一种具有演化规则的元胞遗传算法

本文根据元胞个体密度与分布的演化规则,考虑整个空间元胞个体动态的相互作用,从更为真实模拟自然界的角度出发,提出了具有演化规则的元胞遗传算法(CEGA),并得到了算法中元胞演化选取准则.通过复杂典型测试函数的仿真实验结果表明,该算法较一般元胞遗传算法和一般遗传算法具有更好地维持群体多样性的能力,以利于有效地进行全局探索,逃出局部优,并具有更快的寻优速度.通过采用不同演化规则实验比较,得出中等密度分布的元胞个体有利于求解问题.

基于个体差异移民的改进元胞遗传算法

针对灾变元胞遗传算法中的精英策略,在求解具有欺骗性的优化问题时易陷入次优解的情况,分析了几种移民策略。提出了一种基于个体差异的新移民策略,在灾变发生后,灾难区域以这种新的移民策略迁移个体。通过两个具有欺骗性典型函数的实验,表明在灾变机制元胞遗传算法中采用新的移民策略能提高数值优化函数的精度和收敛率,具有更好的全局搜索和局部搜索性。

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.

灾变机制下元胞遗传算法的选择压力研究

对于遗传算法,全局探索和局部寻优之间的关系是算法好坏的核心问题,选择压力的变化直接影响着两者之间的平衡。研究了元胞遗传算法的选择压力,并在其灾变机制下进一步研究了其选择压力的变化规律,通过改变灾变规模和周期观察选择压的变化。灾变的发生使整个算法的选择压力降低,当灾变规模越大、周期越短,算法的选择压力也就越小。对于不同优化问题选择一个合适的选择压能使全局探索和局部寻优之间的平衡达到最佳化从而能够又快又精确地寻求到全局最优解。

采用元胞遗传算法的无线电能传输网路径寻优

为快速寻找无线电能传输网中传输效率最大、能量损耗最小的传输路径,提出了使用元胞遗传算法对传输路径进行寻优的方案。通过对无线电能传输网数学模型的分析,分别建立了有源注入和无源注入无线电能传输网的目标函数,并将目标函数作为元胞遗传算法的适应度函数,采用重复消除的修复方案将不可行解转化为可行解,以提高种群中的有效个体比例,从而提高搜索效率。元胞遗传算法将遗传算法和元胞自动机进行有效结合,中心个体和邻居之间形成一个小生境,优良个体得以在种群中缓慢扩散,算法能够有效突破局部最优解的限制,迅速收敛至全局最优解。仿真结果显示,在有源注入和无源注入无线电能传输网中,元胞遗传算法都能准确找到最优路径,表明元胞遗传算法用于无线电能传输网路径寻优具有可行性。

处理动态优化问题的演化元胞遗传算法

已有演化元胞遗传算法中的演化规则多从元胞自动机中直接引入,未在状态演化中考虑个体间适应值的差异。根据密度制约关系提出一种新的演化元胞遗传算法来处理动态优化问题,在考虑个体适应值优劣与局部种群密度的前提下,通过密度制约与种内竞争实现个体在元胞空间内的生死演化,并建立种群规模增长模型控制元胞空间内存活个体规模。选取不同强度、复杂度的动态优化问题对算法性能进行验证,结果表明新算法具有良好的处理动态优化问题的能力。

基于动态优选元胞遗传模糊聚类的使用可靠性区域粒度确定方法

为了进行使用可靠性区域粒度划分研究,在分析空调使用可靠性影响因素的基础上,以其使用可靠性同类区域差异最小为目标,建立了使用可靠性基于工作环境和用户使用习惯两类影响因素的多变量高维聚类模型,提出求解该模型的一种动态优选元胞遗传模糊聚类算法。该算法在经典元胞遗传算法和模糊C-均值算法的基础上引入信息熵理论和优选策略,并采用动态交叉和两阶段变异算子,因此集成了模糊C-均值收敛速度快和元胞遗传算法在解决复杂问题时多样性好、全局搜索能力强的特点。通过6个标准测试数据集的测试结果,证明新算法相对于模糊C-均值、遗传模糊聚类算法和粒子群模糊聚类算法具有更高的聚类精度和稳定性,尤其适合处理高维复杂数据的聚类问题。最后运用该算法求解模型,并评价不同粒度层次下聚类结果的有效性,进而确定使用可靠性最优区域粒度划分方案,表明算法能有效解决相关的实际工程问题。

