一种融入小生境技术的遗传禁忌算法

针对遗传算法在全局优化问题中容易出现早熟和收敛速度慢,禁忌搜索强烈依赖于初始解等问题,根据遗传算法和禁忌搜索算法自身的特点,分析两者的优势和不足,提出了一种融入小生境技术的遗传禁忌算法.该算法采用融入了小生境技术的遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优.分析和实验结果表明,该算法能很好地抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法.     

解非线性极大极小问题的格雷码加速遗传算法

引进求解非线性极大极小问题的格雷码加速遗传算法（GAGA），给出GAGA算法实施的详细步骤，建立了GAGA相应的收敛定理。对GAGA的有效性和可行性进行了理论分析和实例分析。与一般的格雷码遗传算法（GGA）相比，GAGA具有准确、快速和适用性强等特点，是一种既可以较大概率搜索全局最优解，又能进行局部细致搜索的优秀非线性优化方法，可广泛应用于各种优化问题中。     

结构最优设计问题的一种新方法

给出了结构优化设计参数识别的一种新方法——格雷码加速遗传算法。研制了格雷码加速遗传算法实施的详细步骤，并对格雷码加速遗传算法的有效性和可行性进行了理论分析和实例分析。结果表明，格雷码加速遗传算法具有直观、简便、快速、适用性强等特点，是一种既可以较大概率搜索全局最优解，又能进行局部细致搜索的非线性优化方法，可广泛应用于各种结构优化设计中。     

一种连续探索型遗传算法的设计与应用

提出了一种连续探索型遗传算法，它不仅能提高简单遗传算法的收敛速度，而且能有效地保证种群的多样性，并在全局范围内搜索解空间，得到最优解。将算法应用于多峰值函数的优化，仿真表明了该算法的有效性和效率性。     

无线传感网络改进混合移动代理路由的研究

移动代理路由的本质是一个多约束条件下的优化问题,针对遗传算法快速随机的全局搜索能力,但对于系统中反馈信息却无法利用、求精确解效率低的问题,本文提出了一种遗传蚁群混合算法的WSN移动代理路由方法.利用遗传算法快速随机的全局搜索能力找到较优解,将较优解代换成蚁群算法的初始信息素,最后采用蚁群算法收敛速度的优点,找到移动代理路由全局最优解.仿真结果表明,该算法能在较短的时间找到最优移动代理路由,相对于其他的路由算法,减少了网络延时和平均能量消耗,提高了数据传输的速度和效率.     

一种基于遗传优化的路由控制策略

遗传算法是通过模拟自然进化过程有效解决最优化问题的计算模型,在实际操作中得到广泛应用.但由于遗传算法的选择策略使每一代的优良个体大量的遗传到下一代,且适应度函数设定的差异,使最优个体很快充斥整个群体,缺少物种多样性,导致算法很快收敛于局部最优解,达不到全局优化.针对遗传算法存在的这一问题,结合禁忌搜索算法能够禁忌搜寻过的最优解而引入裂解、增加种群多样性的特性,提出了一种基于遗传优化的路由控制策略.该策略将遗传算法得到的最优解作为禁忌搜索的初始解,提出将染色体模版作为禁忌对象,并以此模版为基础建立邻域的方案.仿真实验表明,该策略能够有效的抑制遗传算法过早收敛的问题,减少了全局能量的消耗,从而延长了网络生命周期.     

