一种改善遗传算法测试数据自动生成的策略

遗传算法（Genedc Algorithms,简称GA）有良好的全局搜索能力,针对该算法对于局部空间的搜索问题不是很有效,易陷入“早熟”（过早收敛）,在局部搜索不是很好的情况下,提出一种自适应免疫遗传算法并改造以提高算法的性能的实现方案。并着重探讨了其设计与实现。     

一种克服遗传算法早熟的参数调整及并行方法

遗传算法是一种自适应全局优化概率算法，容易产生早熟（过早收敛）现象，影响了问题的求解，本试图借助于多种群进货和种群间个体移植的概念，通过自适应控制参数的调整，利用移植并行的方法求出问题的最优解（或近似最优解）以使避免早熟，从而提高算法的搜索范围和效率。     

一种模拟人类繁育方式的自适应遗传算法

为了克服标准遗传算法容易出现的早熟收敛现象、全局收敛速度慢等问题,将人类特有的繁育方式引入到遗传算法中来,提出一种模拟人类繁育方式的自适应遗传算法（HRAGA）．该算法中加入了一个新的遗传算子——助长算子,并设计了一个新的自适应交叉算子和自适应变异算子,遗传个体具有雄性和雌性两种不同的性别,融合了个体的年龄和个体间的亲缘关系两种特征,在允许的年龄范围内,异性个体进行严格的远缘繁殖．通过对典型测试函数最优化问题的求解试验,证明了该算法的有效性和优良性能,其全局收敛速度和最优解的质量明显高于标准遗传算法．     

基于微分进化算法的电力系统最优潮流

将微分进化算法（Differential Evolution,DE）应用到电力系统最优潮流（Optimal Power Flow,OPF）问题中,以系统总发电成本为目标函数,除平衡节点外发电机节点有功功率、发电机节点电压幅值和可调变压器变比作为控制变量,建立了DE-OPF的数学模型．基于增广拉格朗日函数法,将状态变量约束考虑入优化的目标函数中．以IEEE30节点测试系统进行了测试,仿真结果表明,与两种遗传算法和一种改进的粒子群算法：传统遗传算法（canonical genetic algorithm,CGA）、自适应遗传算法（adapive genetic algorithm,AGA）和全面学习粒子群算法（CLPSO）相比,DE算法具有较好的全局寻优能力和较快的收敛速度,能有效地解决最优潮流问题．     

基于混合自适应遗传算法的路径规划研究

为解决供应商管理库存（VMI）模式下带时间窗的车辆路径规划（VRPTW）问题，综合考虑多种条件建立了具有多目标约束的数学模型，并创新性提出混合式自适应遗传算法，该算法在自适应遗传算法（AGA）的基础上加入了节约算法构造种群的初始解，引入了随机遍历抽样法进行选择操作，改进了算法的交叉方式，最后运用大规模邻域搜索法（LNS）对变异后的种群进行破坏和修复操作。通过MATLAB软件进行仿真实验，与传统自适应遗传算法进行对比，运输成本显著性降低了50%，据此得出该混合式自适应遗传算法在解决VRPTW问题时具有更强更科学的全局搜索和快速收敛的能力，以期更高效合理地优化供应商车辆配送路径规划。     

一种混合训练算法在数据挖掘中的研究

针对BP算法存在的缺陷,利用遗传算法能够进行全局最优化搜索这一特点,在改进的自适应遗传算法的基础上,得到了一种新的用于BP网络训练的混合算法,即改进的自适应遗传算法与BP算法相结合的混合训练方法。讨论该算法在数据挖掘中的运用。     

一种异型改进的自适应遗传算法

遗传算法搜寻全局最优解的优异特性使其在许多应用领域中获得了很好的运用,但该算法作为一种随机优化算法,对求解相对繁杂的全局优化问题易使最优解收敛至局部最优解.而标准的自适应遗传算法是在遗传算法的基础上对交叉率的值和变异率的值进行线性自适应调整,在收敛性能有所提升,但仍然不能有效避免算法的早熟.提出一种异型改进的自适应遗传算法(Heterogenic improved adaptive GA,简称HIAGA),即在对变异率和交叉率进行曲线自适应调整的同时应用精英保留策略的方法.仿真实验结果表明,HIAGA算法在处理收敛速度和避免搜寻结果成为局部最优解等方面能达到较好的处理效果.     

PSO算法在土壤水分运移参数优化中的应用

把土壤水分运移参数的拟合按照模型参数的辨识和优化问题来考虑,将粒子群优化（PSO）算法应用到土壤水分运移参数的辨识和优化中,通过仿真及与其它参数辨识和优化方法的比较表明,PSO算法得出的模型参数优于自适应免疫遗传算法和最小二乘算法,具有简单、精度高、速度快、与初值无关和全局收敛等优点,是一种土壤水分运移参数辨识和优化的新方法。     

混合遗传算法在CSTR中应用

针对遗传算法（GA）收敛速度慢,不利于在实时控制中应用这一问题,构造出一种快速收敛的混合遗传算法（HGA）,该算法利用遗传算法的全局搜索能力,并采用Nelder—Mead单纯形法来加强算法的局部搜索能力,加快了算法的收敛效率．将基于该混合遗传算法的模型参考自适应控制方法引入连续搅拌反应釜（CSTR）这一复杂的非线性系统,根据参考模型的输出,通过混合遗传算法对控制系统的PID参数进行在线寻优和在线调整,以达到参考模型所要求的控制效果,仿真结果表明了该方法的良好控制性能．     

基于纯数值函数优化的一种混合遗传算法

通过引入与进化代数相关的交叉概率和与个体适应度相关的变异概率的自适应遗传算子同时把Powell局部寻优算法融入遗传算法的搜索过程构成了一种数值函数全局寻优的混合遗传算法.实验表明混合遗传算法改善了遗传算法的局部搜索能力,有效地解决了遗传算法的早熟现象,显著提高了遗传算法求得全局解的概率.同时由于混合遗传算法中只利用函数值信息,所以该混合遗传算法是纯数值函数的优化的一种通用方法.     

