一种改进的小生境遗传算法

简单遗传算法（SGA）存在早熟收敛和后期收敛速度慢的弱点，基于小生境（niche）技术的改进遗传算法因其较好地保持了种群多样性，显示出更优的性能，但它存在操作复杂、比简单遗传算法更费时的缺陷，因此提出了一种基于自适应的小生境遗传算法。该算法在多模函数的优化中能够保持种群多样度的稳定性，获取合适的子种群规模，从而以更快的收敛速度获得更优的解。仿真结果表明该算法高效、可靠，易于实现。     

一种改进的小生境遗传算法

简单遗传算法（SGA）存在早熟收敛和后期收敛速度慢的弱点，基于小生境（niche）技术的改进遗传算法因其较好地保持了种群多样性，显示出更优的性能，但它存在操作复杂、比简单遗传算法更费时的缺陷，因此提出了一种基于自适应的小生境遗传算法。该算法在多模函数的优化中能够保持种群多样度的稳定性，获取合适的子种群规模，从而以更快的收敛速度获得更优的解。仿真结果表明该算法高效、可靠，易于实现。     

基于代沟信息的自适应遗传算法

针对现有自适应遗传算法无法兼顾群体特性 ,难以稳定地收敛到最优解的问题 ,从种群多样性和适应度均值变化的角度 ,分析了进化停滞或退化的原因 .以种群适应度均值和多样性作为概率调整依据 ,提出了一种新的基于种群代沟信息的自适应遗传算法 .利用相邻两代群体间的适应度差异和多样性差异信息 ,设计了遗传概率的自适应调整策略 ,使算法维持较好的多样性 ,有效避免了早熟 .并证明了算法收敛性 .仿真结果表明该算法能够使种群保持良好的可进化性和收敛性 .     

一种模糊控制小生境遗传算法的应用研究

基于遗传算法的基本原理,提出一种改进的遗传算法,将模糊控制思想与小生境技术引入到其中,从而保护种群的多样性,同时使每代最优解得以保存.遗传算法加入小生境技术后虽可保持种群群体的多样性,但是不可避免的会产生部分个体的早熟以及陷入局部最优,于是加入模糊控制思想,对种群的交叉概率Pc和变异概率Pm进行模糊控制,以此为基础,形成了一种新型的模糊控制小生境遗传算法.最后通过对三个典型函数的数值分析证明了该方法的有效性和可行性.     

基于混合遗传算法的自适应神经网络优化设计

传统遗传算法优化神经网络存在"近亲繁殖"、"早熟收敛"、收敛速度慢和容易陷入局部极小等缺点.将适应度与相应的个体数目相联系,提出一种自适应交叉变异概率,并将其用于遗传操作,使得个体具有较强的多样性,一定程度缓解种群"早熟";将单纯形法和遗传算法结合到一起,使遗传算法的搜索更具有方向性,提高遗传算法的搜索能力,加快收敛速度.仿真实验进一步证明本文提出的算法对加快收敛速度,防止"近亲繁殖",保持种群多样性比较有效.     

基于代沟信息的自适应遗传算法

针对现有自适应遗传算法无法兼顾群体特性，难以稳定地收敛到最优解的问题，从种群多样性和适应度均值变化的角度，分析了进化停滞或退化的原因．以种群适应度均值和多样性作为概率调整依据，提出了一种新的基于种群代沟信息的自适应遗传算法．利用相邻两代群体间的适应度差异和多样性差异信息，设计了遗传概率的自适应调整策略，使算法维持较好的多样性，有效避免了早熟．并证明了算法收敛性．仿真结果表明该算法能够使种群保持良好的可进化性和收敛性．     

改进的自适应遗传算法及其工程应用

引进小生境技术、种群迁移以及增加杂交个体之间的海明距离对自适应遗传算法进行了改进,从而建立了改进的自适应遗传算法,改善了传统的遗传算法局部收敛和早熟的现象,大大加快了全局搜索的速度以及搜索全局最优解的概率.工程实例表明:提出的改进自适应遗传算法应用于岩土工程的位移反分析具有搜索速度快、精度高等优点;同时对初始种群的形成方式、种群规模以及最大杂交概率、最大变异概率进行了参数分析.     

一种新的基于小生境的自适应遗传算法

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的问题,根据群体适应值的分布特点,启发性地提出了一种新的基于小生境的自适应遗传算法(ANGA).采用一种新的适应值计算方法,引入了一个自适应的常数Cmin,根据群体中各个个体的适应值分布情况加以启发,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.同时采用了小生境技术,并对交叉和变异位置引入了自适应的非均匀选择机制.采用3个典型的全局优化测试函数进行了验证,仿真试验表明该方法能够明显地改善全局寻优能力,并大大加快了收敛速度.     

基于免疫遗传算法的多播QoS路由算法

提出一种基于自适应免疫遗传算法的多播QoS路由算法,该算法不仅能随种群进化的需要自适应调整交叉概率和变异概率,而且还通过引入免疫算子,在保证群体多样性的同时得到Pareto最优解.该算法能近似模拟自然界及生物个体竞争、繁衍和死亡的过程,具有较好的空间收缩能力和局部求精能力,能加快收敛速度和提高收敛精度.从而克服遗传算法的早熟问题.仿真结果验证了算法的有效性.     

