加入局部搜索的非劣分层多目标遗传算法

针对非劣分层多目标遗传(NSGA)本身所存在的局部搜索能力和易早熟的问题,鉴于模拟退火算法的局部搜索能力强和在解决易早熟问题上的优势,提出了加入局部搜索的多目标遗传算法及适用于多目标优化的模拟退火局部搜索算法和跳转准则,即在NSGA的每一代个体中的1层、2层非劣解附近进行模拟退火局部搜索.该算法能够提高非劣分层多目标遗传算法的效率,弥补了遗传算法中局部搜索能力差、易早熟的缺点.最后给出的仿真结果表明了这种算法的有效性.     

用遗传算法求解多目标0/1背包问题

扼要介绍多目标优化的Pareto最优性概念 ,研究搜索多目标 0 1背包问题Pareto最优解集的快速遗传算法 (FPGA :fastParetogeneticalgorithms) .FPGA采用种群中非支配解的层次评价可行解的适应值 ,提出了一种快速非支配解层次辨识算法 ,辨识算法仅有O(n2 )数量级的计算复杂性 ;采用基于聚类概率排挤的小生态技术维持种群多样度和Pareto最优解集的分布均匀性。对多种多目标 0 1背包问题的仿真优化实验结果表明 ,FPGA能够以有效的计算成本搜索到精度高的、分布均匀的高质量Pareto非劣解集 ,其收敛速度和收敛准确性一致地优于代表性的强度Pareto进化算法 (SPEA) .     

一种快速实现多峰值函数优化的改进遗传算法

针对基本遗传算法具有的收敛早熟、局部搜索能力差等缺点,提出了一种快速实现多峰值函数优化的改进算法。该算法包含并行小生境技术、可疑峰值点判断、引入局部搜索参数等策略,并采用C语言成功编写了通用程序。数值算例表明：该改进算法能有效防止早熟收敛,明显提高遗传算法的收敛效率,快速搜索到目标函数的所有最优点。该算法对求解多峰值函数优化问题具有普适性。     

基于改进PSO的中厚板轧制规程能量优化设计

基于中厚板轧制规程优化是多个连续决策变量的复杂非线性优化问题,以最小化轧制能耗为目标,建立轧制规程的能量优化设计模型;基于粒子群优化算法(particle swarm optimization,PSO)进行轧制规程优化设计,通过规划最佳道次板厚分配实现轧制能耗目标最优;针对中厚板轧制生产特点及其对算法全局搜索能力和收敛速度的要求,提出一种改进PSO,通过构造新的惯性权重和加速系数非线性调整策略,平衡算法不同阶段的粒子全局搜索和精确搜索能力,引入局部平均值的同时构造非线性局部加速系数,以减小对收敛速度的影响。研究结果表明:改进PSO应用于轧制规程优化,能耗明显降低,全局搜索能力强且收敛速度快,综合性能比遗传算法、标准PSO及几种常用改进算法的优。     

柔性作业车间调度的动态禁忌粒子群优化算法

针对复杂的多目标柔性作业车间调度问题(FJSP),提出一种基于全知型粒子群优化(FIPS)和动态禁忌搜索(TS)的混合Pareto算法,它在利用FIPS的全局搜索能力确定搜索方向后,通过TS进行有效的局部搜索以提高算法的搜索性能.该算法采用基于强度的适应度函数来评价粒子,以使非劣解均匀分布于Pareto前沿;采用基于公共关键块的多种邻域结构,既保持了种群的多样性,避免算法陷入局部最优,又有效提高了算法的收敛速度.算法中还引入了基于变异的自适应扰动策略来进一步增加解的多样性.对不同规模实例的比较实验表明,文中所提出的算法具有较好的搜索性能,是一种求解大、小规模多目标FJSP的有效算法.     

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.     

优化搜索空间划分的遗传算法的研究与实现

针对遗传算法中早熟收敛和容易陷入局部收敛的问题,提出优化搜索空间、遗传算法算子的一些改进策略,即利用搜索空间划分实现优良等位基因单元稳定遗传到下一代中,利用禁忌域和有效域快速提高算法的实现性能.改进的算法能有效减少搜索空间、避免算法早熟,使得算法的全局搜索能力和局部搜索能力比其他遗传算法均得到了较大的提高.函数求最优解和服装设计算法的实现,证明了改进算法的平均收敛速度和收敛到最优解的效率都优于其他遗传算法,实验验证了所提出的算法思想的可行性和有效性.     

并行混沌与和声搜索的多目标混合优化算法

针对传统的混沌优化算法对初始值敏感、搜索精度低和收敛速度慢,以及和声搜索收敛不稳定、处理多目标优化问题时适应性差等不足,研究了一种多目标并行混沌与和声搜索混合优化算法(MOCOHSA).MOCOHSA利用并行混沌优化的全局搜索能力与和声搜索算法的局部搜索能力,并在和声搜索中引入自适应操作,在解决多目标优化问题时表现出良好的搜索速度和收敛性能.对8个多目标优化测试函数的优化计算中,该算法表现出比其它多目标优化算法更好的性能.算法最后用于解决卫星热管设计问题.     

