用于智能组卷的自适应小生境复合遗传算法

传统遗传算法的选择策略缺乏多样性保护机制,易出现早熟收敛。为解决智能组卷问题,采取小生境技术完成遗传操作中的种群进化机制。利用个体浓度的大小,设置自适应变异算子,保证种群多样性,防止种群陷入局部收敛;增加阈值以保证算法在接近最优解时回归到自适应遗传算法,简化算法计算量,加快算法的收敛速度。本文提出一种自适应与小生境技术复合遗传算法,来均衡算法的全局搜索和局部快速开发能力。最后,实例验证了所提算法的有效性。     

小生境自适应遗传模拟退火智能组卷策略研究

为了提高智能组卷质量,提出一种基于小生境自适应遗传模拟退火算法的智能组卷策略.该算法动态调整交叉和变异概率进行遗传操作,对中间种群进行小生境选择和模拟退火操作,从而增强了种群多样性,有效克服了遗传算法局部收敛和早熟的缺点.文章针对各约束条件建立了组卷数学模型,给出了基于期望平均分的难度分布函数和小生境自适应遗传模拟退火组卷模型.大量测试数据表明,该方法是一种有效可行且实用的组卷方法.     

改进遗传算法在自动组卷中的应用研究

为了避免遗传算法在自动组卷中存在的未成熟收敛和收敛速度慢等弱点,根据群体适应值的分布特点,采用了基于小生境的改进自适应遗传算法。该算法采用模拟小生境法选择算子进行种群选取,并对交叉算子和变异算子进行了优化,实现了交叉和变异概率的非线性自适应调整。改进后的算法明显提高了组卷的成功率和收敛速度,取得了满意的组卷效果。     

利用个体3种属性的遗传算法研究

为了克服传统遗传算法寻优时存在"早熟收敛"、后期搜索效率低,以及难于平衡选择压力和种群多样性的问题,提出利用个体3种属性的遗传算法.先用个体相似性度量个体对种群多样性的贡献,用相关系数度量子代从父代遗传的信息量,最后提出自适应交叉变异概率,在此基础上提出一种替代策略,该策略同时提高算法求精和求泛的能力,而且较好平衡选择压力和种群多样性.仿真实验结果表明,提出的替代策略和自适应交叉变异概率对平衡选择压力和保持种群多样性效果较好,避免"早熟收敛",加快进化速度.     

一种改进的遗传算法及其在组卷系统中的应用

针对遗传算法容易出现早熟和收敛速度慢的问题,根据群体适应值分布的变化特点,提出一种新启发性的基于小生境技术的自适应遗传算法(ANGA).其基本思想是:根据群体中各个个体的适应值分布情况加以启发,引入一个自适应的常数Cmin,通过自适应调整Cmin以适时改变群体适应值的分布,优化了各个个体被选择的概率,并以目前的计算机等级考试三级信息管理技术的组卷为例,采用ANGA算法进行了仿真计算.仿真结果表明,该算法能够在较短的时间内完成组卷,组卷效率、成功率高,对初值不敏感.     

高效的自适应小生境遗传-模拟退火混合算法

为克服遗传算法易陷入局部极值这一缺陷,提出一种融合小生境、自适应和模拟退火技术的混合算法。共享机制小生境技术与基于排序的适应度分配维持种群的多样性,使算法具有一定的鲁棒性;交叉、变异概率的自适应化保护优良个体,促使劣等个体加速进化,改进的交叉和变异策略可扩展算法搜索范围;嵌入式模拟退火模块能够有效利用记录的种群进化信息,锁定搜索范围,促进个体向高适应度方向发展,进一步摆脱早熟收敛。仿真结果表明,该算法具备良好的全局搜索能力和稳健性。     

引入进化梯度的改进小生境遗传算法

针对基本遗传算法易于早熟及局部寻优能力较差等不足,提出了一种引入进化梯度的改进小生境混合遗传算法(GNGA)。利用进化梯度信息调整个体向更优解进化,并根据进化代数自适应调整实数编码个体的交叉量和变异量,增强了局部寻优能力和解的精度。基于排挤的小生境算法的引入,保持了种群的个体多样性以克服早熟。在Shubert函数上的仿真结果表明,与小生境遗传算法相比该算法能有效提高解的精度及收敛速度,找到更多最优解。     