结合聚类模型和自适应模型的遗传算法

在进化后期,自适应遗传算法有助于保存种群中的优秀模式;但在进化初期,对适应度值大的个体的保护,易降低种群的多样性、减弱算法的搜索性能。基于聚类的遗传算法可以提高遗传算法的收敛速度和搜索性能,但交叉概率和变异概率取定值,易使优秀模式在进化后期遭到破坏,难以收敛到全局最优。在遗传算法中同时引入聚类模型和自适应模型,有利于继承两类改进型遗传算法的优点,克服各自的不足。使用经典的测试函数对引入聚类模型和自适应模型的遗传算法进行测试,仿真结果表明:同时引入聚类模型和自适应模型的遗传算法比引入聚类模型或自适应模型的遗传算法具有更好的收敛速度和寻优能力。     

小生境技术对遗传算法的改进作用研究

将标准遗传算法用于最优化问题时存在早熟收敛和后期收敛速度缓慢的现象.本文扼要分析了遗传算法的运行机制,提出一种基于小生境改进遗传算法;对复杂函数的遗传优化仿真实验数据表明,改进的遗传算法不但具有良好的全局收敛可靠性,而且具有快的收敛速度.     

一种基于自适应分组排挤的遗传算法

为防止进化种群早熟收敛,并考虑保持种群多样性,加快寻优进程,提高寻优效率,提出一种基于自适应分组排挤的遗传算法,在寻优过程中将种群个体进行分组,在分组的基础上基于海明距离引入自适应的排挤机制,最后将该算法与基于海明距离排挤算法和简单遗传算法进行比较,证明其可行性和有效性.     

基于自适应并行遗传算法优化设计的有源滤波器

提出一种用于有源滤波器的改进自适应并行遗传算法设计.引入了两个自适应算子:其一根据进化过程实现交叉和变异概率的自动调节;其二通过设计随机个体集和健壮个体集,实现种群个体的多样性和保护适应度高的个体不被破坏.采用基于岛屿的交换模型实现多种群间信息交换,扩大了种群的规模和相应的搜索空间.给出了利用该方法设计四阶切比雪夫低通滤波器的设计结果,并与基本遗传算法进行了比较实验,结果表明该算法收敛速度快、精度高,有效地克服了早熟现象.为大规模有源滤波器设计提供了方法上的支持.     

基于改进遗传算法的非线性方程组求解

 采用种群隔离机制、最优保持策略、算术杂交、自适应随机变异和异种机制等方法对遗传算法进行了改进。在保持遗传算法仅需目标函数值信息即可求解这一优点的基础上,这一改进方法增强了遗传算法的局部搜索能力。将该方法应用于非线性方程组的求解。数值算例表明,该方法能够求解以非线性方程为等式约束的〖JP2〗最优化问题。此外,异种机制的引入加快了遗传算法的收敛效率,有效提高了遗传算法收敛于全局最优解的概率。     

基于改进遗传算法的水库群优化调度研究

提出一种基于自适应遗传算法的水库群优化调度问题的求解方法,并对其性能进行了分析。结果表明,该方法可以随个体适应度的大小及群体的分散程度自动调整遗传控制参数,较好地克服了标准遗传算法由于采用固定遗传控制参数带来的若干问题,能够在保持群体多样性的同时,加快收敛速度,提高遗传算法的全局寻优能力,为高精度水库群优化调度提供了一个新的途径。     

一种新的自适应免疫遗传算法

 为了克服传统遗传算法收敛速度慢和容易陷入局部最优的不足,提出了一种新的自适应免疫遗传算法SIGA(Self-adaptive Immune Genetic Algorithm)。新算法对遗传算子进行改进,提出了自适应交叉和变异算子,保证了种群多样性和防止早熟现象发生;为了使免疫算子兼顾个体多样性和提高种群个体适应度的水平,提出了基于相似性矢量距离的免疫选择算法。实验表明,与传统的遗传算法和免疫算法相比,该算法收敛速度提高了3~90倍,求解精度达到10^-3,并有效地抑制了早熟现象。     

自然杂交对植物物种生存进化的影响

自然杂交是一个常见现象,人类活动正加速自然杂交的发生,人类干扰导致的非自然的杂交过程对物种的生存、进化产生许多负面影响,本文根据文献对近年来自然杂交方面的研究进行了综述。自然杂交不仅影响着物种的生存、进化,也对物种的保护问题带来许多理论上与实践上的挑战。杂交与遗传渗入有利于提高物种的遗传多样性,为物种的进化提供原材料。遗传渗入有利于增加物种的适应性变异,甚至导致新的生态型、新物种的产生。但另一方面当小种群与大种群发生杂交时,小种群很易受遗传同化的影响而灭绝。自然杂交对生物学物种概念提出了挑战,自然杂交往往模糊种间边界,形成分类学及系统发育研究中的困难类群。自然杂交能通过强化种间生殖隔离机制来促进类群间的进化趋异,也能导致种间生殖隔离机制的崩溃,引起物种的融合而降低生物多样性。文章认为在当前生物入侵、物种灭绝加速的情况下,人们需要关注在什么条件下隔离机制被打破导致杂交的发生、遗传渗入形成机制以及如何采取有效措施防止杂交及遗传渗入对物种遗传多样性的影响。     

用改进的遗传算法求解流水车间作业排序问题

针对流水车间(Flow-shop)作业排序问题，提出了两种改进的白适应遗传算法并给出了两种编码、解码方案。把此算法与现有的几种解法进行了比较，实验数据表明，改进的遗传算法在求解质量和效率上均优于传统的遗传算法和其他白适应遗传算法。