自适应遗传算法交叉变异算子的改进

标准遗传算法采用固定的交叉率和变异率,对于求解一般的全局最优问题具有较好的鲁棒性,而对于解决较复杂的优化问题则存在早熟及稳定性差的缺点。传统的自适应遗传算法虽能有效提高算法的收敛速度,却难以提高优良解的多样性,算法的鲁棒性仍有待改善。文章提出了一种改进的自适应遗传算法,对交叉算子和变异算子进行了优化,实现了交叉率和变异率的非线性自适应调整。实验结果表明,相比传统的自适应遗传算法,新算法具有更快的收敛速度和更可靠的稳定性。

带有自适应变异和指数递增交叉算子的差分进化算法

针对基本差分进化算法的缺陷,融入指数递增交叉算子以增加算法的收敛速度.当算法陷入早熟后,对最优个体和随机选取的个体采用随机扰动的变异策略,帮助其跳出局部极值.数值仿真实验表明,该算法的收敛速度和精度都明显优于仅带有指数递增交叉算子的差分进化算法和仅带有随机扰动变异策略的差分进化算法.

基于自识别交叉算子和自适应变异算子的遗传算法研究

为有效地解决遗传算法收敛速度和局部最优解的矛盾,本文提出了一种具有自识别交叉算子和基于海明距离的动态变异算子的遗传算法。自识别交叉算子保证父代的优良模式遗传到下一代,加快了算法的收敛速度;而动态变异算子扩大了搜索范围,增强了算法跳离局部最优解的能力。实验证明,两种改进算子的有效结合保证算法能以较快速度收敛于全局最优解。

采用改进两点交叉算子的改进自适应遗传算法求解不相关并行机混合流水车间调度问题

针对不相关并行机的混合流水车间调度问题,提出了改进两点交叉算子(ITPX)的自适应遗传算法。首先,利用精确取点方式提高两点交叉算子的求解性能;其次,论证了基于激素调节的自适应选择概率引导种群的收敛趋势;然后,建立优质染色体池和记忆因子来记录种群迭代的优质解,并实现两种不同区域的交叉。实验结果表明,ITPX可节省优化时间,提高求解性能;自适应概率可增强收敛性;改进两点交叉算子的改进自适应遗传算法(ITPX-IAGA)可缩短40%以上的求解时间,并提高求解性能。

一种基于自适应变异算子优化的MOEA/D算法

MOEA/D(基于分解的多目标进化算法)利用一组均匀分布的权重向量将多目标优化问题分解为若干个单目标子问题,并以协作方式同时优化这些子问题。然而,当多目标问题真实Pareto前沿(Pareto front, PF)的形状具有长尾和尖峰特征时,MOEA/D在求解此类多目标问题时,所得到的最优解集在长尾和尖峰区域相对稀疏,性能受到很大影响。为了有效处理这种情况,提出了一种自适应选择变异策略的MOEA/D算法。该算法采用5种不同的变异策略构成候选池,在进化过程中,根据候选池中各变异策略近期的表现,以更高的概率选择近期表现更好的变异策略,使算法能够快速收敛。在算法的差分变异操作中采用理想解充当扰动向量,在PF上获得一组均匀分布的最优解,从而提高算法的性能。实验结果表明,与其他算法相比,本文算法获得的最优解集有更好的收敛性和分布性。

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 。

一种基于交叉和变异算子改进的遗传算法研究

文中针对函数优化方面遗传算法(GA)存在的"早熟"与收敛速度慢的问题,设计了一种基于交叉和变异算子改进的遗传算法。通过研究分析GA,根据交叉算子和变异算子的特点,在现有的GA基础上,引入拉普拉斯算子改进交叉算子以及结合黄金分割法对变异算子做了进一步改进。通过3个测试函数对该算法与标准遗传算法,以及其他两种算法加以对比,仿真结果表明文中的算法不仅增加了个体多样性,防止了"早熟",且比其他三种算法获得了更优解和更快的收敛速度。理论分析和实验表明,提出的算法是可行有效的。

具有自适应交叉算子的遗传算法及其应用

简单遗传算法采用常数交叉概率和随机选择交叉点的方式进行交叉操作，这种操作方式带有一定盲目性和随机性，无法保证子代个体一定优于父代个体。为此提出了一个新的自适应交叉算子，依据每代个体的适应值函数来调整交叉位置和交叉概率，使杂交沿着有利于算法收敛的方向进行．为了验证这种自适应交叉算子的有效性和合理性，对一个二维多峰函数的极大值搜索问题，进行了求解．并将新算法进一步应用于离心叶轮的形状优化问题，结果表明具有自适应交叉算子的遗传算法在收敛速度和获得全局最优解的概率两方面都有很大提高。

带有变异算子的自适应粒子群优化算法

提出了一种新的带有变异算子的自适应粒子群优化算法,该算法使用了一种新的自适应惯性权重,使得算法在迭代的早期快速进人局部搜索,并且根据群体的适应度方差和平均聚集距离来判断算法在迭代的后期是否陷入局部最优点陷阱,对群体中的部分粒子采用新构造的变异运算作用,从而摆脱局部搜索的束缚,以实现全局搜索的性能。通过对六个例子的测试,表明这种改进的PSO算法的全局搜索能力和搜索成功率有较大提高。

