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.

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 。

关于“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”一文的商榷

“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”一文提出了自适应遗传算法的模式定理 ,并以此为基础分析了自适应交叉、变异的作用机理 .本文对其分析过程和结论提出了不同的看法 .

基于自适应交叉概率因子的差分进化算法及其应用

基本差分进化算法的控制参数在进化过程中是保持不变的,但是交叉概率因子的大小影响种群进化的多样性以及种群的收敛速度.本文提出一种根据种群平均适应度方差非线性改变交叉概率因子的方法.在种群多样性降低时增大该因子,使之接受更多变异个体的基因,有利于加强局部搜索和加速收敛速率;多样性增大时减小该因子,避免该个体基因结构遭到过多的破坏,促使该个体的进化,有利于保持种群的多样性和完成全局搜索.并且给出了一种新的变异方式,这种变异方式一方面能提高算法的收敛速度,另一方面能在一定程度上保持较高的种群多样性.最后将其应用到热连轧精轧机组负荷分配优化中,改进后的优化方法在性能上要优于所对比算法.

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。

考虑参数空间变异结构的结构化交叉约束随机场模拟方法研究

斜坡岩土体抗剪强度参数的空间变异性具有一定的结构性。为研究岩土体参数空间变异结构对边坡失效概率的影响,依据变异函数的内涵推导出变程与相关距离的数学变换关系,并在此基础上提出了结构化交叉约束随机场模拟方法,用以模拟具有互相关性的参数随机场。建立了结构化交叉约束随机场计算模型,研究不同空间变异结构的抗剪强度参数对边坡失效概率的影响。研究结果表明:结构化交叉约束随机场可用于生成模拟具有复杂各向异性空间变异结构的参数随机场,由于考虑了随机偏差、条件数据和空间变异结构,能较为真实地反映地层实际参数,数据波动较条件参数插值场小。可靠性分析结果表明:不考虑抗剪强度参数空间结构分析易高估边坡的失效概率;考虑c′和φ′互相关性时,失效概率随着相关系数的增加而增加,当参数间呈负相关性时更容易高估边坡的失效概率。

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。

量子概率编码遗传算法及其应用

该文提出了一种基于染色体量子概率编码的遗传算法--QCGA。与传统遗传算法不同,在QCGA中, 单个个体不再表示某一个确定解,而是解的取值概率分布,覆盖整个解空间;各个个体独立并行演化,个体间通过一个新的交叉算子实现演化信息的交换,同时设计了一个新的变异算子以增强算法的局部寻优能力。为了充分考察该算法的有效性和先进性,将其应用于典型函数优化、0-1背包问题和时间序列中频繁结构模式搜索等问题的求解。实验结果表明,与现有同类算法相比,该算法在具有很高搜索效率的同时,仍能维持很高的种群多样性, 因而适用于复杂优化问题的求解。

中心变异差分进化算法

针对高维复杂优化问题,提出了基于中心变异和自适应交叉概率的差分进化算法——中心变异差分进化(center mutation-based differential evolution,CMDE)算法。该算法首先改进了个体的变异形式,即把当前代的群体中心作为基向量,依据参加变异的三个随机个体向量间的函数适应值的大小关系,确定差向量的方向;然后给出了自适应交叉概率策略,即依据交叉的作用,通过分析个体向量间的函数适应值在群体内部的分布情况,确定每个个体的交叉概率。通过几个Benchmark函数的测试表明,CMDE算法具有较快的收敛速度,且对于高维复杂问题的求解精度高,寻优性能好。

一种带有随机变异的动态差分进化算法

提出一种带有随机变异的动态差分进化算法。在这个算法中,两种不同的变异策略DE/rand/1和DE/best/1通过线性递减加权组合策略产生新的变异策略,以便动态利用DE/rand/1和DE/best/1的优点,并且引入一种指数递增交叉概率算子、线性递减缩放因子和一种随机变异机制以进一步提高算法的全局寻优能力。通过四个标准测试函数的测试结果表明,该算法是一种收敛速度快、求解精度高、鲁棒性较强,更适合求解高维复杂的全局优化问题。

定量联结人抗凝血酶的变异及其临床表现(英文)

将蛋白质序列转换成数值数据后,建立一种描述性的概率方法分析单基因疾病的基因型与表型之间的关系。先用氨基酸分布概率定量变异的抗凝血酶,然后用交叉影响分析法联结人抗凝血酶的变异及其临床表现,再用贝叶斯公式计算变异条件下抗凝血酶缺乏的发病概率。结果显示当某个人被检测到抗凝血酶变异时将有大于90%的机会患遗传性抗凝血酶缺乏。

