一种改进的自适应遗传算法

针对现有遗传算法在求解多参数问题时出现收敛精度低、收敛速度慢、易陷入局部最优等问题,提出一种改进的自适应遗传算法。该算法引入复制算子、种群密集度函数和精英选择策略,提出根据种群迭代次数和个体适应度的自适应策略调节交叉概率和变异概率,很好地平衡了遗传算法的全局搜索能力和局部寻优能力。总结出具有代表意义的测试函数,通过求解测试函数和旅行商问题,证明改进的自适应遗传算法的收敛精度、收敛速度等均有明显的提高。

遗传算法种群多样性的分析研究

种群的多样性是遗传算法进化的前提条件．本文提出用种群方差和熵两个量来全面刻画遗传算法中种群的多样性，分析了选择、交换和变异三个主要算子对种群方差和嫡的影响，同时比较了编码机制对种群多样性的影响．得出了一些重要的结论．

基于排序的改进自适应遗传算法

本文提出了一种改进的自适应遗传算法 ,其遗传算子由个体在种群中的排序位置自适应地决定 ,其中选择算子还引入了disruptiveselection的思想 .该算法能避免群体中超级个体的出现 ,维持了种群的多样性 ,加快了种群的收敛速度 ,克服了遗传算法早熟的现象 .函数优化的结果验证了该算法的有效性 .

改进的遗传粒子群混合优化算法

为解决遗传算法计算时间长和粒子群算法易陷入局部极值的问题,提出一种基于实数编码的改进的遗传算法与粒子群算法混合的优化算法。改进遗传算法中的选择算子,保留适应度值较好的个体,重新组成新的种群,由粒子群算法更新速度和位置,对个体进行进一步的成熟。交叉算子采取精英竞争策略,选取适当个体进行交叉,剩余个体再次通过PSO算法更新速度和位置,将粒子群思想引入变异算子。通过对4个函数的优化,对此算法进行测试,并研究比较其它算法,测试结果表明,该算法在收敛性、运算速度和优化能力方面具有优越性。

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.

基于交叉变异策略的双种群差分进化算法

为加强差分进化算法的全局搜索能力,提出了一种基于交叉变异策略的双种群差分进化算法(CMDPDE)。CMDPDE中,两个种群分别采用大小不同的缩放因子和交叉因子,在每代进化完毕后,对其中缩放因子和交叉因子较小的种群执行交叉或变异策略来寻找更优的个体,同时两个种群之间每10代进行一次信息交流。这种方式与单种群差分进化算法相比,可以通过双种群和交叉变异策略来增加解的多样性,使算法能在更大的范围内寻优。6个Benchmark函数的实验结果证明CMDPDE具有较好的寻优能力。

遗传算法控制参数优化策略研究

提出了新的遗传算法控制参数优化策略，包括变异率、交叉率调整策略，动态收敛准则以及二进制编码下最优种群规模的确定方法。研究结果可用于提高GA运行效率及克服早熟现象。

改进的自适应遗传算法及其工程应用

引进小生境技术、种群迁移以及增加杂交个体之间的海明距离对自适应遗传算法进行了改进,从而建立了改进的自适应遗传算法,改善了传统的遗传算法局部收敛和早熟的现象,大大加快了全局搜索的速度以及搜索全局最优解的概率.工程实例表明:提出的改进自适应遗传算法应用于岩土工程的位移反分析具有搜索速度快、精度高等优点;同时对初始种群的形成方式、种群规模以及最大杂交概率、最大变异概率进行了参数分析.

基于均匀设计的遗传算法参数设定

在应用遗传算法进行优化计算时,各操作参数既有各自的功能又相互作用,彼此关系较为复杂,而各参数设定的好坏直接影响算法的性能,所以,各参数的设定是应用遗传算法进行寻优计算的重要问题·通过对遗传算法各操作参数作用与意义的分析,认为可以将遗传算法的参数设定描述为一个多因素多水平优化设计问题·为使遗传算法在应用中发挥最佳的寻优性能,同时考虑到参数设定方法的可行性,提出应用解决多因素多水平优化设计问题的均匀设计方法设定遗传算法的操作参数,实例应用仿真结果验证了这种方法的可行性、有效性·

一种改进的双种群遗传算法

提出一种新的双种群遗传算法.两个子种群的交叉、变异以及复制操作互不相同.在一个子种群中,高相似个体之间具有相对高的交叉率,遗传操作得到的新个体替代上代种群的最劣的个体.在另一个子种群中,低相似个体之间具有相对高的交叉率,变异操作采用大变异算子,遗传操作得到的新个体替代上代种群的与其最相似个体.两个子种群之间的移民使新的算法获得了良好的局部搜索能力和全局探索能力.实验结果说明:本文的算法要优于单一种群遗传算法和两个子种群的多种群遗传算法.