混合变异算子的自适应粒子群优化算法

针对惯性权重线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种非线性递减的惯性权重策略,使算法很快地进入局部搜索,并在算法中引入混合变异算子,克服算法易早熟收敛的缺陷。对几种典型函数的测试结果表明,本文算法的收敛速度和收敛精度都明显优于LDW算法。

带变异算子的自适应粒子群优化算法

针对粒子群优化算法在进化过程的后期收敛速度较慢,易陷入局部最优的缺点,对基本粒子群优化算法作了如下改进:在速度更新公式中引入非线性递减的惯性权重;改进位置更新公式;对全局极值进行自适应的变异操作。提出一种新的混合变异算子的自适应粒子群优化算法。通过与其他算法的数值实验对比,表明了该算法具有较快的收敛速度和较好的收敛精度。

基于自适应交叉变异量子免疫信号盲检测算法

提出了基于自适应交叉变异算子的量子免疫信号盲检测方法,所述方法在量子化交叉与变异基础上,引入了基于自适应策略的量子免疫交叉与变异算子,用量子交叉与量子变异进行进化,同时采用了传统免疫算法中交叉和变异算子的策略,以求更好地加强种群的进化程度,仿真结果表明所提出的基于自适应交叉变异算子的量子免疫算法能够有效避免早熟现象,收敛速度更快,相同信噪比条件下误码率更低。

基于变异算子和邻域值自适应的MOEA/D算法

基于分解的多目标进化算法(MOEA/D)在解决多目标问题时,具有简单有效的特点。但多数MOEA/D采用固定的控制参数,导致全局搜索能力差,难以平衡收敛性和多样性。针对以上问题提出一种基于变异算子和邻域值自适应的多目标优化算法。该算法根据种群中个体适应度值的分散或集中程度进行判断,并据此对变异算子进行自适应的调节,从而增强算法的全局搜索能力;根据进化所处的阶段以及个体适应度值的集中程度,自适应地调节邻域值大小,保证每个个体在不同的进化代数都有一个邻域值大小;在子问题邻域中,统计子问题对应个体的被支配数,通过判断被支配数是否超过设定的上限,来决定是否将Pareto支配关系也作为邻域内判断个体好坏的准则之一。将提出的算法与传统的MOEA/D在标准测试问题上进行对比。实验结果表明,提出的算法求得的解集具有更好的收敛性和多样性,在求解性能上具有一定的优势。

基于自适应交叉和变异概率的遗传算法收敛性研究

交叉概率pc和变异概率pm在整个进化进程中保持不变,是导致算法性能下降的重要原因。为了提高算法的性能,文章提出了自适应交叉概率公式和自适应变异概率公式,并在非线性排序选择情况下,证明了所提出的自适应交叉和自适应变异概率公式是收敛到全局最优解的。

改进型自适应遗传变异算子

通过分析二进制遗传算法中基因频率对种群多样性的影响,提出了一种新的能维持种群多样性,且具有自适应变异概率的变异算子,该算子染色体每一基因位上的变异概率由其基因位上的基因频率自适应决定.仿真实验表明该算子不但能保持种群的多样性,而且能有效提高算法的收敛速度.

基于自适应交叉变异的飞蛾算法云计算任务调度策略

针对云计算资源调度效率低的问题,提出一种基于自适应交叉变异的飞蛾优化算法云资源调度策略.首先引入综合学习策略,对飞蛾种群进行初始化,提高全局搜索能力.其次在迭代过程中加入自适应交叉变异策略,加强粒子跳出局部最优的概率.最后建立云计算任务调度问题的数学模型,将改进后的飞蛾算法对模型进行求解,并将实验结果与其他优化策略的实验结果在时间花费和能源花费中进行对比,取得了较优的结果.

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 .

基于概率选择交叉和自适应交叉变异的柔性作业车间调度

对于柔性作业车间的调度问题,本文将传统的遗传算法当中的部分内容进行改进来求解。建立优化模型,其中以完工时间作为目标,并且提出一种基于概率选择的多邻域搜索的交叉协同操作方式和自适应交叉变异的方法。这种方法可以扩大算法局部搜索的能力,有效防止所提出算法陷入局部情况下的最优。通过最终结果表明,所提出的改进算法大大减少产品总的加工时间,从侧面证明了所提出的算法是真实有效的。

一种改进的自适应遗传算法

针对现有遗传算法在求解多参数问题时出现收敛精度低、收敛速度慢、易陷入局部最优等问题,提出一种改进的自适应遗传算法。该算法引入复制算子、种群密集度函数和精英选择策略,提出根据种群迭代次数和个体适应度的自适应策略调节交叉概率和变异概率,很好地平衡了遗传算法的全局搜索能力和局部寻优能力。总结出具有代表意义的测试函数,通过求解测试函数和旅行商问题,证明改进的自适应遗传算法的收敛精度、收敛速度等均有明显的提高。

一种自适应交叉率和变异率的薄膜遗传算法

在并行移民操作的基础上,根据多层膜系迭代群体中各膜系的适应值信息,对每个膜系采取恰当的、自动适应搜索进程的交叉率和变异率。这样既保护了优良薄膜的设计方案,又能够在适应值整体水平不断提高的设计组群中,持续地产生更优良的薄膜设计结构。对增透膜的设计结果表明,采用提出的自适应遗传算法减小了早熟,提高了算法快速搜索合格膜系结构的能力。