基于格雷码和进化策略的遗传算法研究

进化策略能快速地搜索全局最优解。格雷码编码具有较强的局部搜索能力。针对Rosenbrock函数采用基于进化策略的格雷码来优化遗传算法,实验表明这种结合既能较快速地搜索适应度较大的个体,也可以大概率地搜索全局最优解。是一种快速进行局部细致搜索的优秀的非线性方法。     

用遗传算法C-均值聚类分割医学彩色图像

图像分割和对象提取是从图像处理到图像分析的关键步骤 .经典的C -均值聚类算法 (CMA)是将图像分割成C类的常用方法 ,但依赖于初始聚类中心的选择 .该算法通常得到的是局部最优解而非全局最优解 .遗传算法是一类全局优化搜索算法 .通过将遗传算法 (GA)与CMA相结合 ,对医学彩色图像直接按红绿蓝 (RGB)三色空间进行聚类 ,用遗传算法搜索全局最优解 ,有效地避免了C -均值聚类算法收敛到局部最优的问题 ,并在此基础上实现了对医学病理彩色图像的分割和对象提取 ,得到了比较满意的效果     

MT资料反演的一种实数编码混合遗传算法

设计了一种求解一维大地电磁测深反演问题的实数编码混合遗传算法,它是通过单纯形搜索与遗传算法结合而成。针对传统的遗传算法在优化应用中存在局部搜索能力弱、计算量大、对较大空间适应能力弱和早熟收敛,而基于局部线性化的单纯形法易使解陷入局部极小值,严重依赖初始模型的选择等问题,在遗传算法中加入一个改进的单纯形搜索算子,并采用最优群体保留策略。该新算法既具有遗传算法的全局收敛性,又具有单纯形法的快速收敛性。对各种类型的大地电磁测深理论曲线进行计算,结果表明:采用实数编码混合遗传算法进行反演具有收敛速度快、解的精度高和避免出现早熟等优点,可用于大地电磁资料解释。     

应用改进小生境遗传算法优化BLDCM调速系统的PI参数

本文以无刷直流电动机的转速控制器作为研究对象,应用改进的小生境遗传算法（INGA）对其PI参数进行了优化设计,该算法针对常规遗传算法很难搜索到全局最优解的缺点,通过将单纯形法与小生境遗传算法相结合形成了一种全局优化算法,并使用MATLAB软件进行了动态跟随性能的仿真实验,结果表明采用该算法确能优化调速系统的性能。     

基于改进遗传算法的多维函数的优化计算

针对标准ＧＡｓ在多维优化中存在的弊端,提出了一种改进ＧＡｓ,在染色体基因解码方式,交换与变异算子、适应函数设计等方面做了改进。通过对极难优化函数的优化计算,说明该算法有良好的全局搜索能力和较快的收敛速度。     

一种新的混合粒子群优化算法

 针对粒子群优化算法容易陷入局部极值,进化后期收敛速度慢、精度低等缺点,本文将粒子群优化算法与遗传算法相结合,在基本粒子群优化算法中引入了正态变异算子,提出了一种新的混合进化算法,新算法增加了种群的多样性,增强了算法的全局寻优能力,提高了算法的搜索效率。使用新算法对经典函数进行优化测试,结果表明,本算法保持了粒子群优化算法简捷快速、容易实现的特点;同时,正态变异算子的引入提升了算法后期的收敛速度与全局搜索能力。新的算法能够以更小的种群数和进化代数获得较好的优化能力,在克服陷入局部最优和收敛速度方面均优于基本粒子群优化算法、遗传算法以及加入混沌扰动的粒子群优化算法（CPSO）。     

融合正弦余弦算法的蝴蝶优化算法

针对蝴蝶优化算法存在收敛速度慢、求解精度差和易陷入局部最优等缺陷,提出一种融合正弦余弦算法的蝴蝶优化算法。首先在蝴蝶自身认知部分引入非线性自适应因子,其次重新定义香味浓度计算公式,最后在局部搜索阶段引入改进的正弦余弦算法。通过19个基准函数的测试,实验结果表明,本算法在收敛速度、寻优精度和鲁棒性方面均优于蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)、正弦余弦算法(Sine Cosine Algorithm,SCA)、樽海鞘群算法(Salp Swarm Algorithm,SSA)、狼群算法(Grey Wolf Optimizer,GWO)和布谷鸟搜索算法(Cuckoo Search Algorithm,CS),与其他改进蝴蝶优化算法相比,在寻优精度方面也具有一定优势。     