基于线性映射的多物种捕食元胞遗传算法

为提高捕食元胞遗传算法的性能及在基因型上对种群进行区分,提出一种基于线性映射的多物种捕食元胞遗传算法.该算法通过引入映射矩阵,改变种群基因型到表现型的映射关系,使不同物种间所携带的遗传信息不同.在进化过程中,不同物种采用不同的遗传方式进行交叉,并根据种群离散程度自适应调整映射矩阵系数控制种群进化方向,有效提高算法跳出局部最优的能力.对若干低维及高维典型函数进行仿真实验,将文中算法与其它同类算法对比,实验结果表明,文中算法在全局收敛率上具有较明显的优势.

一种基于邻居自适应的多目标元胞遗传算法

针对现有多目标元胞遗传算法存在邻居单一固定、不能适时变化的缺点,提出一种基于邻居自适应的多目标元胞遗传算法。该算法在经典多目标元胞遗传算法的基础上引入邻居自适应机制,动态调节邻居结构,使算法不断寻找全局搜索与局部寻优之间的平衡点。最后,与现有流行的其他多目标进化算法作比较,通过对不同类型的20种基准测试函数问题进行测试,证明该算法具有良好的收敛性和扩展性。

基于多中心城市策略的分层元胞遗传算法

为提高分层元胞遗传算法在解决复杂函数优化问题时的求解精度、收敛速度和求解效率。在分层元胞遗传算法的基础上借鉴西方经济理论中中心城市思想提出了一种基于多中心城市策略的分层元胞遗传算法。该算法在进化初期选择适应度值高的多个个体作为种群进化过程中的中心城市,中心城市周围元胞空间的个体按照一定的迁移规则往中心城市迁移,全局最优解从几个中心城市中产生,这样使算法在快速收敛的同时提高了种群的多样性,从而避免落入局部最优。对几个高维的复杂函数优化问题进行了仿真验证,实验结果表明改进的算法无论在收敛速度上还是解的精度上都有较好的效果。

基于元胞遗传算法的机器人路径规划研究

使用基本遗传算法进行移动机器人路径规划时,面临路径进行插入修复无法保证解的可行性,且算法易陷入局部收敛的问题;针对上述问题,通过使用元胞遗传算法增强了路径规划环境建模的通用性,并在算法适应度函数中加入路径平滑因素改善了元胞遗传算法的路径;仿真实验表明,该算法和基本遗传算法相比,机器人行驶路径的长度减少,转角绝对值之和减小,得到了距离短且平滑的路径,提高了移动机器人的行驶效率和平稳性;由于算法良好的隐性迁移机制,因此在局部优化时保持了群体的多样性,一定程度克服了算法的早熟现象,有效解决了移动机器人路径规划问题。

改进元胞遗传算法求解柔性作业车间调度问题

针对柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)中的不同性能指标优化,提出一种改进的元胞遗传算法。结合柔性作业车间调度的特点,设计一种基于工序编码和设备分配的双层编码,在交叉变异时分别对两层编码进行操作,同时在变异时引入贪婪式变异以加快收敛速度。为了克服传统遗传算法早熟和收敛慢的特点,设计了根据邻居个体自适应的选择算子。将该改进的元胞遗传算法求解柔性作业车间调度问题并同其他遗传算法的测试结果进行比较,表明所提出的改进元胞遗传算法在求解柔性作业车间调度问题上的有效性。

基于多目标元胞遗传算法的桁架结构优化设计

为了使桁架结构的设计更符合工程实际情况,建立了同时最小化结构总质量和节点位移的多目标优化模型。采用离散实数编码方式,使多目标元胞遗传算法适用于优化模型的求解,同时改进了算法的交叉变异算子,使算法保持较好的全局探索和局部寻优能力。运用该算法对经典空间桁架优化问题进行求解,并与NSGA-II的优化结果进行对比分析,结果表明该算法获得的Pareto前端更加均匀,解的精度更高,极端点值域更广,是解决此类离散优化问题的有效算法。

