双变异率自适应遗传算法研究及其应用

针对标准遗传算法的不收敛性 ,提出一种双变异自适应遗传算法 ,即通过全局变异算子和局部变异算子共同作用 ,增加种群的多样性 ,提高算法的全局收敛能力。实例证明

变异率和种群数目自适应的遗传算法

提出了针对个体变异率和种群数目的 2种自适应方法 .算法中个体变异率根据其适度值在种群中的排序自适应调整 ,使优良个体具有较小的变异率继续进化 ,而使种群中较差个体具有较大变异率 ,增强了种群搜索能力 .同时根据种群个体适度值方差动态调整变异率曲线 ,种群数目调整则根据最优个体更新率动态增大 ,以动态适应解空间的规模避免采样误差造成的进化停滞 .通过在不同尺度的NKLandscape上与传统的简单遗传算法 (SGA)比较可得 。

具有自适应交换率和变异率的遗传算法

简单遗传算法存在着收敛速度慢、易陷入局部极小等缺陷 .针对这些缺陷 ,本文设计出随相对遗传代数呈双曲线下降的自适应交换率 ,并提出与父串间的相对欧氏距离成反比、随相对遗传代数指数下降的自适应变异率 .实例验证表明 ,具有自适应交换率和变异率的遗传算法在收敛速度和获得全局最优解的概率两个方面都有很大的提高 .

关于“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”一文的商榷

“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”一文提出了自适应遗传算法的模式定理 ,并以此为基础分析了自适应交叉、变异的作用机理 .本文对其分析过程和结论提出了不同的看法 .

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。

双变异算子遗传算法的应用

针对简单遗传算法(SGA)所存在的缺点和不足,提出了一种新的改进遗传算法——双变异算子GA。该算想法通过将所有产生的子代个体与父代个体混合作为下一代种群,在种群选择前对适应度值较低的个体进行一次变异,然后通过选择、交叉,再一次变异产生新种群,再利用自适应算法改变交叉和变异率及最优保存策略保护历代最优个体,利用matlab软件编程计算,在TSP中得到了较好的优化结果。实例说明,双变异算子的遗传算法能够最大限度使种群多样性,这样最有可能得到最优解,也易突破局部收敛的局限而达到全局最优。

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。

基于重构变异算子遗传算法的研究

针对遗传算法存在早熟和局部搜索能力差的缺点,提出重构变异算子遗传算法(Reconstruction Mutation Operator Genetic Algorithm,RMOGA)。该算法由速成算子和自适应算子组成。首先,通过速成算子来平衡变异算子和交叉算子在遗传算法中的地位,以此来改善遗传算法中的早熟现象;其次,采用自适应算子来保留遗传过程中适应度大的个体,从而增强局部搜索能力;最后,引入"路由判断"的方法来加快算法的收敛速度。实验过程使用MATLAB 7.0仿真软件,选取四组典型的测试函数,采用基本遗传算法(Simple Genetic Algorithms,SGA)、双变异率遗传算法(Double Mutation Genetic Algorithm,DMGA)以及文中提出的基于重构变异算子遗传算法(RMOGA),分别对测试函数在收敛精度上进行对比。结果表明,RMOGA算法能很好地解决遗传算法早熟与陷入局部最优解的问题。

基于模糊控制器的自适应遗传算法

基于模糊控制器的自适应遗传算法,通过模糊控制器自适应地动态改变交叉率、变异率的值;从而使该算法最快达到全局最优解。其模糊控制器的设计及求取Pc(交叉率)、Pm(变异率)的步骤包括:输入、输出变量的选取,输入、输出语言值及隶属度函数的定义,模糊规则表的建立,模糊推理及解模糊。

基于改进的自适应遗传算法优化BP神经网络

针对Srinivas提出的自适应遗传算法种群前期进化较慢的问题,改进了自适应交叉率和变异率的计算方法,考虑交叉率和变异率与种群进化所处阶段的匹配,提出一种改进的自适应遗传算法;并将其应用于BP神经网络计算模型的优化,运用到汽车加油量计算中,通过比较标准BP网络、Srinivas提出的自适应遗传算法优化的BP神经网络和改进的自适应遗传算法优化的BP神经网络3种模型的计算误差,验证得出改进的自适应遗传算法优化BP神经网络的算法优于另外两种。

基于自适应杂交、变异率的演化算法

在遗传算法过程中存在着对杂交、变异率的选取不当 ,增加了迭代的次数 ,甚至直接导致算法陷入局部最优解 .本文提出一种自适应杂交、变异率的方法 ,并使用多父体杂交和非均匀变异的改进策略 .实际计算表明 ,该算法性能稳定、搜索效率高 ,能有效地避免算法的“早熟”现象 。