基于GA算法的CCPP机组负荷协调控制系统设计

为了解决燃气-蒸汽联合循环发电(CCPP)机组由于多变量、强耦合特性的影响,造成负荷协调控制性能降低的问题,设计了基于遗传算法(GA)的CCPP机组负荷协调控制系统。利用GA算法获取CCPP机组的参数辨识结果,主控制器将与汽轮机指令相关的参数辨识结果下发至汽轮机控制器;与锅炉指令相关参数辨识结果分别下发至风量控制器、给水控制器和燃料最小选择限制控制器,四个子控制器分别将CCPP机组运行的进气量、燃料量、风量以及给水量下发至CCPP机组机炉受控对象,实现CCPP机组负荷的协调控制。系统测试结果表明,GA算法的交叉概率为0.6、变异概率为0.05时,可以获取最优的参数辨识结果,该系统可将CCPP机组的负荷指令变化率控制在1%以内,具有较高的负荷协调控制性能。

采用双变异策略的自适应差分进化算法及应用

为了克服差分进化算法早熟收敛和寻优精度低的缺点,提出一种采用双变异策略的自适应差分进化算法(Adaptive Differential Evolution Algorithm using Double mutation strategies,DADE)。DADE引入基于种群相似度和中心解的双变异策略,有效平衡了算法的全局搜索和局部搜索;自适应交叉概率使种群个体向更新成功的个体学习,有利于后续种群的进化。在7个测试函数和3个电力系统动态经济调度(Dynamic Economic Dispatch,DED)问题上的优化结果表明,DADE算法与其他4种DE算法相比具有更强的全局寻优能力,且对电力系统动态经济调度问题的优化结果优于文献中所报道的结果。

基尼系数基于概率意义上的解释及其估计

本文从概率意义上严格定义了基尼系数,并给出了与其相关的统计问题.

考虑多车型的柔性制造车间双向物料配送路径优化

针对当前柔性车间车辆利用率低、配送小车型号单一以及存在逆向物流等问题,课题组构建了一种考虑多车型协同配送的双向物料配送模型。首先以小车的出车成本、路径运输成本和时间惩罚成本的总和最小为优化目标,构建了相应的数学优化模型;其次设计了改进的遗传算法,根据个体适应度的大小选择交叉变异概率,加快求解速度;最后借助MATLAB进行实例仿真,对比分析算法改进前后求解结果。结果表明:多车型配送比单车型配送成本低252.34元,改进算法后成本降低了3.48%。验证了该模型与改进算法在车间双向物料配送中的可行性和有效性。

基于遗传算法求解TSP问题

TSP问题是一个备受研究者们关注的NP难题,遗传算法作为应用较为普遍的智能优化算法,是求解TSP问题的有效方法。本论文通过改变种群数量、交叉概率、变异概率、城市数量等参数,对比运行结果后分析得出这些参数设置的最优区间,为遗传算法解决TSP问题提供参考。

一种新的改进遗传算法及其应用

为了在算法稳定性的基础上解决其收敛速度和全局收敛性之间的矛盾,提出了一种新的改进遗传算法。该改进算法设计了与进化代数相关的交叉概率,与个体适应度相关的变异概率,以及与早熟情况、进化代数和个体适应度有关的移民算法。将其应用于电能质量分类的计算结果表明,该改进遗传算法稳定性较好,且在收敛速度和获取全局最优解的概率两个方面都有很大的提高。

一种新的模糊遗传算法

将模糊控制思想引人到遗传算法中，进行交叉概率Ｐｃ和变异概率Pm的整定工作，并在此基础上提出了一种基于模糊控制的遗传算法——模糊遗传算法．仿真结果表明：该算法不仅能提高解的质量，而且能加速解的收敛速度．

一种改进的自适应遗传算法

提出的自适应遗传算法采用群体的最大适应度fitmax、最小适应度fitmin、适应度平均值fitave 这 3个变量来衡量群体适应度的集中程度 ,然后根据适应度集中程度 ,自适应地变化整个群体的交叉概率pc 和变异概率pm ,改进了M .Sriniras提出的自适应遗传算法。采取最优保存策略来保证最优个体不被大的pc和pm 破坏掉。并用无放回余数随机选择算子 (RSSR选择算子 )对基本选择算子进行了改进 ,选择误差比较小。将自适应遗传算法用于图像分割的试验结果表明 ,与基本遗传算法相比 ,由于该算法综合考虑了“快速收敛”和“全局最优”这两个要求 ,因此它不仅能得到较好的分割质量 ,而且基本保持了遗传算法的运算速度 。

基于捕食搜索策略的遗传算法研究

针对标准遗传算法易陷入局部最优而出现早熟,提出了一种基于捕食搜索策略的遗传算法。该算法在进化中模拟动物捕食搜索的过程,并根据种群中个体最优适应值来动态改变交叉和变异概率,从而加强算法的全局搜索和局部优化的能力。仿真实验表明该算法是有效的。