基于距离空间的遗传算法分析

通过对简单遗传算法的分析，发现每次执行复制、杂交、变异等操作均相当于对所作用的个体进行一次线性变换，这样，从函数的角度来看，引入非线性变换的遗传算子将是一个有待研究的问题，因而提出了非线性遗传算法。通过对二进制遗传算法的Hamming距离的扩充，引入了一种几何模型-距离空间，并在该空间上对杂交、变异等算子进行了系统的分析。根据分析结果，指出了改进遗传算法的途径，并提出一种改进的二进制非线性遗传算法，仿真实例证明了其有效性。以上分析从几何意义出发，提出了一种全新的分析遗传算子的方法，对遗传算法理论的完善与发展具有重要意义。     

基于混沌遗传算法的一类非线性两层混合整数规划问题求解

针对一类非线性两层混合整数规划问题,选取一种混沌性较强的自映射,通过引入混沌遗传动态组合系数的概念并在改进相应遗传算子的基础上,设计了一种新型的混沌遗传算法。数值实例结果表明,该算法简便、有效。     

基于自然数编码遗传算法的并行测试技术

针对并行测试任务调度复杂、难以优化的问题,提出了一种基于自然数遗传算法的任务调度优化算法。该算法将并行测试任务调度转化为对串行测试任务序列的搜索,为了提高搜索效率,引进自然数编码遗传算法搜索最优解或近似最优解,将串行测试序列作为染色体,进行选择、交叉、变异等操作。通过仿真证明该算法能够迅速得到并行测试任务调度的最优解或近似最优解。对自然数编码遗传算法的各个算子对模式的作用进行了理论分析,并得到了对应的模式定理,从理论上说明了该方法的合理性。     

一种新型保持种群多样性的遗传算法

针对遗传算法的“早期收敛”或“遗传漂移”，本文提出了一种新型保持群体多样性的遗传算法。该算法利用种群的熵和个体基因座的多样度来测度进化中种群的多样性，并将遗传操作与种群多样性联系起来，建立了遗传操作与种群多样度之间的函数关系式，使遗传算子中的主要参数能够随多样性函数和适应度函数的变化而自适应调整，从而提高了进化中种群的多样性和算法的搜索效率。仿真研究证明了该算法的优越性。     

分流机制遗传算法研究

提出了一种基于分流机制的新型遗传算法。该算法采用优种限量繁殖 ,达标种交叉和劣种变异的策略 ,突出遗传算子各自的优点和作用 ,根据进化质量自适应地调整交叉和变异概率 ,使种群具有很强的可进化性。分流机制遗传算法改变了遗传算法的传统结构 ,种群始终具有探测新的超平面 ,从而获得新的最优个体的能力 ;同时 ,对于进化中的个体不需进行所有遗传算子操作 ,提高了算法的全局收敛性 ,降低了时间复杂度。测试结果表明了所提方法的有效性。     

一种基于对偶与逆序组合算子的遗传算法

针对遗传算法易陷入局部最优的问题,模拟生物基因的对偶性和有序性,提出对偶与逆序组合算子,与具有良好全局搜索模式的遗传算子优化组合应用,构造了一种基于对偶与逆序组合算子的遗传算法.从理论上证明了算法的收敛性.仿真实验表明,该算法具有更好的寻优性能,对应用串型编码遗传算法解决非线性优化问题有很好的借鉴意义.     

改进的快速遗传算法及其性能研究

遗传算法作为一种有效的全局随机优化方法,在工程界已得到了广泛应用。为了克服工程应用中遗传算法所表现出的计算费时、稳定性差等缺点,提出了一种快速收敛的遗传算法,从初始群体生成及遗传算子操作等几个方面作了改进。通过几个复杂函数的优化仿真实验,证明该算法能大大提高遗传算法的收敛速度,明显改善算法的计算稳定性。     

基于自适应遗传模糊神经网络的信用评估建模

提出了一种自适应遗传模糊神经网络评估信用风险的模型,该模型在多子群遗传算法基础上,采用带控制参数的动态概率选择与最优保存策略相结合的混合选择策略,根据种群适应度标准差大小动态调整交叉和变异概率,并将BP算子嵌入遗传算法中,构建了多子群自适应遗传BP算法,并利用该算法优化网络的连接权值和模糊参数。将所建模型应用到信用评估中,并与BP神经网络、ANFIS以及遗传神经网络模型预测效果进行比较,结果表明该模型对信用评估具有更好的泛化能力和更高的预测准确度。     

用于神经网络直接逆控制的连续空间遗传算法

为解决神经网络直接逆控制中训练样本的获取问题 ,提出了一种神经控制器的设计方法。通过对连续空间遗传算法的编码和遗传算子进行适当改进 ,采用保留精英的线性排序选择 ,避免成熟前收敛 ,并给出算术交叉算子和乘法变异算子 ,使算法同时具有好的搜索精度和搜索效率 ;然后采用这种改进的遗传算法对非线性动态系统的控制进行优化 ,获得了基于一定性能指标的期望的状态轨迹及相应的最优控制序列 ,并以此训练神经网络控制器。最后给出了以同步机为控制对象的仿真结果。     

一种自适应杂交算子的浮点遗传算法

为了提高浮点遗传算法在优化问题时的收敛速度与求解精度,提出了一种基于进化代数和个体适应值的杂交算子,该算子根据每代个体的适应度与进化代数的变化情况自适应调整交叉操作。使杂交向有利于算法收敛的方向进行。通过几个仿真计算的实例,验证了这种杂交算子相对于普通杂交算子能有效地提高浮点遗传算法的收敛效率。     

