自适应多目标遗传算法的集成剪枝用于人脸表情识别

在集成剪枝中,为了同时高效地选择优质、独立的分类器,文中提出了一种新的动态自适应交叉策略的遗传算法用于分类器的集成剪枝。该方法使用轮盘赌和贪婪策略动态更新每个交叉策略的优先级,根据优先级计算每个策略被选中的概率,从而在算法迭代过程中自适应选择不同的交叉策略。此外,该方法考虑了交叉概率和变异概率动态自适应变化,并使用大多数投票法对挑选出来的分类器进行集成以获得最终结果。将文中所提方法与一些集成剪枝方法在5个真实人脸表情数据集上进行对比,实验结果表明文中所提该方法可以选出效果更好、冗余度更低的分类器,并在CK+数据集上具有22.50%的最低误差。

一种新的模糊遗传算法

将模糊控制思想引人到遗传算法中，进行交叉概率Ｐｃ和变异概率Pm的整定工作，并在此基础上提出了一种基于模糊控制的遗传算法——模糊遗传算法．仿真结果表明：该算法不仅能提高解的质量，而且能加速解的收敛速度．

一种新的改进遗传算法及其应用

为了在算法稳定性的基础上解决其收敛速度和全局收敛性之间的矛盾,提出了一种新的改进遗传算法。该改进算法设计了与进化代数相关的交叉概率,与个体适应度相关的变异概率,以及与早熟情况、进化代数和个体适应度有关的移民算法。将其应用于电能质量分类的计算结果表明,该改进遗传算法稳定性较好,且在收敛速度和获取全局最优解的概率两个方面都有很大的提高。

自适应遗传算法交叉变异算子的改进

标准遗传算法采用固定的交叉率和变异率,对于求解一般的全局最优问题具有较好的鲁棒性,而对于解决较复杂的优化问题则存在早熟及稳定性差的缺点。传统的自适应遗传算法虽能有效提高算法的收敛速度,却难以提高优良解的多样性,算法的鲁棒性仍有待改善。文章提出了一种改进的自适应遗传算法,对交叉算子和变异算子进行了优化,实现了交叉率和变异率的非线性自适应调整。实验结果表明,相比传统的自适应遗传算法,新算法具有更快的收敛速度和更可靠的稳定性。

一种新的改进遗传算法

该文提出了一种新的改进遗传算法,通过设计与进化代数相关的交叉概率及与个体适应度相关的自适应变异概率,并采取避免近亲繁殖的交叉手段等方法,来改善遗传算法的质量,提高其搜索能力和收敛速度。计算结果表明该算法达到了预期效果。

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 。

一种新的调节交叉和变异概率的自适应算法

提出一种新的基于模糊控制策略的交叉和变异概率自适应调节算法.该算法以相邻两代群体之间平均适应度函数和标准差的差值作为输入,以交叉和变异概率的变化量作为输出.并提出了与输入相对应的自适应归一化算子以及新的基于启发式知识的模糊规则,用于交叉和变异概率的调节.对3种不同测试函数的数值仿真研究表明,与其他2种自适应模糊控制算法相比,该调节算法可使遗传算法具有更快的搜索速度和更高的搜索质量.

遗传算法中交叉和变异概率选择的自适应方法及作用机理

在指出了传统遗传算法中交叉和变异概率的选择具有盲目性的基础上 ,提出了遗传算法中交叉和变异概率选择的改进措施 ,对其作用机理进行了深入的分析 ,指出改进算法体现了自适应策略 .用一个非常复杂的数学函数对新算法进行了测试 。

量子概率编码遗传算法及其应用

该文提出了一种基于染色体量子概率编码的遗传算法--QCGA。与传统遗传算法不同,在QCGA中, 单个个体不再表示某一个确定解,而是解的取值概率分布,覆盖整个解空间;各个个体独立并行演化,个体间通过一个新的交叉算子实现演化信息的交换,同时设计了一个新的变异算子以增强算法的局部寻优能力。为了充分考察该算法的有效性和先进性,将其应用于典型函数优化、0-1背包问题和时间序列中频繁结构模式搜索等问题的求解。实验结果表明,与现有同类算法相比,该算法在具有很高搜索效率的同时,仍能维持很高的种群多样性, 因而适用于复杂优化问题的求解。

