An adaptive genetic algorithm with diversity-guided mutation and its global convergence property

An adaptive genetic algorithm with diversity-guided mutation, which combines adaptive probabilities of crossover and mutation was proposed. By means of homogeneous finite Markov chains, it is proved that adaptive genetic algorithm with diversity-guided mutation and genetic algorithm with diversity-guided mutation converge to the global optimum if they maintain the best solutions, and the convergence of adaptive genetic algorithms with adaptive probabilities of crossover and mutation was studied. The performances of the above algorithms in optimizing several unimodal and multimodal functions were compared. The results show that for multimodal functions the average convergence generation of the adaptive genetic algorithm with diversity-guided mutation is about 900 less than that of (adaptive) genetic algorithm with adaptive probabilities and genetic algorithm with diversity-guided mutation, and the adaptive genetic algorithm with diversity-guided mutation does not lead to premature convergence. It is also shown that the better balance between overcoming premature convergence and quickening convergence speed can be gotten.

Improved genetic operator for genetic algorithm

The mutation operator has been seldom improved because researchers hardly suspect its ability to prevent genetic algorithm (GA) from converging prematurely. Due to its importance to GA, the authors of this paper study its influence on the diversity of genes in the same locus, and point out that traditional mutation, to some extent, can result in premature convergence of genes (PCG) in the same locus. The above drawback of the traditional mutation operator causes the loss of critical alleles. Inspired by digital technique, we introduce two kinds of boolean operation into GA to develop a novel mutation operator and discuss its contribution to preventing the loss of critical alleles. The experimental results of function optimization show that the improved mutation operator can effectively prevent premature convergence, and can provide a wide selection range of control parameters for GA.

Genetic Algorithm-Based Approaches for Optimizing S-Boxes

Multi-objective genetic algorithm is much suitable for solving multi-objective optimization problems. By use of Genetic algorithm, the optimization of S-boxes is explored in this paper. Results of the experiments show that, with heuristic mutation strategy, the algorithm has high searching efficiency and fast convergence speed. Meanwhile, we also have take the avalanche probability of S-boxes into account, besides nonlinearity and difference uniformity. Under this method, an effective genetic algorithm for 6×6 S-boxes is provided and a number of S-boxes with good cryptographic capability can be obtained.

An adaptive genetic algorithm for solving bilevel linear programming problem

Bilevel linear programming, which consists of the objective functions of the upper level and lower level, is a useful tool for modeling decentralized decision problems. Various methods are proposed for solving this problem. Of all the algorithms, the ge- netic algorithm is an alternative to conventional approaches to find the solution of the bilevel linear programming. In this paper, we describe an adaptive genetic algorithm for solving the bilevel linear programming problem to overcome the difficulty of determining the probabilities of crossover and mutation. In addition, some techniques are adopted not only to deal with the difficulty that most of the chromosomes maybe infeasible in solving constrained optimization problem with genetic algorithm but also to improve the efficiency of the algorithm. The performance of this proposed algorithm is illustrated by the examples from references.

Parameter adjustment based on improved genetic algorithm for cognitive radio networks

Multi-objective parameter adjustment plays an important role in improving the performance of the cognitive radio （CR） system. Current research focus on the genetic algorithm （GA） to achieve parameter optimization in CR, while general GA always fall into premature convergence. Thereafter, this paper proposed a linear scale transformation to the fitness of individual chromosome, which can reduce the impact of extraordinary individuals exiting in the early evolution iterations, and ensure competition between individuals in the latter evolution iterations. This paper also introduces an adaptive crossover and mutation probability algorithm into parameter adjustment, which can ensure the diversity and convergence of the population. Two applications are applied in the parameter adjustment of CR, one application prefers the bit error rate and another prefers the bandwidth. Simulation results show that the improved parameter adjustment algorithm can converge to the global optimal solution fast without falling into premature convergence.

