多峰搜索的自适应遗传算法

对多峰函数问题提出了基于峰值转换和优育子群相结合的遗传搜索策略.主要是:通过变换函数将多峰问题中的所有峰变成“等高”峰,从而保证每个峰都有同等机会被找到;在种群中实施各种遗传操作及近亲排斥策略,以保证种群的多样性;将种群中适应值超过阈值的个体迁徙形成一个子群,在子群中实施“梯度操作”,对个体进行精细进化.该方法不仅可保证较快地找到所有峰,而且无需对多峰函数做峰的个数已知、峰均匀健分布等任何先验假设.最后与Spears的简单子群法进行了对比实验.

多峰搜索的动态微粒群算法

对多峰搜索问题提出了一类动态微粒群算法。该算法通过变换函数将多峰问题中的所有峰变为等高峰,从而保证每个峰都有同等机会被找到;在搜索过程中采用群体规模动态可调的进化方式,使得初始群体可以任意指定,从而克服了标准微粒群算法由于无法事先知道多峰函数峰值点个数而很难确定合适群体大小的困难。实验表明了该算法可以尽可能多地找到峰值点。

遗传多峰搜索

搜索多极值点问题是遗传算法研究领域内的一个新的方向 .本文在传统遗传算法的基础上引入梯度算子、聚类算子和单亲繁殖 (克隆 ) ,并将梯度平方和的倒数作为评价函数 ,用来搜索多极值点 .实际测试结果表明 :该算法对等高等距、不等高等距和不等高不等距情况都有很好的结果 .梯度算子的引入 ,将梯度法和 GA很好地融合了起来 ,大大提高了 GA的搜索精度和速度 。

利用遗传算法搜索多个极值点

分析了遗传多峰搜索领域内现有方法的不足 .对传统的遗传算法引入了梯度算子和聚类算子 ,将近似导数平方和的倒数作为评价函数 ,并定义了罚项 .用改进后的遗传算法搜索多峰 .实测结果表明 ,该算法搜索速度明显加快 ,精度有很大提高 .对等高等距。

克隆选择算法分析及其改进的研究与应用

克隆选择算法被广泛应用到各个领域,为解决DeCastro克隆选择算法中存在的一些问题:需要根据人为经验确定种群规模的大小、种群训练的时间比较长、多峰搜索能力相对较弱,对其进行进一步的改进,运用新的克隆选择、克隆变异和最佳亲和度,并引入了抗体抑制操作,可动态确定种群大小,使算法具有较强的全局和局部搜索能力,同时也可以搜索到全局最优点和尽可能多的局部极值点。简单仿真实验结果表明,该算法的平均运行时间和找到峰值点个数都明显优于DeCastro克隆选择算法。