自适应免疫遗传算法及其在区域电力系统最优备用容量计算中的应用

充分利用区域互联电力系统在紧急情况下可以互相支援互为备用的特点,建立了区域电力系统的最优备用容量数学模型,该模型采用基于最小发电成本函数和最小网损函数组成的归一化最小综合经济成本作为目标函数。针对问题的具体特点,运用自适应免疫遗传算法求解最优备用容量,利用图论中的最大支撑树概念,采用自动产生可行解的编码策略对染色体进行编码,以及交叉、变异概率的自适应选取,在IEEE30节点测试系统上的仿真结果验证了所提模型的合理性、所提方法的可行性。

一种基于实数编码的自适应遗传算法

自适应遗传算法的主要思想是根据具体优化问题的不同,在适宜的范围内,自动调整遗传算法的控制参数(群体规模、杂交率、变异率),以找到优化相应问题的最佳参数值,进而得到适应性较强的最优解。通过对相关实验函数的优化比较试验,结果表明自适应遗传算法比传统遗传算法具有更好的收敛性和更高的精度。

改进自适应遗传算法研究及其应用

针对标准遗传算法收敛慢,提出了一种改进自适应遗传算法,即通过全局变异算子和局部变异算子共同作用。改善种群的分布特性,加强算法的全局收敛能力。应用概率模型的遗传算法对4个著名的测试函数进行优化计算,实验结果表明:该算法不易陷入局部极值,收敛速度快,且实现简单。

一种改进的自适应遗传算法

在对自适应遗传算法中选择、交叉、变异算子作用分析的基础上,提出一种新的自适应遗传算法,新算法基于实数编码机制,选择操作采用精英选择与轮盘赌相结合,变异和交叉操作采取根据适应度自适应地非线性调整变异和交叉概率的策略,同时提出进化的后期采取先变异后交叉的操作次序。仿真实验表明,新算法有效防止早熟,收敛速度更快,鲁棒性更好且拥有较强的寻优能力。

求矩阵复特征值的双种群改进遗传算法

针对矩阵复特征值的特点,提出采用双种群改进遗传算法并行求解复特征值的近似值。该算法中双种群采用实数编码,在遗传过程中每个种群都根据适应度自动选择其交叉概率和变异概率,使个体对环境变化具有自适应调节能力。变异中采用了柯西变异,可以使个体很快跳出局部极小。仿真结果表明,此算法可以达到一定的精度,具有一定的通用性,并给求矩阵复特征值提供了一种快速的方法。

一种基于实数编码的自适应遗传算法

分析了进化遗传算法的弊端。提出了一种基于实数编码和自适应变异率的改进遗传算法,将变异率定义为自上次进化以来未进化次数的函数,同时采取最优保存策略,有效地避免了采用二进制编码时计算精度与计算量之间的矛盾,克服了基本遗传算法因变异率选择不当引起的"早熟"现象及后期收敛速度慢的问题。计算结果表明,新方法成功地解决了进化遗传算法存在的问题,且计算效率较高。

求解JSP问题的一种自适应遗传算法

该文在对车间调度问题进行描述的基础上 ,提出了一种新的自适应遗传算法 。

核模糊聚类划分子种群的双种群遗传算法

并行双种群遗传算法在一定程度上避免了单一机制遗传算法易出现“早熟”的现象,但在其迭代进化后期存在种群同质化严重的缺陷。针对这一问题,在进行种群划分时引入核模糊聚类算法,将个体适应度值作为双种群聚类划分的约束条件,并针对划分所得双种群,提出两种改进的自适应交叉及变异策略,分别侧重遗传算法中局部搜索能力和全局探索能力。通过典型测试函数进行验证,对比标准双种群遗传算法(2PMGA)及自适应双种群遗传算法(A-2PMGA)。实验表明,所提出的核模糊聚类划分子种群的双种群遗传算法有效地解决了种群同质化的问题,避免子种群陷入同一局部最优值。

基于改进的自适应遗传算法优化BP神经网络

自适应遗传算法通过在进化过程中自适应调整变异率、交叉率与适应度函数,从而使得进化结果更趋于预期结果,因此被广泛应用于优化过程中。为了提高传统BP神经网络的计算精度,并且改进其易陷入局部极小值等问题,将改进后的自适应遗传算法与BP神经网络相结合,对BP神经网络的权值与阈值进行了优化。使用离散车间绩效评价数据进行仿真验证,通过比较标准BP神经网络、自适应遗传算法优化的BP神经网络以及改进自适应遗传算法优化的BP神经网络的计算误差,验证得出改进的自适应遗传算法优化BP神经网络的方法性能更优,学习能力更强。