应用小生境混沌搜索策略的花朵授粉算法

针对花朵授粉算法（FPA,flower pollination algorithm）存在的全局收敛能力不足、寻优精度低、易早熟等局限,提出一种应用小生境混沌搜索策略的花朵授粉算法（NCFPA,flower pollination algorithm with niche chaotic search strategy）。为增加算法搜索的广度,使用小生境技术保持种群的多样性,提升了算法的全局优化能力;引入逻辑自映射函数产生的混沌序列对精英个体进行局部优化,增强算法的搜索精度;通过经典测试函数对算法性能进行测试。测试结果表明,与花朵授粉算法、差分进化（DE,differential evolution）和蝙蝠算法（BA,bat algorithm）相比,NCFPA表现出较优的全局寻优能力和搜索精度。     

基于免疫克隆选择算法的特征选择

提出了一种基于免疫克隆选择算法的特征选择方法．特征选择可以被看成是一个组合优化问题,利用免疫克隆选择算法快速收敛于全局最优的特性,加快搜索到最优特征子集的速度,为后续模式分类提供良好的判别依据．实验结果表明算法在保持甚至提高分类精度的同时,有效地降低了特征维数．与基于遗传算法特征选择的结果相比较,在有限代数内,该算法能收敛到更优的特征子集,从而验证了算法的有效性及其应用潜力．     

遗传算法在路基边坡稳定分析中的应用

路基边坡稳定性评价的关键是如何确定最危险滑裂面的位置并计算与之相对应的安全系数,是非线性优化问题。为克服传统优化分析方法容易陷于局部最优解的缺点,本文利用模拟自然进化过程的遗传进化算法来搜索最危险滑动面,提出了一种路基边坡稳定性分析的遗传进化调优算法,它是一种全局优化分析方法。     

基于改进免疫遗传算法的配电网网架规划

为了解决传统方法难以实现配电网网架规划组合优化的问题,针对改进免疫遗传算法具有生物免疫系统中抗体多样性的保持机制和基于抗体浓度的调节更新机制,同时又具有一般进化算法的随机搜索能力,采用改进免疫遗传算法对配电网网架规划进行求解,提高了种群的多样性和遗传算法的全局寻优能力.优化模型以网络年费用最小为优化目标,以线路传输容量、电压降、配电网的辐射性等为约束条件;根据配电网辐射性的要求,以备选网络的生成树作为初始解,从而避免了随机产生初始可行解时速度较慢的弊端.并借鉴支路交换的思想设计杂交算子和变异算子,以避免辐射性检查过程,使得算法的寻优能力大为增强.通过算例验证了该算法的有效性,同时算例结果表明该算法的计算速度比常规免疫遗传算法的计算速度有较大提高.     

前馈网络的遗传混沌搜索耦合学习算法研究

针对神经网络的BP算法易陷入局部极小的问题,提出了遗传混沌搜索耦合的学习算法。其原理是在遗传操作中加入混沌替换因子以防止算法早熟,而后对由遗传算法进行"粗搜索"所得的结果进行混沌"细搜索",有效地利用了遗传算法和混沌寻优的全局性的优点。普通的遗传编码是以一条长字符串为染色体,该方式存在搜索时间长、破坏了神经网络权值和阈值的整体性的缺点,提出的基于矩阵的细胞体编码方式克服了这一缺点。     

一种相对快速收敛的遗传算法的探讨

GA作为一种新的全局优化搜索技术比起其他搜索算法,优点明显,其不足之处是当搜索具有复杂染色体结构的求解空间时收敛速度慢。针对这问题提出了一种改进的相对快速收敛的GA算法的思路:增加对染色体的分割与重组操作,依据于各段的结构和段长,组成段群体,对其实施遗传操作以寻找优化段,重新组合成完整的染色体来搜索优化解。