基于遗传算法的蝙蝠优化算法研究

针对基本蝙蝠算法后期收敛速度不够快、早熟、寻优精度不高、容易出现局部最优问题等情况,提出与遗传算法相结合的优化蝙蝠算法(GABA)。该优化算法嵌入了竞争机制以及遗传算法,利用遗传算法具有的全局搜索性能,让种群进化时具有更丰富的多样性,在解决算法早熟问题的同时,提高了局部广度搜索性能,避免产生局部最优问题。Matlab环境下的仿真实验结果表明:与基本BA算法对比,改进后算法(GABA)在收敛速度及精度上均有明显提高,特别在高维函数上的搜索能力更为明显,可针对工程应用过程中出现的高维多极值复杂函数进行优化。

基于混沌映射的元胞遗传算法

针对元胞遗传算法(CGA)的功能及结构特点,将元胞遗传算法与混沌算法进行有机结合,分别设计基于Cat映射、Logistic映射及Tent映射的混沌映射元胞遗传算法(CCGA),并解释三种映射的遍历性.文中利用混沌映射的遍历特点及初值敏感性优化种群的初始分布,扩大搜索范围,设计遗传算子中的局部混沌交叉操作及混沌变异扰动机制,并比较不同混沌映射算子作用下种群多样性的变化.理论分析及计算机仿真实验表明,引入三种混沌映射的元胞遗传算法在提升寻优精度,提高算法收敛速度,避免局部极值方面均取得良好的效果.

一种改进的基于进化阶段的自适应遗传算法

为改善遗传算法的优化性能,延长种群搜索过程,对基于进化阶段的自适应策略遗传算法进行了改进.改进的自适应策略不仅基于进化阶段,同时基于个体,特别是采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解.实验结果表明,该改进的算法确实延长了算法的搜索阶段,提高了算法的性能.

基于矩阵编码的遗传算法研究

分析遗传算法求解矩阵函数的局限性,提出一种基于矩阵编码的遗传算法。定义该算法的选择算子、交叉算子、变异算子,编写各算子的Matlab函数,通过仿真求解二矩阵变量函数。实例证明,该算法能确保矩阵染色体的结构完整性,提高遗传算法的速度和寻优精度。

求解TSP的一种改进遗传算法

TSP问题是典型的NP-hard组合优化问题,GA是求解此类问题的一种方法。但它存在如何较快地找到最优解并防止“早熟”收敛的问题。文章针对上述问题并结合TSP问题的特点,提出了改进的遗传算法。它从相似性的思想出发,按适应值相似性将群体分级,在不同的级内采用不同的操作,产生数目不等的新解并利用加速算子使其更接近局部极小值。改进后的算法较好地解决了群体多样性与收敛性的矛盾。实验结果表明,该文算法的改进是有效的。

基于改进遗传算法的智能体路径规划仿真

将改进自适应遗传算法应用于自治智能体动态路径规划,选取一维路径编码,并利用领域知识和局部避障技术生成初始种群,设计了交叉、变异和平滑算子,提出了新的交叉概率和变异概率调节公式。上述调节公式不仅考虑了种群中个体适应度的区别,而且还从整体上考虑了种群多样性和收敛性等性能指标,克服了传统遗传算法和一般自适应遗传算法的早熟收敛问题,提高了进化效率。仿真结果表明,改进方法在收敛速度和输出全局最优解的概率相对于标准遗传算法和一般自适应遗传算法都有较明显的提高。

改进量子遗传算法在PID参数整定中应用

参数整定是PID控制器设计的关键,针对PID控制器参数整定问题,提出一种基于改进量子遗传算法的参数整定方法。该算法在基本量子遗传算法的基础上引入了量子交叉、量子变异和群体灾变操作。基于改进量子遗传算法的PID参数整定方法将PID控制器参数整定转化为参数优化问题,通过改进量子遗传算法的进化计算实现参数整定。与其他参数整定优化算法的仿真结果比较表明,该方法能获取更好的控制品质,仿真结果验证了该方法的可行性。

改进的遗传算法在MX80液压挖掘机优化中的运用

使用遗传算法进行ＭＸ８０液压挖掘机反铲工作装置优化，探讨了数学模型的建立方法；同时为了提高运算效率，对遗传算法进行了某些改进，实例计算表明该算法有效。

一种基于复合交叉的实数编码遗传算法

提出了一种基于复合交叉的实数编码遗传算法。通过对父代染色体间的区域进行多次交叉操作,复合交叉操作保留了被搜索区域的信息。算法首先对父代染色体进行复合交叉操作,然后利用包含在新个体集合中的信息进行信息最大化选择,对每一代个体进行基于适应度的选择。集合中信息冗余的个体被从种群中删除,位于欠搜索区域中的个体被保留。由于算法能够始终保持种群的多样性,算法不仅能搜索到全局最优点,同时也能找到尽量多的局部极值点。利用算法对多极值函数进行了寻优,仿真结果表明了算法的有效性。

一种基于遗传算法的图像增强方法

遗传算法是借鉴生物的自然选择和遗传进化机制而开发出的一种全局优化自适应概率搜索算法 ,目前已在包括图象处理在内的很多领域得到了很好的应用 .在图像处理领域 ,目前的研究主要集中在将遗传算法用于图像分割、图像分类、模式识别等方面 .本文将遗传算法用于图像增强 ,使用图像的参数模型 ,将图像增强转化为参数的优化 .实验结果表明 。