基于灾变机制下元胞遗传算法的精英迁移策略的研究

引入灾变机制的元胞遗传算法并非使种族退化,而是尽快摆脱进化迟钝状态,开始新计算的有效手段。实验证明,在灾难区域范围内采用不同的个体植入方法,即采用不同"精英迁移"策略的元胞遗传算法,用于求解复杂多峰函数优化问题,获得了较好的效果。

基于精英迁移的主从式双种群动态遗传算法

针对0-1编码的动态优化问题,提出了一种基于精英迁移的主从式双种群动态遗传算法。主种群采用记忆机制,把从种群获得的最优个体替换主种群中较差的个体,同时参与到与记忆个体的演化操作。通过一组动态优化函数进行实验,仿真结果表明,本文提出的算法在各变化周期和变化强度下均能很好的跟踪环境的动态变化。

基于多基因族编码的股票网络社团划分研究

针对传统股票网络社团划分算法发现精度低、时间复杂度高、容易陷入局部最优解的缺点,提出一种基于多基因族(MGF)编码的基因表达式编程(GEP)股票网络社团划分算法,来研究股票市场复杂网络社团化现象。该算法利用多基因族编码的特性,将代表股票节点的ID号和表示社团的类型分别编码在两个不同的多基因族中,再通过一个映射函数将两者的相互作用关系隐式编码在染色体中;同时,将精英迁移策略应用到基因选择、交叉、倒置、限制交换等各个遗传阶段,以避免早熟现象,加快遗传收敛到全局最优解的速度。实验分析表明,该算法能够准确和高效地实现股票复杂网络社团的划分,其划分结果对投资者进行决策具有重要的指导意义。

求解PFSP问题的多粒子群协同学习算法

针对以最小化最大完工时间为目标的置换流水车间调度问题,提出了一种多粒子群协同学习算法。该算法在协同粒子群算法的基础上,采用了精英库种群和普通种群共同进化框架,重新构造了学习交流方式。精英库种群采用改进的综合学习策略,普通种群中的每个子群采用经验指导的精英学习策略进行局部搜索。此外,还引入了精英迁移策略,促进整个种群的信息交流与协同进化。通过在不同规模问题的实例与另外两种优化算法进行比较,仿真结果表明了该算法在解决置换流水车间问题上的有效性。