遗传算法的参数设计与性能研究

利用无符号整数数组代替传统的字符串进行二进制编码,用改进的适应度函数、自适应交叉率、自适应变异率取代传统的适应度数和固定的交叉率及变异率来改进遗传算法,并与基本遗传算法进行了实验比较,结果证明改进的遗传算法显著提高了收敛性能,并且具有很强的自适应能力。

基于捕食搜索策略的遗传算法研究

针对标准遗传算法易陷入局部最优而出现早熟,提出了一种基于捕食搜索策略的遗传算法。该算法在进化中模拟动物捕食搜索的过程,并根据种群中个体最优适应值来动态改变交叉和变异概率,从而加强算法的全局搜索和局部优化的能力。仿真实验表明该算法是有效的。

一种改进的实数自适应遗传算法

研究了基于实数编码的遗传算法的改进问题.针对实数编码在搜索后期存在搜索效率低、易早熟收敛等现象,讨论了遗传算法的参数调节问题.提出一种自适应交叉概率和变异概率,既考虑了进化代数对算法的影响,又考虑到每代不同个体适应度的作用,给出一种改进的实数自适应遗传算法.最后利用3个测试函数对算法进行验证,在函数的最终值、平均运行代数、收敛概率几方面都取得了较好的结果.

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求解0/1背包问题

为提高遗传算法求解问题的性能,提出一种改进的自适应遗传算法,该算法在交叉概率和变异概率公式中引入了当代迭代次数因子,提出了基因差别比例(Ca)的概念。Ca越大的基因位发生交叉、变异的概率越大,产生新个体的可能性越大;在模式生成操作中,确定基因位的选取同样由Ca决定。仿真结果表明,此算法在求解0/1背包问题时,其寻优能力有很大提高。

自适应基因遗传算法及其在知识获取中的应用

本文针对基因遗传算法中杂交率和变异率的难以选取问题,提出了一种自适应基因遗传算法.该方法利用降半Г分布函数对杂交率和变异率进行自适应调整,以保证群体的多样性和进化过程的稳定性,克服算法的未成熟收敛问题.最后以故障诊断知识获取为例,阐述该方法的有效性.

改进自适应遗传算法在函数优化中的应用研究

为了改善传统自适应遗传算法的收敛速度以及局部收敛问题,根据种群适应度的集中程度,以种群的最大适应度、最小适应度以及适应度平均值这3个变量为基础,设计了改进的自适应交叉概率和变异概率来调整整个种群的交叉概率和变异概率,提出了一种基于种群适应度集中程度的改进自适应遗传算法.将该算法应用于函数优化中,仿真结果验证了其具有"快速收敛"的特点,且在很大程度上可避免遗传算法的早熟现象.

自适应遗传算法在特征选择中的改进及应用

传统遗传算法在求解全局问题具有很强的鲁棒性,但由于传统遗传算法固定的交叉率和变异率,使得传统遗传算法在求解复杂问题上存在早收敛及搜索后期运行效率低等缺点。针对此问题,提出了基于个体寿命的变种群自适应遗传算法,对种群规模,交叉率及变异率作了优化调整,使其能够根据进化的实际情况自动调整。实验结果表明,相比传统遗传算法,这个算法在全局优化能力及收敛速度上均有显著提高。

应用遗传算法解决装配线平衡问题

文章针对装配线平衡问题,提出了一种周期性自适应交换、变异遗传算法,通过实验求解表明,该算法是解决装配线问题的有效算法,很好地解决了简单遗传算法容易早熟收敛的问题,大大改善了简单遗传算法的性能。

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.

二层线性规划的自适应遗传算法

提出了一种自适应遗传算法来求解二层线性规划问题.该方法克服了难以确定合适的交叉概率和变异概率的困难.另外,在该方法中还采用了其它一些技巧不仅解决了在采用遗传算法经常出现的有些个体不可行的问题,而且还改进了算法的效率.