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.

基于自适应变异概率粒子群优化算法的研究

变异操作是解决粒子群算法早熟的一种有效方法。针对迭代过程中种群多样性变化的特点,提出了一种自适应变异概率的混合变异粒子群优化算法。通过聚集度动态地调节每代粒子的变异概率,并用这种变异概率对全局最优位置进行高斯和柯西混合变异和对最差个体最优位置进行自适应小波变异。通过在matlab中和其他几种变异的粒子群优化算法进行比较验证,结果证明该算法具有较高的收敛精度和较好的算法性能。

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 。

基于变异概率分析的改进QGA及其应用

标准量子遗传算法(QGA)在应用于组合优化问题时,会由于早熟收敛而陷入局部最优。为解决该问题,引入k位变异子空间概念分析Q-bit的变异概率分布,指出传统随机变异机制和QGA自有变异机制之间的冲突,提出一种基于观测状态的阶段式大尺度变异机制。将该机制的变异算子嵌入量子旋转策略表,对不同规模的0/1背包问题进行测试,结果表明,该机制能有效避免早熟收敛,跳出局部最优,全局寻优能力优于标准QGA。

信息熵动态变异概率RNA遗传算法

约束优化问题是科学研究和工程应用的热点和难点.受生物RNA分子遗传信息表达机制和信息熵概念的启发,本文提出了一种信息熵动态变异概率RNA遗传算法来求解这类问题,算法采用碱基序列的个体编码方式,并用RNA分子再编码和蛋白质折叠操作代替传统遗传算法的交叉操作,在变异概率的设置中,借鉴信息熵对系统有序程度度量的概念,根据当前种群个体每一位的碱基分布情况对变异概率进行自适应调整.测试函数的仿真结果表明所提出的算法具有收敛速度快、搜索精度高的特点.将该算法用于求解短期汽油调合调度问题,能得到比其他几种算法更高的调合利润.

基于变异概率自适应调整的逆序遗传算法研究

提出一种改进的遗传算法,根据个体适应度不同对变异概率进行自适应调整,使群体中的优良模式不易被破坏,同时又保证了种群个体的多样性,从而提高了算法的搜索效率。算法中改变了交叉与变异的操作顺序,避免了个体适应度的重复计算,提高运行速度。仿真结果表明,该算法优于普通遗传算法。

演化硬件中变异概率对进化算法首次命中时间的影响

在（1＋1）EAs中，采用马尔可夫链推移时间分析法，推导出了平均首次命中时间的表达式。从理论上分析了变异概率对平均首次命中时间的影响。结果表明适当的变异概率会缩短平均首次命中时间，加快进化算法的寻优时间。

变异概率对PSO算法求解TSP问题的影响研究

提出了一种求解旅行商问题的改进粒子群算法,该算法引入了求解离散问题的学习机制和变异策略以提升粒子群算法求解旅行商问题的效率.通过对两个经典的测试问题(Oliver30和burma14)的仿真研究,表明不同变异概率对算法的影响,当变异概率为0.5时,算法的运行效率最高.

基于变异粒子群算法的产品模块划分研究

模块化设计能有效满足大批量定制生产的需要,模块划分是模块化设计的关键技术之一。在模块划分过程中使用智能优化算法,易于计算机编程实现且划分效率较高。首先在粒子群优化(Particle Swarm Optimization,PSO)算法中引入遗传算法(Genetic Algorithm,GA)的变异思想,通过C++语言将变异粒子群优化算法进行编程实现,并对粒子类编码、设计结构矩阵生成、适应度函数计算和变异策略技术进行了深入分析研究;然后在减速器的模块划分实例中进行了多次验证,并着重比较了2种变异PSO算法和标准PSO算法的划分效率,结果表明了变异粒子群算法的划分高效性;最后在模块划分过程中详细分析研究了种群规模和变异概率2个参数对模块划分效率的影响,找到了实现最优划分效率的参数组合范围,为产品模块数值划分方法以及关键参数的选取提供了一定的参考价值。

一种基于单向变异S-概率粗集的动态决策方法

针对因决策因素个数的减少而导致的决策精度降低的情况,提出了一种基于单向变异S-概率粗集的动态决策方法。利用单向变异S-概率粗集的属性动态迁移特性,结合知识库中的统计信息,讨论了单向变异S-概率粗集模型的属性概率性质。利用上述性质的讨论,给出了一个具体的军事动态决策实例,从而证明该方法可以有效地提高决策精度。

双向变异S-概率粗集和它的属性概率性质

利用双向变异S-粗集的属性动态迁移特性,结合知识库中的统计信息,提出了双向变异S-概率粗集.讨论了双向变异S-概率粗集的属性概率性质,为获得动态的决策规则奠定了基础.利用上述讨论,给出了一个具体的应用实例.