一种基于双子群的改进粒子群优化算法

针对粒子群优化算法易于陷入局部最优解并存在早熟收敛的问题,提出了一种基于双子群的改进粒子群优化算法(TS-IPSO),通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围,借鉴遗传算法的杂交机制,并采用惯性权值的非线性递减策略,加快算法的收敛速度和提高粒子的搜索能力,降低了算法陷入局部极值的风险.实验结果表明该...     

改进小生境遗传算法在元搜索引擎调度优化中的研究揪

针对多独立搜索引擎组合调度时查询精度、查询完全度和响应时间不理想等问题,结合元搜索引擎调度特点对多独立搜索引擎组合调度进行动态优化。文中借鉴小生境思想,将小生境技术与遗传算法相结合,提出了一种多目标组合优化调度的改进小生境遗传算法。该算法使每个个体在其小生境内进行局部寻优操作,保证了群体的多样性,增强了局部搜索能力,抑制了种群的早熟现象。在多个子目标不能同时达到最优时,采用个体综合适应度对各个目标函数的适应度进行加权,来协调优化各搜索引擎的组合,找到搜索引擎组合调度序列的非劣解。仿真实验结果表明该算法提高了元搜索引擎的调度效率,在查询精度和计算速度上均优于常用的查询优化技术。     

基于改进粒子群算法优化电梯群控系统

给出的粒子群优化算法是一种群智能优化技术，利用群体和个体的智能行为来求解组合优化问题，并将多目标问题分别在粒子的各子种群中以内在并行的方式搜索多个非劣解，同时对各子种群粒子的适应度采用积分排序，较好地解决了电梯群控系统的多目标问题。充分弥补了传统方法解决多目标问题出现的不足。针对不同客流强度进行分析，分别得到不同平均的候梯时间和乘梯时间，结果表明采用此种改进的粒子群算法充分保证了算法的收敛速度和精度。     

基于改进遗传算法的智能组卷研究

通过在遗传算法中引入个体浓度的选择机制和记忆机制,确保了进化过程中种群内个体的多样性,避免局部收敛,保证了算法朝优化方向进化.实验结果表明改进算法能跳出局部收敛,有效避免了早熟产生和遗传退化现象出现.     

运用改进遗传算法的输电网规划

遗传算法对许多问题是有效的，但普通遗传算法只能保证全局最优解的出现而不能保证每次都收敛于全局最优解，其原因是在搜索过程中出现的全局最优解不能保留下来，针对这一问题，本文将改进自适应代沟方式的遗传算法用于输电网规划中，一方面保证了计算结果有多个解可供选择，另一方面加快了搜索速度，提出了搜索性能，算例表明了这种改进方法的优越性。     

改进灾变遗传算法及其在无功优化中的应用

针对灾变遗传算法的早熟和稳定性问题,提出了一种改进灾变遗传算法,设计了与进化代数相关的改进灾变算子;为了兼顾算法的全局性能和收敛速度,设计了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.IEEE14节点和IEEE30节点无功优化算例表明,该改进算法具有良好的全局性能和收敛速度,适合求解电力系统的无功优化问题.     

格雷码混合加速遗传算法及其性能分析

通过在格雷码遗传算法进化过程中加入单纯形法学习算子,并利用格雷码遗传算法和单纯形法所得到的优秀个体群,作为变量新的变化范围,逐步缩小搜索空间,自动向最优解收缩,提出了求解非线性规划问题全局解的一种快速算法--格雷码混合加速遗传算法(GHAGA).为了在可行域内能得到全局最优解,在参数的定义域内投放了大量的均匀随机初始点作为初始群体.给出了GHAGA算法实施的详细步骤,建立了GHAGA相应的收敛定理,并分析了该算法的全局优化性能.理论分析和数值模拟表明,GHAGA具有精度高、收敛速度快的特点,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较好的非线性规划方法.     

多目标遗传算法在机器人路径规划中的应用

针对具有多个优化目标的机器人全局路径规划问题，提出一种改进的多目标优化遗传算法。在初始群体的生成中，采用把随机法和基于问题先验知识的启发式方法相结合的策略，以加快收敛速度；在遗传算子的设计中，引入删除、修复和平滑算子，以提高算法的搜索效率；在选择算子中。加入避免外部存储器中出现相同个体的机制，以防止早熟收敛。仿真结果表明：该文算法运行一次能够有效地产生一组近似Pareto最优路径解。     

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。     

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。     

应用改进遗传算法的电力变压器优化设计

为了提高遗传算法在电力变压器优化设计中获得全局最优解的能力，对传统遗传算法的编码方案、遗传算子以及约束条件、适应值函数等方面进行改进研究，提出了一种改进遗传算法，并应用经典数学函数进行验证，结果表明改进遗传算法具有较高的寻优效率。在此基础上提出了适应于求解多目标优化的改进遗传算法，并将改进遗传算法首次应用于S9系列电力变压器的单目标和双目标的优化设计中。应用实例表明，文中提出的改进遗传算法（IGA）具有更强的全局寻优能力和更高的求解精度，对电力变压器的优化设计效果明显。     

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。