内嵌多准则的遗传算法用于尿沉渣红白细胞的特征选择

针对尿沉渣检测中红白细胞的特征选择问题,提出了结合双向选择的内嵌多准则的改进遗传算法(NMGA)(通过多代进化逐步选中优良特征,在每一代进化中基于多种评价准则进行遗传,分别得出各自的最佳特征子集,然后对其进行"多票投选",得出一个最佳特征子集,然后继续下一代进化,该方法可结合小生境技术共同搜索最佳特征子集。文末采用多个尿沉渣红细胞和白细胞样本进行验证实验,实验结果表明,算法优选的特征集与未进行特征选择和经过普通遗传算法(SGA)特征选择得到的特征集相比,识别率较高,并且优选后的特征子集的特征数较少,明显降低了分类器的维数复杂度。     

基于免疫遗传算法的三维大脑图像分割

利用最大熵多阈值方法对三维大脑数据进行分割时,穷尽搜索法耗时长,而简单遗传算法的搜索结果又不够稳定和精确.针对该问题,提出了一种免疫遗传和模拟退火相结合的新算法来快速求解全局最大熵.与简单遗传算法相比,免疫遗传算法采用了更佳的选择操作,以确保更多不同个体被选择来保存种群的多样性,而模拟退火机制用于拉伸免疫遗传算法的适应度函数.算法给出了选择概率的一般表达式,并采用精英策略和自适应的交叉、变异机制以改善算法的收敛性.基于IDL平台的100次仿真结果表明,三维大脑数据被成功地分为:脑白质、脑灰质和脑脊液三部分,且与简单遗传算法和传统免疫遗传算法相比,本文算法在稳定性和精确性上更具优势.     

一体化集货和配送车辆路径问题的混合遗传启发式算法

为满足电子商务客户多样化和个性化的需求,建立多约束条件的一体化集货和配送车辆调度模型.针对模型特点,采用混合遗传启发式算法求解.首先,采用自然数编码,可以使问题变得更简洁;用最佳保留选择法,以保证群体的多样性;用改进的顺序交叉算子避免优良基因片断在顺序交叉时被破坏,保证算法能够收敛到全局最优;其次,对混合遗传算法求得的精英种群进行禁忌搜索求解.通过实例计算表明,该算法好于单独使用遗传算法或是禁忌搜索算法.     

水电站优化调度的FP遗传算法

水电站的优化调度是个含有线性与非线性约束, 而且目标函数呈非线性的动态控制问题, 已有的优化方法大多基于数学规划技术。本文提出一种新方法, 即人工智能浮点表示(floationgpoint简称FP)遗传算法。它的主要优点在于状态和控制变量不必离散化, 所需内存少, 编程简单, 它为克服水库群优化运行“维数灾”问题提供了一条新途径。     

基于一因多效的遗传算法研究

在自然界中存在着"一因多效"的现象,即某一基因可影响生物的许多性状的生长发育。模仿这一生物现象,提出了基于一因多效的遗传算法,建立了基因型与表现型之间的一对多的非线性关系,打破了遗传算法中惯用的一一对应关系。并阐述了一因多效遗传算法有利于维护问题空间的多样性,从而可采用小规模种群来提高算法的运行效率。以求解Rosenbrock函数的全局最优解为例,通过与传统遗传算法的对比实验,证实了一因多效遗传算法的可行性。     

基于自适应遗传算法的脑电信号特征选择

针对脑机接口(BCI)研究中脑电信号的特征选择问题,本文提出了一种自适应的遗传算法(AGA).它与标准遗传算法(SGA)的区别在于对交叉和变异概率进行自适应选择.在SGA中,采用固定的交叉和变异概率,因而容易造成早熟和局部收敛; 而AGA对两种概率的自适应选择保留了种群的多样性,并且有利于全局收敛.为检验提出方法的有效性,将其与基于SGA的特征选择方法以及基于Fisher距离的滤波选择方法进行了比较,实验结果表明AGA的分类精度明显高于其它方法,获得了最好的模式识别性能.     

标准遗传算法的改进方案——加速遗传算法

针对标准遗传算法在实际应用中存在的问题 ,设计了简单遗传算法的一种改进形式——加速遗传算法 ( AGA) ,并对 AGA的有效性和可行性进行了理论分析和实例分析 .     

SGA(Simplex-Genetic Algorithm):一类求解Minimax问题的通用算法

在指出一般的迭代法不能保证收敛性之后,将注意力投向基于Stackelberg-NashEquilibrium的遗传算法(GA)的解决方法,并根据Minimax问题的特点指出该方法的不足之处.在此基础上,提出了SGA(Simplex-GeneticAlgorithm).仿真实例表明,这种方法速度和精度较之GA都有了很大提高,是求解最小最大问题的有效通用方法.     

求解流量监测点最优部署问题的混合遗传算法

针对网络流量监测点最优部署(Optimal Deployment of Flow Monitors,ODFM)问题,提出了ODFM问题的通用模型。将遗传算法和模拟退火算法相结合,给出了求解ODFM问题的遗传模拟退火算法(GA-SA)。通过仿真实验,将GA-SA和标准遗传算法(Standard Genetic Algorithm,SGA)以及Suh等人提出的两步近似算法(Two-Stage Approximation Algorithm,TSAA)的求解性能进行了比较。实验结果表明,与SGA和TSAA相比,GA-SA可获得15%以上的求解性能提升。