基于混合简化粒子群算法的贝叶斯网络结构学习研究

为改善当前贝叶斯网络结构学习算法易陷入局部最优、过早收敛和寻优效率低的问题,进行了混合简化粒子群算法优化贝叶斯网络结构学习的研究。该算法利用最大支撑树约束搜索空间,并提出V-结构与条件相对平均熵相结合的初始定向策略,然后利用爬山策略建立初始粒子群,再利用改进的粒子群优化算法和遗传算法对初始种群迭代优化,在迭代过程中提出条件交叉和变异策略避免粒子的随机发散更新,并结合副粒子增缓策略更新未优化粒子,避免算法陷入局部最优。该算法与其他算法在4种标准网络下进行了仿真实验。实验结果表明,所提算法在ASIA、CAR、CHILD、ALARM网络中相比于MMHC、GS、BNC-PSO、PC-PSO算法BIC评分分别平均高5.775%、5.8%、0.475%、2.75%;汉明距离HD更低,正确率ACC更高。

自适应变异的粒子群优化算法

本文提出了一种新的基于群体适应度方差自适应变异的粒子群优化算法 (AMPSO) .该算法在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率 ,变异操作增强了粒子群优化算法跳出局部最优解的能力 .对几种典型函数的测试结果表明 :新算法的全局收搜索能力有了显著提高 。

自适应变异遗传算法及其性能分析

本文提出了一种新的自适应遗传算法，通过对二进制编码串中每一比特位赋予不同的变异概率来加快搜索过程．对几种典型函数的测试结果表明：本文算法的收敛性能优于标准遗传算法．

一种新的自适应变异粒子群优化算法在PMSM参数辨识中的应用

高精度辨识永磁同步电机参数是进行控制器设计的基础。本文借鉴遗传算法中变异操作的思想,提出了一种基于自适应变异概率的混合变异粒子群优化算法,并将其应用于永磁同步电机参数辨识问题。本文首先在dq坐标系下建立永磁同步电机参数辨识模型,然后将该算法和几种变异粒子群算法用于永磁同步电机参数辨识,并在Matlab/Simulink中进行了对比验证。实验结果表明,该算法能提高定子电阻、d轴电感、q轴电感和转子磁链等参数的辨识精度,为提高永磁同步电机电机控制器性能提供了保证。

客户等级划分视阈下的车辆路径遗传算法研究

针对当前车辆路径规划算法存在的车辆满载率低、车辆路径求解时间长、车辆配送成本高的问题,文中设计了考虑客户等级划分的车辆路径遗传算法求解过程。在描述车辆路径相关问题和函数的基础上,给出相关假设和约束条件,确定目标函数并考虑客户等级划分,然后构建时间窗车辆路径模型。采用遗传算法,通过染色体编码生成初始种群,再通过选择、交叉以及变异输出最优解,从而求解时间窗车辆路径。实验结果表明:该方法能够有效提升车辆满载率,并缩短求解时间、降低配送成本。

包含交叉和变异操作的交互式遗传算法

传统交互式遗传算法在优化隐式性能指标时会使用户产生疲劳,影响优化质量与优化效率。为此,提出一种改进的交互式遗传算法。采用二元排序确定适应值评价的不确定度,根据评价序列的最大信息差异计算种群的收敛率,通过收敛率衡量种群进化状态,基于适应值不确定度和种群收敛率设计自适应交叉算子和变异算子,给出交叉概率和变异概率的计算公式,利用包含用户偏好信息的遗传策略引导进化,从而使进化结果更加客观。将该算法应用于服装进化设计系统,结果表明,与传统交互式遗传算法(T-IGA)相比,该算法可获取更多的满意解,提高了优化效率。

自适应阶段变异量子粒子群优化算法研究

为了克服标准量子粒子群优化(SQPSO)算法易陷入局部最优的缺点,引入变异机制,基于进化阶段的概念,提出了自适应阶段变异量子粒子群优化(APMQPSO)算法。以四种不同的变异概率减小方式阶段性地对QPSO算法中的全局最优位置进行柯西变异,形成了四个不同的APMQPSO算法。用五个典型的测试函数进行仿真实验,并将四个APMQPSO算法与SQPSO算法的实验结果进行了比较。实验结果表明,对于单峰函数优化问题,基于变异概率线性变化的APMQPSO算法较为有效;而对于多峰函数优化问题,基于变异概率非线性变化的APMQPSO算法则具有很强的优化能力。

一种由种群发育约束个体变异的鲁棒遗传算法

提出用种群发育停滞代数对变异概率和变异位数进行动态控制的改进遗传算法。该算法把种群没有更优个体产生看作种群发育停滞 ,将种群发育停滞代数定义为当前繁殖代序号与已得最优解的繁殖代序号之差 ;变异参数 (包括变异概率、变异位数 )初值与标准遗传算法 (SGA)相近 ;随着发育停滞代数的增长 ,增大变异参数 ;当有更优个体产生时 ,变异参数恢复到初值 ,种群发育停滞代数置 0 ;随种群发育停滞代数再次增长 ,变异参数再次增大 ,如此反复 ,直至算法结束。该算法在保持局部搜索能力的同时 ,提高了全局搜索能力及速度。用两个多极值函数(Camel函数、Shaffer’sF6函数 )对该算法进行测试 ,结果表明 ,与SGA及自适应遗传算法相比 ,该方法以相当强的鲁棒性收敛到全局最优解 。

一种新的量子遗传算法变异机制

针对标准的量子遗传算法(QGA)应用于数值优化时容易早熟收敛而陷入局部最优的问题,引入k位变异子空间概念对Q-bit变异概率分布进行了分析,传统随机变异机制和QGA自蕴变异机制存在冲突。为此提出一种用观测状态的阶段式大尺度变异机制(SLVMBOO),并将SLVMBOO变异算子嵌入到量子旋转策略表中,实现起来简单高效。通过典型复杂函数测试表明SLVMBOO使得QGA应用于数值优化时能有效地避免早熟收敛、跳出局部最优,而且全局寻优能力优于其它方法。