改进梯度算子的小生境遗传算法

为避免小生境遗传算法存在的早熟和收敛速度慢等问题,本文提出了一种改进的梯度算子,以保证进化朝最优解方向前进,提高计算峰值的精度。同时,利用进化代数和个体的适应度值,动态调整个体的交叉算子和变异算子,有效保证种群的多样性,改善全局搜索能力,加快收敛速度。将改进的梯度算子引入到基本小生境遗传算法和自适应小生境遗传算法,通过Shubert函数测试,证明本文改进后的算法与基本小生境遗传算法和自适应小生境遗传算法相比,不仅大大提高了收敛速度,并能搜索到所有全局最优解。     

基于改进遗传算法的自动组卷问题研究

研究自动组卷优化问题,由于题库组卷的随机性,难度很大.在自动组卷研究中,遗传算法(GA)容易出现早熟、收敛速度慢等问题,为了快速可信地组卷,提出一种基于改进遗传算法的智能组卷算法(IGA).IGA算法在传统遗传算法的基础上,用符合组卷问题特点的实数编码、条件初始种群和分段交叉和变异算子来保证种群的多样性,防止早熟现象,采用加权误差的适应度函数加快收敛速度.通过进行仿真,结果表明,IGA相对于自适应遗传算法和标准遗传算法,提高了组卷有效性、稳定性和计算效率,能有效解决自动组卷问题.     

基于改进遗传算法的自动组卷问题的研究

自动组卷优化问题的研究,由于题库组卷的随机性,难度很大。针对传统遗传算法在自动组卷中存在的未成熟收敛和收敛速度慢等问题,为了快速可信地组卷,提出了一种改进的遗传算法。该算法采用模拟小生境法选择算子进行种群选取,并对交叉算子和变异算子进行了优化,实现了交叉和变异概率的非线性自适应调整。进行仿真实验,结果证明,改进的遗传算法在组卷的有效性、稳定性和收敛速度等方面有显著的提高,更能有效解决自动组卷问题,具有较好的使用性能和实用性,能够极大的满足用户组卷的需求。     

基于改进的遗传算法在函数优化中的应用

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点,提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率;为了加快寻优效率,在选择算子方面将引进的选择算子与最优保存策略相结合;为了使遗传操作过程中种群数量恒定,又提出了保留亲本的策略。通过仿真实验发现,与经典遗传算法GA和IAGA相比,改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。     

一种基于种群熵的自适应遗传算法

遗传算法中的交叉概率和变异概率是影响算法行为和性能的关键所在,直接影响算法的收敛速度,甚至影响有限进化代内的收敛性。本文通过分析交叉概率和变异概率对算法的影响,设计了一种依据种群多样性和进化代数自适应调节的交叉概率和变异概率,改善了传统遗传算法存在＂早熟＂现象和算法后期收敛速度慢的不足。最后,给出了三个典型函数的模拟例子,通过与传统SGA和AGA的对比结果显示,本文的改进提高了算法的性能。     

基于排序的改进自适应遗传算法

本文提出了一种改进的自适应遗传算法,其遗传算子由个体在种群中的排序位置自适应地决定,其中选择算子还引入了disruptive selection的思想.该算法能避免群体中超级个体的出现,维持了种群的多样性,加快了种群的收敛速度,克服了遗传算法早熟的现象.函数优化的结果验证了该算法的有效性.     

自适应遗传算法在智能组卷中的应用

遗传算法以其具有自适应全局寻优和智能搜索技术,并且收敛性好的特性,能很好地满足自动组卷的要求,但简单遗传算法比较容易引起"未成熟收敛"和"搜索缓慢"等问题。本文提出自适应性的交叉和变异算子,能够降低多重约束目标,有效维持种群的多样性,避免产生局部最优解,改善未成熟收敛。     

一种改进的实数自适应遗传算法

研究了基于实数编码的遗传算法的改进问题．针对实数编码在搜索后期存在搜索效率低、易早熟收敛等现象．讨论了遗传算法的参数调节问题．提出一种自适应交叉概率和变异概率，既考虑了进化代数对算法的影响，又考虑到每代不同个体适应度的作用，给出一种改进的实数自适应遗传算法．最后利用3个测试函数对算法进行验证，在函数的最终值、平均运行代数、收敛概率几方面都取得了较好的结果．