适应值共享对遗传算法选择概率的影响分析

研究了采用遗传算法进行多峰函数优化时引入适应值共享机制对选择概率的影响。引入种群共享因子这一参数,描述个体选择概率、小生境中多个个体的选择概率之和在适应值比例选择策略下的变化情况。分析和仿真实验表明,适应值共享可在一定程度上保持种群多样性,适应值函数的取值范围将对优化结果产生较大的影响。

动态聚类适应值共享遗传算法在散射计风矢量反演中的应用

风矢量反演是散射计数据处理的核心内容,传统风矢量反演算法的设计过多依赖于目标函数的具体分布形态。以SeaWinds散射计为例,根据风矢量反演的多解问题和模糊解特性,设计了一种基于动态小生境遗传算法的风矢量反演算法。利用部分L2A和相应L2B数据对该算法进行了验证。结果表明该算法在无需任何目标函数先验知识的条件下能够取得较好的反演结果。

适应值共享拥挤遗传算法

保持遗传算法在演化过程中的种群多样性 ,是将遗传算法成功应用于解决多峰优化问题和多目标优化问题的关键。适应值共享遗传算法和拥挤遗传算法分别从不同角度改善了遗传算法的搜索能力 ,是寻找多个最优解的常用算法。将这两种算法的优点加以结合 ,提出适应值共享拥挤遗传算法。数值测试结果表明 。

自适应调整峰半径的适应值共享遗传算法

适应值共享遗传算法需要事先给出解空间中峰的数目或峰的半径 ,这对于某些问题来说是有困难的 .针对这类问题 ,提出将峰的半径作为决策变量 ,对其进行编码并放入染色体中参与演化过程 ,利用遗传算法的优化能力在对问题进行优化的同时对个体的峰半径进行自适应调整 .用所提出的方法对多个标准测试问题的优化结果表明 。

基于适应值共享的多生境排挤遗传算法

针对优化多模函数时单纯使用共享和排挤机制的遗传算法所存在的缺陷,提出了基于适应值共享的多生境排挤遗传算法。基本思想是:按照共享的思想在对个体的适应值进行调整的同时,将排挤选择和相似个体中适应度最差个体被替换的策略分别应用于选择算子和群体的进化中。理论分析和数值实验表明,该算法很好地维持了种群多样性,对于各类多峰函数具有较强的搜索能力。

基于爬山算子和适应值共享的改进遗传算法

提出了一种基于爬山算子和适应值共享的改进遗传算法,将局部搜索算法与遗传算法有效结合,增强了遗传算法的搜索能力.爬山算子以黄金分割法为基础,依次对个体每一维进行优化.数值实验证明,改进后的新算法优于当前一些较好的遗传算法.新算法既有较快的收敛速度,又能以较大概率搜索到优化问题的全局最优解.

适应值共享小生境遗传算法实现与性能比较分析

小生境遗传算法是近年来智能计算领域的研究热点之一,基于适应值共享的小生境遗传算法在解决多种优化问题时收到了很好的效果.该文对基于适应值共享小生境遗传算法的多种实现机制进行探索,并对不同类型算法各自的性能、适应情形和优缺点进行比较分析.

基于适应值共享GA及MPGA的多路径规划研究

借鉴多峰函数优化理论,对适应值共享GA和MPGA进行了描述,利用适应值共享GA擅长于获得种群多样性和MPGA擅长于同时获得若干最优与次最优解的特性,提出了对适应值共享GA与MPGA进行改进,同时将它们结合,从而实现多路径规划。文中最后给出了多路径规划算法及仿真结果,验证了算法的正确性和有效性。

基于自适应K均值聚类的小生境遗传算法

在自适应小生境遗传算法的基础上,该文提出自适应K—均值聚类适应值共享小生境遗传算法。这种算法将聚类分析、自适应技术有机地结合起来,并且对于通常的K——均值聚类方法做了改进,即引进了一个最小聚类距离,通过调节最小聚类距离控制收敛到的小生境的数目,避免找到无效的极值点。这种算法不仅无需事先确定生境的具体数目和生境半径的大小,而且计算量小,搜索效率较高。

基于改进共享小生境遗传算法的配电网无功规划

为了减少配网损耗和保证配网电压质量,解决应用传统适应值共享小生境遗传算法进行无功规划时,由于小生境半径设定值的不同会导致全局寻优能力不稳定、寻优结果波动性较大的问题,将改进共享小生境遗传算法应用于配电网无功规划.首先建立了以净收益现值为目标函数的数学模型,该模型更直观地反映了补偿方案的降损节能收益能力;然后采用基于自适应调整小生境半径的改进共享小生境遗传算法进行配电网无功规划,该算法具有良好的全局寻优能力和解的稳定性;最后采用面向对象的Visual 2005C#高级语言开发编制了配电网无功规划计算程序,算例结果表明了该算法的有效性和实用性.