基于混合遗传算法的图像分割识别方法

本文基于遗传算法（GA）与共轭梯度法（CG），提出了一种混合算法，将其用于图像分割问题寻求最佳阈值，该方法具有遗传算法的全局搜索能力和共轭梯度法的强大局部搜索的特点。试验结果表明，新算法具有快速收敛性和全局最优性。     

一种改进的图像恢复遗传算法

遗传算法作为一种高度并行、随机、自适应搜索算法,比其他传统的搜索算法在全局搜索时更有效.但利用简单遗传算法进行图像恢复时,存在严重"过早收敛"的问题,使得图像恢复质量不理想.设计了一种新的二维染色体编码方法,并与模拟退火算法相结合,实验结果表明,该方法能较好克服"过早收敛"现象,对提高退化图像恢复质量有较好效果.     

带油耗率的车辆路径问题的改进量子遗传算法研究

针对实际生活中车辆油耗会随着运载量的变化而变化,建立带油耗率车辆路径问题的数学模型,以最小化总成本为目标函数。将运输过程中随运载量变化的油耗率转化成交叉概率,自适应地改变交叉概率,提高算法的全局搜索能力;考虑车辆满载率,设计一种与运载量相关的变异概率,使其逐渐减小并使群体迅速集中,可以抑制早熟。基于以上方法构造的一种自适应遗传算法,实例进行仿真表明,提出的算法在收敛速度和寻优结果两方面略优于自适应遗传算法和遗传算法。     

一种自适应混沌局部搜索策略的遗传算法

提出了一种自适应混沌局部搜索策略的遗传算法（ACLSGA）,它是遗传算法中每一代的所有个体经过一次遗传操作之后得到一个最佳个体,通过自适应策略决定是否在最佳个体附近进行混沌局部搜索。实验结果表明：ACLSGA比具有精英保留选择机制的实数编码的遗传算法（RGA）的全局搜索能力强,收敛速度快。     

优化反向传播神经网络的自适应遗传算法

探讨了用遗传算法优化反向传播神经网络的问题。通过对不同遗传操作的分析和改进,提出了一种能有效进行局部搜索和全局搜索的自适应遗传算法。计算结果表明,该算法能快速地求出问题的全局最优解,且具有较好的计算精度。     

认知无线电频谱决策与重构技术

认知无线电（CR）是一种智能的通信系统,通过有效利用空闲频谱从而极大提高频谱利用率。本文研究认知无线电中频谱决策与自适应重构技术,提出了基于用户业务特性、无线环境以及CR节点能力的自适应频谱决策方案。当前基于加权遗传算法实现的CR自适应重构方法存在权重难以选取问题,本文提出了基于非支配排序免疫遗传算法的CR自适应重构方法。所提算法通过引入免疫算法中的浓度控制机制和均匀初始化技术改善遗传算法种群多样性,从而有效提高遗传算法的寻优能力。     

自适应SAGA算法进行全局寻优的研究

遗传算法以概率转换规则为基础,在给定问题的潜在解集中进行广泛搜索,具有很强的全局寻优能力,但收敛速度慢。模拟退火算法理论上只要计算时间足够长,就可以保证收敛于全局最优点。但是在实际算法的实现过程中,由于计算速度和时间的限制,全局寻优点的效果并不理想。将遗传算法和模拟退火相结合,提出一种混合的自适应遗传算法,可以提高收敛速度并改善全局寻优性能。     

基于自适应粒子群算法的重油热解模型参数估计

通过构造一个合适的目标函数,将化工模型参数估计问题转化为一个多维数值优化问题,然后提出一种参数自适应调整和维变异的改进粒子群优化算法来求解该问题。该算法首先利用佳点集方法初始化种群以保证粒子的多样性。惯性权重和学习因子随进化过程自适应调整,从而协调算法的全局和局部搜索能力。为了避免算法陷入局部最优,对收敛度最小的维进行变异。几个标准测试问题的实验结果表明该算法具有较强的全局寻优能力。最后将改进粒子群算法应用到重油热解模型参数估计中,并与基本遗传算法（SGA）和粒子群优化算法（SPS0）进行比较。研究结果表明：本文得到的平均相对误差为5．62％,比SGA和SPSO分别低1．08％和0．50％。     

求解TSP的改进遗传算法

遗传算法是求解旅行商问题的一种全局优化概率搜索算法方法,文中针对遗传算法较快的找到最优解并防止"早熟"收敛问题,提出了一种新的分级方法,该方法在各级中以群体当前最优个体替代各级中的最差个体,并在各级中采用自适应变异概率,改进后的遗传算法不但有效的维持了群体的多样性,而且提高了收敛速度,最后实验表明,改进的算法是可行和有效的.     

基于模拟退火改进的实参遗传算法及其工程应用

由于继承性的问题,遗传算法在编码和解码中会花费大量的计算时间;另外,由于缺乏"爬山能力",遗传算法很容易早熟和局部收敛.提出一种新的自适应模拟退火遗传算法,具有遗传算法和模拟退火的优点,同时自适应机制的引入,保证了解的质量并提高了收敛速度.将这种方法应用于螺旋弹簧约束优化设计问题中,结果表明,尽管群体规模较小,但在处理复杂问题时,这种混合算法的全局搜索能力和收敛速度显著提高.