客户等级划分视阈下的车辆路径遗传算法研究

针对当前车辆路径规划算法存在的车辆满载率低、车辆路径求解时间长、车辆配送成本高的问题,文中设计了考虑客户等级划分的车辆路径遗传算法求解过程。在描述车辆路径相关问题和函数的基础上,给出相关假设和约束条件,确定目标函数并考虑客户等级划分,然后构建时间窗车辆路径模型。采用遗传算法,通过染色体编码生成初始种群,再通过选择、交叉以及变异输出最优解,从而求解时间窗车辆路径。实验结果表明:该方法能够有效提升车辆满载率,并缩短求解时间、降低配送成本。

基于改进遗传算法的解剖类课程组卷研究

在系统解剖和局部解剖课程教学过程中,应用信息化技术提高课程教学效果已经成为医学院采用的重要手段。文章以系统解剖和局部解剖课程题库为例,对系统组卷算法效率进行了研究。首先根据题库模型和文献分析,选取遗传算法对题库模型生成试卷,通过现有遗传算法进行测试验证,获取变异概率基准值;其次,为了使试卷个体快速达到适应度和相关参数要求,基于变异概率的基准值,提出了特定区间内动态调整变异概率的方法;最后,在解剖类课程题库的基础上进行测试,相比于其他改进的遗传算法。测试结果表明生成试卷的速度和质量都得到了提升。

自适应多目标遗传算法的集成剪枝用于人脸表情识别

在集成剪枝中,为了同时高效地选择优质、独立的分类器,文中提出了一种新的动态自适应交叉策略的遗传算法用于分类器的集成剪枝。该方法使用轮盘赌和贪婪策略动态更新每个交叉策略的优先级,根据优先级计算每个策略被选中的概率,从而在算法迭代过程中自适应选择不同的交叉策略。此外,该方法考虑了交叉概率和变异概率动态自适应变化,并使用大多数投票法对挑选出来的分类器进行集成以获得最终结果。将文中所提方法与一些集成剪枝方法在5个真实人脸表情数据集上进行对比,实验结果表明文中所提该方法可以选出效果更好、冗余度更低的分类器,并在CK+数据集上具有22.50%的最低误差。

一种新的改进遗传算法

该文提出了一种新的改进遗传算法,通过设计与进化代数相关的交叉概率及与个体适应度相关的自适应变异概率,并采取避免近亲繁殖的交叉手段等方法,来改善遗传算法的质量,提高其搜索能力和收敛速度。计算结果表明该算法达到了预期效果。

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。

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。

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 。

一种快速收敛的遗传算法

为了解决遗传算法的收敛速度和全局收敛性之间的矛盾,提出了一种新的快速收敛的改进遗传算法。该改进算法设计了与个体适应度相关的变异算子,以及与早熟情况、进化代数和个体适应度有关的移民算法。实例验证表明,该改进遗传算法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。

变异率和种群数目自适应的遗传算法

提出了针对个体变异率和种群数目的 2种自适应方法 .算法中个体变异率根据其适度值在种群中的排序自适应调整 ,使优良个体具有较小的变异率继续进化 ,而使种群中较差个体具有较大变异率 ,增强了种群搜索能力 .同时根据种群个体适度值方差动态调整变异率曲线 ,种群数目调整则根据最优个体更新率动态增大 ,以动态适应解空间的规模避免采样误差造成的进化停滞 .通过在不同尺度的NKLandscape上与传统的简单遗传算法 (SGA)比较可得 。

自适应变异遗传算法及其性能分析

本文提出了一种新的自适应遗传算法，通过对二进制编码串中每一比特位赋予不同的变异概率来加快搜索过程．对几种典型函数的测试结果表明：本文算法的收敛性能优于标准遗传算法．

基因算法研究进展

本文概述了近年来基因算法在理论研究和应用研究方面所取得的成果，分析了提高基因算法性能的途径.

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 。

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。