大批量定制下产品配置的差分元胞遗传改进算法

针对多目标产品配置方案寻优问题,构建了性能、价格、交货期的优化配置数学模型,考虑配置模块的互斥互补约束、个性化约束,采用基于改进差分元胞遗传算法求解最优配置。该算法根据邻居非支配解个体情况,选择不同的差分交叉策略,同时使用基于信息熵的优势个体评价准则更新中心个体,提高该算法的全局寻优能力和收敛速度。最后通过相关算例对比,验证改进算法的可行性并用于实际配置问题求解。

基于自适应元胞遗传算法的房地产信托投资基金价格研究

以房地产投资信托基金价格预测精度作为切入点,将遗传算法的思想引入元胞自动机价格模型的规则演化,建立起元胞自动机模型,然后将其应用到房地产投资信托基金的研究中,并进行数值仿真及实证研究,对房地产信托投资基金投资者个体的投资决策行为进行自适应遗传算法改进与优化,以提高自适应主体的智能化程度与自学习能力。研究认为:元胞遗传算法的引入,驱动房地产信托投资基金价格呈现基本价值收敛;其收益率分布更加具有"尖峰厚尾"特性,提高了房地产投资信托基金价格的预测精度。

基于同步元胞遗传算法的弹簧可靠性优化设计

基于可靠性准则建立了圆柱螺旋弹簧可靠性优化设计数学模型。提出了一种同步元胞遗传算法,将遗传算法和元胞自动机理论相结合,不仅继承了遗传算法的全局搜索的优势,而且结合了元胞自动机的优点,有效地避免了算法陷入早熟收敛。通过圆柱螺旋弹簧可靠性优化设计实例的优化结果对比验证了算法的可行性和有效性。

基于元胞遗传算法的多无人机编队集结路径规划

针对多无人机编队集结路径规划问题,提出了基于元胞遗传算法的单机航迹规划方法,设置了基于时间约束的速度代价,在此基础上,提出了基于时间协同和防碰撞的多机编队集结策略。仿真结果表明,算法搜索成功率高、稳定性好,得到的多条路径满足无人机性能约束、时间协同性和安全性要求。

一种求解多目标柔性作业车间调度问题的改进元胞遗传算法

针对最小化最大完工时间、最大机床负荷及总机床负荷的多目标柔性作业车间调度问题,提出一种带有局部搜索策略的自适应元胞遗传算法。该算法在每完成一次种群迭代后,对种群的平均收敛速度进行计算,确定出合适的选择压。根据种群选择压的大小对种群的拓扑结构进行自适应改变。为了减小邻域搜索空间,结合车间调度问题的特点,借鉴正交设计思想设计了基于正交规则的局部搜索策略。通过4个经典多目标柔性车间调度问题的仿真实验以及与其他算法的比较,说明了该算法的有效性和可行性。

一种求解作业车间调度问题的异步元胞遗传算法

以最快完工时间最少为目标建立了作业车间调度数学模型。将一种异步更新策略引入元胞遗传算法,提出了一种异步元胞遗传算法(acGA)。采用acGA和传统遗传算法求解作业车间调度实例,结果对比表明在求解作业车间调度问题时,acGA与sGA相比搜索能力更强,收敛速度更快,算法的稳定性也更好,表明acGA是一种求解JSP问题的有效算法。

基于改进元胞遗传算法的蜗杆传动多目标优化设计

建立了以蜗轮的齿冠体积最小、相对滑动速度最小和中心距最小为目标函数,以满足蜗轮蜗杆强度和刚度等条件为约束条件的多目标优化模型,提出了一种自适应差分进化的多目标元胞遗传算法。该算法针对多目标元胞遗传算法的特点,结合差分进化中不同进化策略的特性,将两种不同的进化策略融合为一种新的差分进化策略,得到一种参数自适应控制的多目标元胞差分遗传算法。将该算法同其他典型的多目标进化算法在标准测试函数上进行性能对比试验,结果显示所提出的算法相比其他算法具有更好的收敛性和分布性。工程实例的求解证明了该算法可有效解决相关实际问题。