改善收敛早熟的混合遗传算法

针对传统遗传算法收敛早熟问题,在传统包含模拟退火的混合遗传算法的基础上,设计加入了"包含浓度均衡措施的复制算法",通过调整轮盘赌扇区面积,防止个体适应度的两极分化。从而避免了算法过早收敛于局部最优解;同时通过一个工程实例计算验证了算法的可行性。

一种新的基于混沌变异解决早熟收敛的遗传算法

给出解决遗传算法早熟收敛问题的统一框架,基于新的混沌变异模型提出一种新的遗传算法。该算法充分利用混沌的初值敏感性和轨道遍历性,克服了已有混沌变异模型存在搜索盲区大的缺点。多峰值函数优化计算结果验证了该算法的可行性和有效性。

克服早熟收敛现象的粒子群优化算法

为了在不了解优化函数是否存在多个局部点对早熟收敛现象进行准确判定,提出了早熟收敛判定方法;为了突破局部极值的限制以再次寻优计算,引入了基于混沌变异的粒子群算法,对出现早熟收敛现象的粒子群进行混沌变异,使得最优点不会在一点重复出现,并采用平均截止代数和截止代数分布熵组成的平面测度对算法的优化效率进行度量。仿真结果表明此算法能有效地克服早熟收敛现象,全局寻优能力较强,寻优速度较快,有效地解决了收敛性能和全局寻优能力之间的矛盾。

一种防止浮点遗传算法早熟收敛的父代选择策略

通过对浮点遗传算法早熟收敛现象的分析 ,提出了一种新的父代选择策略 ,即使用当前代的子代个体作为下代的父代个体 ,可使交叉算子持续地探索和开发新空间。引入对个体的代数保护策略 ,即在它发生变异前保证有足够的演化 ,可以避免对新空间不成熟的开发。通过与其它父代选择策略的对比 ,并通过实验和 GENOCOP系统比较 ,表明本方法能得到较好的结果。

进化规划中防治早熟收敛的方法

对进化规划中容易出现的早熟收敛现象做了分析 ,定义了刻划早熟收敛现象的两个量 ,针对预防和处理早熟收敛现象 ,将小生境技术引入 EP的竞争选择机制来预防早熟收敛的发生 ,并使用重开始策略来解决早熟收敛发生后搜索如何继续有效进行的问题 .引入这两种方法后的进化规划能够很好地克服早熟收敛现象带来的不利影响 ,性能得到明显提高 .对典型函数的数值仿真实验证明了这两种方法的有效性 .

一种用于防止早熟收敛的改进遗传算法

针对遗传算法中的早熟收敛现象,提出了一种改进的遗传算法.该算法利用种群多样性算子产生较好的初始种群分布,并以该算子作为判断种群是否早熟收敛的依据.一旦出现早熟收敛或早熟收敛的趋势,则进行灾变,以恢复算法的进化能力.同时结合种群的最优个体和引入的随机种群,设计了一种包含选择、交叉算子的一般性算子,使算法能有效维持种群的多样性,快速找到全局最优解.

一种改进的抑制早熟收敛的模糊遗传算法

针对遗传算法中的早熟收敛现象,提出一种改进的模糊遗传算法。该算法将群体适应度均方差和种群的进化代数作为模糊逻辑控制器判断早熟收敛的标准,并根据判断结果对优劣不等的个体采取相应的进化方法,即当种群正常进化时对个体执行"惩强扶弱"的措施以保持种群多样性,一旦发生早熟收敛或有早熟收敛的趋势则对劣质个体进行局部灾变,以恢复种群的进化能力。实验结果表明,与标准遗传算法、自适应遗传算法和模糊遗传算法相比,改进的模糊遗传算法能够更好地维持种群多样性,抑制早熟收敛。

遗传算法的早熟收敛

通过对遗传算法机理的分析，指出模式缺少是早熟产生的原因．提出了一个在遗传算法中基于模式抽取和模式补偿的补偿算子，以解决早熟现象．

一种解决早熟收敛的自适应遗传算法设计

为了解决简单遗传算法(SimpleGeneticAlgorithm,SGA)易陷入局部最优解的问题,及以往自适应遗传算法只考虑与进化代数相关的交叉与变异概率,而忽略个体分布情况及种群规模不可变等问题,本文在保留以往自适应遗传算法优点的同时,设计了与种群中个体分布相关的可变交叉概率与变异概率。同时考虑了种群规模的波动情况,使算法在相对稳定的动态种群规模中寻找优质解。

遗传算法中防止早熟收敛的几种措施

遗传算法在众多领域都有广泛的应用,但早熟现象是影响遗传算法的关键问题,本文对防止早熟收敛作了深入的研究,提出了几种克服这种缺点的措施。

一种改进的抑制早熟收敛的遗传算法

针对遗传算法运算速度低、容易陷入局部最优值、早熟收敛等缺点,提出了遗传算法算子的一些改进策略,对遗传算法的选择、交叉、变异算子以及操作方法进行了改进,采用最佳保留选择策略,改进后的交叉与变异操作,使算法始终保持了种群的多样性,同时也提高了寻优最终结果的精确性。实验表明改进的遗传算法有效的改善了遗传算法的缺点,改进后的算法明显优于传统的遗传算法,该算法具有良好的有效性和可行性。

一种抑制早熟收敛的改进遗传算法

遗传算法在许多优化问题中都有成功的应用,但其本身也存在一些不足.针对遗传算法的早熟收敛问题,本文在分析基本遗传算法的遗传算子和控制参数的基础之上提出一种改进算法.改进的遗传算法采用了实数编码、算术交叉算子、非均匀变异算子,并对控制参数进行了较合理地选取.改进遗传算法前期能均匀地搜索解空间,后期能对局部进行越来越细微的搜索,并使个体可以进入最优点的吸引域,在一定选择条件的作用下,算法后期可使群体逐渐集中到最优点的吸引域内,从而防止了遗传算法的过早收敛.理论和实例分析均表明,改进后的遗传算法在一些性能上明显优于基本遗传算法,较好地避免了遗传算法的早熟收敛,提高了遗传算法的进化效率,具有良好的有效性和可行性.

