adaptive Immune Genetic Algorithm)。新算法对遗传算子进行改进,提出了自适应交叉和变异算子,保证了种群多样性和防止早熟现象发生;为了使免疫算子兼顾个体多样性和提高种群个体适应度的水平,提出了基于相似性矢量距离的免疫选择算法。实验表明,与传统的遗传算法和免疫算法相比,该算法收敛速度提高了3~90倍,求解精度达到10^-3,并有效地抑制了早熟现象。     

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.     

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。     

基于自适应变异遗传算法的图像分割

在标准遗传算法的基础上,提出了一种用自适应变异遗传算法进行图像分割的方法和技术．通过对二进制编码串中每一比特位赋予不同的变异概率来加快搜索过程,以找到最佳的阂值来对图像进行分割处理．实验结果表明,该算法的收敛性能与运用该算法所得到的分割效果都优于标准遗传算法．     

一种基于自适应变异算子优化的MOEA/D算法

MOEA/D(基于分解的多目标进化算法)利用一组均匀分布的权重向量将多目标优化问题分解为若干个单目标子问题,并以协作方式同时优化这些子问题。然而,当多目标问题真实Pareto前沿(Pareto front, PF)的形状具有长尾和尖峰特征时,MOEA/D在求解此类多目标问题时,所得到的最优解集在长尾和尖峰区域相对稀疏,性能受到很大影响。为了有效处理这种情况,提出了一种自适应选择变异策略的MOEA/D算法。该算法采用5种不同的变异策略构成候选池,在进化过程中,根据候选池中各变异策略近期的表现,以更高的概率选择近期表现更好的变异策略,使算法能够快速收敛。在算法的差分变异操作中采用理想解充当扰动向量,在PF上获得一组均匀分布的最优解,从而提高算法的性能。实验结果表明,与其他算法相比,本文算法获得的最优解集有更好的收敛性和分布性。     

改进型遗传算法及其应用研究

针对基本遗传算法较容易陷入局部最优点和迭代次数多的缺点,该文对选择、交叉及变异改进策略进行了分析,给出了改进型遗传算法,并与基本遗传算法在多峰函数优化中的应用进行了比较.结果发现,改进型遗传算法在遗传代数及收敛次数方面均有较大的改善.最后,给出了改进型遗传算法在电力电子器件模型参数辨识中的应用结果.     

一种参数自调整多种群遗传算法

在借鉴海明距离、爬山法思想的基础上 ,提出了通过划分种群 ,采用不同的自适应参数 ,在保持快速收敛于最优的同时不失种群的多样性 .新方法提高了搜索精度 ,较好地克服了未成熟收敛现象 ,并通过多元多峰数学函数对新方法和基本遗传算法进行比较评估 ,验证了新方法具有较满意的优化效果 .     

一种参数自调整多种群遗传算法

在借鉴海明距离、爬山法思想的基础上,提出了通过划分种群,采用不同的自适应参数,在保持快速收敛于最优的同时不失种群的多样性.新方法提高了搜索精度,较好地克服了未成熟收敛现象,并通过多元多峰数学函数对新方法和基本遗传算法进行比较评估,验证了新方法具有较满意的优化效果.     

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。