基于改进遗传算法的火力分配寻优模型研究

为求解远程火力打击方案优化问题，设计一种基于剪枝的改进遗传算法。基于不同时期的种群适应度，调整自适应选择策略和自适应交叉策略，提高了算法的收敛精度，加快了收敛速度。在确保种群多样性的前提下，保证了算法的收敛性。仿真试验对比结果分析表明所设计的改进算法具有更高效的寻优能力。     

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。     

基于网格和排序的自适应遗传算法及其性能分析

提出了一种改进的自适应遗传算法.它使网格法思想在二进制编码表示个体的情况下得以实现，因此保证了初始种群内个体的遍历性和多样性；其遗传算子由个体在种群中的排序位置自适应地决定.该算法能维持种群内个体在各个运行阶段多样性，加快种群收敛速度，克服遗传算法早熟现象.几种典型的多峰函数优化结果证明该算法的有效性和实用性.     

自适应粒子群算法求解排课问题

针对传统排课效率低、漏排课、冲突率高等问题，利用自适应粒子群算法（SAPSO）进行排课仿真研究.首先，将粒子群算法中的固定惯性因子改进为随着迭代次数变化而不同的自适应权重，以加快寻优速度；然后，为了防止种群陷入局部最优，定义了种群相似度函数；最后，在种群中加入最差个体位置信息以增加种群混乱度，从而提高算法的全局寻优能力.仿真结果表明，SAPSO在收敛速度较快的情况下，寻优精度优于蒙特洛卡算法和改进遗传算法.     

一种改进的自适应遗传算法

针对传统遗传算法存在的 "早熟"以及在后期搜索效率低的问题,分析了目前常见的几种种群早熟程度的评价指标,提出了一种新的种群"早熟"程度评价指标,并据此实现了一种改进的自适应遗传法算法.仿真结果表明,该算法不仅能加快遗传算法收敛速度,而且还能增强算法的稳定性.     

SIGA: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。     

基于生物入侵思想的自适应遗传算法优化

为了改进遗传算法的性能,针对标准遗传算法存在的早收敛及稳定性差的缺点,分析这一问题的原因及应对措施。选择使用基于生物入侵思想的自适应遗传算法进行优化,根据种群的实际情况对交叉概率、变异概率及入侵概率进行动态调整,使算法具有更好的鲁棒性。通过对标准遗传算法、自适应遗传算法、改进的自适应遗传算法和基于生物入侵思想的自适应遗传算法进行仿真验证得知,优化后的算法具有更好的适应度曲线,表明其能够有效的克服不成熟收敛,具有更快的收敛速度及更好的的稳定性。     

负荷建模参数辨识中综合改进遗传算法的应用

参数辨识是负荷建模的关键之一,针对遗传算法本身存在的缺陷,提出一种综合改进的遗传算法.该算法通过初始种群选择、最优个体保留、自适应交叉和变异率等方面进行综合设计,有效地避免了早熟和近亲繁殖,提高了收敛速度.建模实践表明,所提的综合改进遗传算法可加速收敛,缩短辨识时间,同时提高了拟合精度,克服了参数的分散性,是一种适合于负荷建模参数辨识的优化算法.     

数字电路设计的改进遗传算法

针对传统遗传算法应用于数字电路设计时出现的未成熟收敛和收敛速度慢等问题,提出了一种新的改进遗传算法,该算法对每次迭代产生的种群进行适应度分布和个体差异度的统计,并根据统计结果进行种群规划.实验结果表明,该算法使种群具备更好的多样性,从而显著地提高了电路的正确率和算法的收敛速度.     