自适应模糊聚类小生境遗传算法

提出了基于峰半径自适应调整和模糊相似聚类的小生境遗传算法。其基本思想是:在演化过程中,将峰半径作为决策变量的一部分参与染色体的编码,在对问题进行优化的同时对个体的峰半径进行自适应调整;在聚类过程中,通过对模糊相似度的调节来控制小生境的数目,以避免找到无效的极值点。理论分析和数值实验表明,该算法无需事先确定小生境的数目和半径,对于各类多峰函数具有较强的搜索能力。

基于模糊聚类的峰半径自适应调整遗传算法

提出了基于模糊相似聚类的峰半径自适应调整遗传算法。在遗传演化过程中将峰半径作为决策变量的一部分参与染色体的编码演化，利用遗传算法的优化能力在对问题进行优化的同时对个体的峰半径进行自适应调整；在聚类过程中，通过对模糊相似度的调节来控制聚类结果，能够避免找到无效的极值点并且无需事先确定小生境的数目和半径。理论分析和数值实验表明，该算法对于各类多峰函数具有较强的多峰搜索能力。

应用自适应指数比例变换的适应值共享遗传算法

适应值共享遗传算法是用来解决多峰函数优化的常用手段 .本文提出了可以用来提高适应值共享遗传算法搜索能力的自适应比例变换方法 .针对复杂欺骗性问题 ,本文采用不同的指数比例变换方法进行了优化 .结果表明 ,本文提出的自适应指数比例变换方法能够迅速、稳定地找到全部全局峰 .

一种新的基于小生境模拟退火的遗传算法

针对模拟退火遗传算法中不合理替代方式以及孤立的比较机制,提出一种新的基于小生境模拟退火的遗传算法.通过温度的逐步降温,可以在进化早期增强种群多样性,而在进化末期加速算法的收敛过程,有效克服了遗传算法容易早熟、局部搜索能力差的缺点.同时算法还使用了最优保留策略替代了轮盘赌选择算子,从而有效地减少了适应度相对高的个体在种群中快速扩散的可能性.研究结果表明:与常见的模拟退火遗传算法相比,新方法能够有效提高遗传算法的收敛性能.

基于在线归档技术的多目标粒子群算法

提出一种基于在线归档技术的新型多目标粒子群优化算法.使用外部集归档,在归档粒子中采用适应值共享技术选出全局最优位置,使得种群多样性得以维持;在粒子群的进化过程中,使用在线归档策略,将归档的粒子合理地引入下一代的种群,淘汰原种群中的不良粒子,从而保证进化过程中种群的优良性.用Zitzler的两个多目标测试函数评价算法的性能.结果表明,该算法能快速收敛到Pareto非劣最优目标域,并且解集沿着Pareto非劣最优目标域有很好的扩展性.

基于遗传算法的RLV再入轨迹优化设计(英文)

飞行器再入轨迹优化是一类最优控制问题。传统的优化方法存在初始值敏感问题,利用改进的基于小生境技术和精英方法的适应值共享拥挤遗传算法进行RLV的再入轨迹优化设计。以终端时间固定的空间最小控制能量再入轨迹和终端时间自由的平面最小热载再入轨迹为例,详细讨论了遗传算法用于再入轨迹优化设计所需要解决的一些关键问题。仿真结果表明提出的方法能够较快地搜索到全局最优解,对初始猜测值不敏感,能够方便用于RLV的再入轨迹方案选择和优化设计。

混凝土桥面板长期维修优化与交互式遗传算法

目的研究混凝土桥面板最佳维修策略的优选问题,以利用尽可能少的维修资源,获得最好的维修效果.方法建立了混凝土桥面板长期维修策略的多目标优化模型,采用交互式遗传算法求解.通过非精确偏好信息引导遗传搜索,使种群向多个目标最佳综合性能的方向进化,最终获得满足工程需要的最优解集.引入适应度共享技术以增加种群的多样性.结果可同时获得多个满意解,增加了维修策略的选择余地.与无偏好的多目标遗传优化相比,个体的分布范围缩小一半以上,并向偏好信息所指引的方向进化和集中.最终解带有明显的倾向性,从而降低了桥面板最佳维修策略的选择难度.结论利用交互式遗传算法进行混凝土桥面板维修优化,可辅助桥梁管理部门进行维修决策,具有良好的理论意义和工程应用价值.

基于最速方向搜索的混合遗传算法

针对目标函数复杂求导困难或目标函数不可导的优化问题,给出了最速方向搜索方法,它在搜索过程不需要导数信息,克服了一些局部搜索算法需要求出导数的缺点.在此基础上提出了基于最速方向搜索的混合遗传算法,将最速方向搜索算法与遗传算法有效结合,增强了遗传算法的搜索能力.数值实验证明,改进后的遗传算法性能优于当前一些较好的优化算法.

一种新颖的多目标优化算法(英文)

粒子群算法的特性使得其在解决多目标优化问题时具有很强的竞争性,提出了一种结合小生境思想和在线归档策略的多目标粒子群优化算法,该算法能够在进化过程中保持优良种群。通过3个测试函数来评价算法性能并将算法与NSGA-II做比较,结果表明提出的算法的时间耗费明显小于NSGA-II算法且解集沿着Pareto非劣最优目标域有很好的扩展性。

基于多父体杂交的多目标演化优化算法

多目标优化问题是演化计算领域的一个新热点。提出了一种求解Pareto最优解集的新算法,它既能较快地收敛,又能有效保持种群的多样性。新算法引入了“约束占优”的概念;采用多父体杂交算子(一种多父体非凸线性组合算子),最小淘汰压力策略(每次只淘汰群体中的一个最差个体),以及适应值共享的niche技术,这样既保证了近似解集对Pareto前沿的逼近,又保持了解集分布的均匀性。对一些代表性的BenchMark问题(包括凸的与非凸的、连续的与间断的、带约束的与不带约束的各种问题)数值试验都取得了很好的结果。