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。

PSO算法的稳定性分析及算法改进

种群多样性的缺失是导致PSO算法易陷入早熟早收敛的重要原因,因此对基于线性定常离散系统的PSO算法的稳定性作了理论分析,并分析了种群多样性缺失的原因,根据此特性提出了一种惯性权重因子在一定范围内随机取值且学习因子取恒定常数的改进PSO算法,该算法可以使粒子速度具有一定的概率发散,以保持种群的多样性。通过对3个约束优化问题的仿真实验表明,该算法跳出局部极值的概率很大,可有效地避免早熟早收敛。

一种改进的变种群规模遗传算法

针对标准遗传算法存在早收敛和进化后期搜索效率低下等缺点,在变种群规模遗传算法(GAVaPS)基础上,提出了一种改进的变种群规模遗传算法。一方面,修改了种群中个体"寿命"的计算方法,用个体寿命限制个体的生存期,实现对种群数的调控;另一方面,通过改进遗传算子,解决了遗传算子的无向性问题和早收敛现象,同时提高了算法的搜索效率。实验数据表明,该算法具有比标准遗传算法更好的性能。

遗传算法参数自适应控制的新方法

根据遗传算法参数自适应控制方法的不同分类,采用基于启发式规则的参数控制方法对遗传算法的种群数进行了宏观调控和微观调控。并采用不同特点的模糊控制器分别控制交叉率和变异率,使种群数、交叉率和变异率都能够随进化的实际情况发生自动调整,形成了一种新的种群数变化的模糊自适应遗传算法。实验数据表明这种算法能够有效防止遗传算法早收敛,同时也说明对参数进行自适应控制能够使遗传算法性能大大提高。

一种新的种群数自适应遗传算法

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点,提出了一种新的种群数自适应遗传算法。该算法在对进化种群数进行宏观调控的同时,再用个体寿命限制个体的生存期,实现对种群数的微观调控。实验数据表明,该算法具有比简单遗传算法好的收敛性能。

基于寿命的变种群模糊遗传算法

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点,提出了一种种群数变化的模糊遗传算法.该算法对进化种群数进行宏观调控的同时,再用个体寿命限制个体的生存期,实现对种群数的微观调控.并采用模糊控制器控制交叉率,使其能够根据进化的实际情况自动调整.实验数据表明这种方法能够有效防止早收敛,大大改善遗传算法收敛性能.

改进的模糊遗传算法及在信息过滤中的应用

为了改进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,提出了一种应用于文本分类和信息过滤的模糊遗传算法。首先应用了年龄概念来控制种群规模,使得遗传操作过程更接近于自然进化过程,然后引进参数的模糊调整过程,对遗传算法的参数种群规模、交叉率及变异率3个方面进行动态调整,改进了遗传算法的搜索性能。实验结果表明,相比传统遗传算法,该模糊遗传算法在全局优化能力及收敛速度上均有显著提高。

基于生物入侵思想的自适应遗传算法优化

为了改进遗传算法的性能,针对标准遗传算法存在的早收敛及稳定性差的缺点,分析这一问题的原因及应对措施。选择使用基于生物入侵思想的自适应遗传算法进行优化,根据种群的实际情况对交叉概率、变异概率及入侵概率进行动态调整,使算法具有更好的鲁棒性。通过对标准遗传算法、自适应遗传算法、改进的自适应遗传算法和基于生物入侵思想的自适应遗传算法进行仿真验证得知,优化后的算法具有更好的适应度曲线,表明其能够有效的克服不成熟收敛,具有更快的收敛速度及更好的的稳定性。