遗传算法参数自适应控制的新方法

根据遗传算法参数自适应控制方法的不同分类,采用基于启发式规则的参数控制方法对遗传算法的种群数进行了宏观调控和微观调控。并采用不同特点的模糊控制器分别控制交叉率和变异率,使种群数、交叉率和变异率都能够随进化的实际情况发生自动调整,形成了一种新的种群数变化的模糊自适应遗传算法。实验数据表明这种算法能够有效防止遗传算法早收敛,同时也说明对参数进行自适应控制能够使遗传算法性能大大提高。     

基因遗传算法用于人工神经网络的训练

根据基因遗传算法GA的基本原理,阐述了GA用于神经网络训练问题的适合度函数和编码方法,分析了标准GA的不足,提出了自适应浮动区间中心点、全局搜索和局部精确搜索等改进策略,发展了GENITOR算法.训练实例表明,GA不仅能代替BP算法,而且能完成神经元激发函数不可微的多层神经网络的训练.     

面向作业车间调度问题的遗传算法改进

为了获得遗传算法在作业车间调度问题上的最优化解,提高算法的迭代速度,研究了遗传算法的改进方法,以工件的加工时间最短为目标建立调度模型。在算法上提出了基于概率改进的具有自适应能力的交叉与变异算子,以求作业车间调度问题的最优解。在遗传算法上采用精英保留策略方法,并结合改进的自适应算子对问题进行求解。以基准案例LA01和FT06作为实验仿真对象,获得了相应的甘特图以及搜索过程曲线。仿真结果表明,与未改进的算法相比,该算法能够更加快速地获得最优解。改进后的算法在搜索上更加快速有效,在求解作业车间调度问题上具有一定的可行性,更加适合工业加工生产。     

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.     

用基于实数编码的自适应遗传算法求解产量预测模型

产量预测模型本质上都是具有若干待定参数的非线性模型 ,对它的求解可表示为一个连续参数优化问题。用基于实数编码的自适应遗传算法对产量预测模型进行了求解 ,并针对模型求解的特点 ,提出了自适应变异、最优个体保留、分段定义变加权适应度函数等若干改进措施 ,从而加快了运算速度 ,保证了问题的收敛 ,并可按需要区别对待不同时间阶段动态数据对拟合效果的影响。该方法具有通用性 ,几乎所有的模型都可用其求解。用实测数据对Weng旋回模型和产量双曲递减曲线进行了求解 ,实例分析表明该算法具有较强的实用性。     

改进的遗传谐振匹配网络学习算法

针对简单自适应匹配（SFAM）网络结构冗余的问题提出一种改进遗传谐振匹配网络学习算法.通过引入群体适应度均值和标准差来自适应调整交叉概率和变异概率;针对自适应谐振网络自身在训练过程中可能出现的类冗余问题,在遗传操作中引入裁剪算子,通过定义置信度因子依据规则对训练过程中网络可能出现的冗余类标志节点进行删除,降低网络结构的...     

在遗传算法基础上的自动阈值选取方法

将遗传算法用于图像分割.利用遗传算法自动在搜索空间内快速寻优的特点确定阈值,对图像进行分割.实验结果表明该方法具有较高的收敛速度和良好的分割质量.     

基于改进的自适应遗传算法HCGA的测试数据自动生成

针对软件测试数据的自动生成,提出了一种自适应遗传算法和爬山算法相结合的改进算法HCGA. 通过设计自适应交叉和变异算子,加强了遗传算法的前期全局搜索能力;在进化后期嵌入了爬山算法,提高了局部搜索能力. 实验结果表明,该算法在测试数据的自动生成上优于遗传算法,提高了效率.     

一种改进的两代竞争遗传算法

两代竞争遗传算法改变了简单遗传算法的选择机制，提高了搜索效率．但是两代竞争遗传算法易出现早熟现象，局部寻优能力并未改善．针对这些问题作者提出了一种改进算法，通过变异概率和交叉、变异范围的自适应调整，改善两代竞争遗传算法的搜索性能．实验表明，改进算法克服早熟现象，且能提高算法的局部寻优能力．     

基于改进遗传算法的神经网络优化

针对在神经网络应用中,存在结构设计及权值训练算法的不足,提出一种新的基于混合编码方案的遗传算法.在算法中设计了用遗传算法全局优化神经网络拓扑结构和网络权值的新的编码方案,改进了适应度函数的设计和采用自适应的交叉和变异方法.试验结果表明本算法能有效地对神经网络的权值和结构同时优化,提高了训练效率.