一种避免早熟收敛的改进遗传算法

针对传统遗传算法的早熟收敛问题,在著名的"基因块"假设的基础上,提出了一种改进算法:利用设计的新算子对传统遗传算法演化过程中被淘汰的个体进行二次演化,使得可能包含在将来的演化中对结果的全局最优性产生重要影响的基因块得以保留,以此来避免遗传算法早熟收敛现象。实验结果证明了该改进算法可以有效地避免早熟收敛,提高了算法全局优化能力。

解决一类遗传算法早熟收敛的混合法及其推广

本文分析了变型标准遗传算法ＶＣＧＡ（ｖａｒｉａｎｔｓｏｆｃａｎｏｎｉｃａｌｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓ）有时会产生早熟收敛的机理，提出了混合法ＨＶＣＳＤＡ（ｈｙｂｒｉｄＶＣＧＡｃｏｍｂｉｎｅｄｗｉｔｈｓｔｅｅｐｅｓｔｄｅｓｃｅｎｔａｐｐｒｏａｃｈ），并进行了推广．该方法可使最优保存的超级个体时间序列离开早熟收敛状态而继续接近全局最优解．仿真实例表明了本文算法的有效性．在３０城市ＴＳＰ（ｔｒａｖｅｌｉｎｇｓａｌｅｓｍａｎｐｒｏｂｌｅｍ）的基准测试问题中，本文得到了路径为６．８２的结果，它好于用新的现代的启发式搜索方法——ＴＡＢＵ搜索法得到的６．９９的结果．

基于遗传算法的早熟收敛分析与防止

遗传算法是一种搜索最优解的仿生算法,是模拟生物进化过程的计算模型,在自动控制、生产调度、图像处理等众多领域有着广泛的应用,但遗传算法中的早熟收敛是一个不可忽视的现象,导致不能搜索到全局最优解。本文对遗传算法作了深入的研究,分析导致早熟收敛的原因,提出防止早熟收敛的各种措施。

遗传算法早熟问题的定量分析及其预防策略

针对遗传算法早熟收敛问题,运用模糊理论和方法,给出了早熟的新定义,提出了度量种群成熟度的模糊型指标及其计算方法。在此基础上,形成了交叉率、变异率随成熟度指标自适应调整的预防早熟策略,从而能够在提高遗传算法运行效率的同时预防早熟。仿真实验证明了该策略的有效性。

粒子群算法在非线性系统应用中的早熟现象及其改进

通过分析粒子群算法早熟现象的机理,研究早熟收敛的本质,并提出一种克服粒子群算法早熟现象的局部"飞跃"策略.应用仿真及系统工程实例表明,该方法能有效地改善粒子群算法在非线性全局优化上的早熟问题,提高了粒子群算法的全局搜索能力.

基于种群分类解决遗传算法的“早熟”与“漂移”问题

为了有效解决遗传算法在实际应用过程中经常面临的早熟收敛和遗传漂移问题,分析了导致早熟收敛和遗传漂移这两种现象出现的原因,针对其主要原因提出了基于模糊聚类的种群分类改进的遗传算法,避免近亲繁殖导致早熟,并将模糊聚类的结果与各种遗传操作有效结合,提高了算法向最优解收敛的准确性和稳定性。最后,仿真结果显示新的改进算法比标准遗传算法更有效。

基于小生境算法和聚类分析的快速收敛遗传算法

针对遗传算法中存在的早熟收敛和后期收敛速度慢的问题 ,在讨论种群多样性表示方法和早熟原因的基础上 ,提出了一种基于小生境技术和聚类分析的遗传算法快速收敛算法 .利用小生境技术保持种群的多样性 ,有效防止早熟收敛 .当种群进化到一定程度后 ,进行聚类分析 ,从而获得分布在各个极值点附近的聚类区域 .在各个聚类中心处 ,利用局部搜索算法获得极值点 ;其余个体按照小生境技术在聚类区域外进一步搜索 .仿真结果表明 ,这种算法能够有效地防止早熟收敛 ,可以极大提高遗传算法的搜索效率 ,有利于并行实现 ,并在一定程度上有助于骗问题的解决 .

遗传算法的机理与收敛性研究

采用一种新的基于解空间分解的定量分析方法,对遗传算法的种群进化过程进行分析,阐明了选择、交叉和变异操作的寻优机理,给出了子代种群在解空间上的概率分布情况;理论上,证明了遗传算法具备寻找全局最优解的能力,并给出了具备寻找全局最优解能力的充分必要条件,即证明了积木块假设的结论是成立的.同时,建立了二进制编码有限群体的M arkov链模型,计算出在用于静态优化问题的交叉和变异操作下,种群在解空间上概率分布情况以及收敛到最优解的概率,并讨论了产生早熟现象和GA-欺骗问题的原因.