改进遗传算法解决TSP问题

针对基本遗传算法收敛速度慢,易早熟等问题,提出一种改进的遗传算法。新算法利用贪婪思想产生初始种群来加快寻优速度,用贪婪思想来引导交叉操作,在交叉操作之前,把当前较差的一半种群替换成随机种群,最后用改进的变异算子和进化逆转操作进行寻优,利用新的遗传算法求解基本的旅行商问题。仿真结果表明,改进的遗传算法具有全局搜索能力强、收敛速度快的特点,优化质量和寻优效率都较好。     

基于多算子协同进化的自适应并行量子遗传算法

量子遗传算法具有种群规模小,全局搜索能力强的特点被广泛应用于各类优化问题的求解.为了进一步提高量子遗传算法的收敛速度和搜索稳定性,克服算法的早熟问题,本文改进了基于自适应机制的量子遗传算法.在自适应量子遗传算法的基础上根据种群的适应度定义了个体相似度评价算子、个体适应度评价算子和种群变异调整算子及相应算子的计算方法,利用多算子协同评价当前种群状态并根据进化代数的变化,自适应的改变个体的变异概率,提高了算法全局寻优能力和收敛速度,降低了算法陷入局部寻优的概率.此外,为了提高算法的时间效率,将算法采用并行多宇宙的方式实现.实验结果表明,本文提出的算法在全局搜索性能、收敛速度和时间效率方面有较好的综合表现.     

基于遗传模拟退火算法的Otsu图像分割研究

针对目前基本遗传算法在优化图像分割算法中存在的易于早熟、陷入局部最优的不足,以最大类间方差函数为适应度函数,提出了一种基于改进遗传算法的图像阈值分割算法.对交叉、变异算子进行自适应改进,同时将模拟退火算法融入到遗传算法中,使得对个体的评价更合理,既能克服种群退化现象,又改善算法的全局搜索能力,避免遗传算法陷入局部最优.实验结果显示,与Otsu图像分割法以及基于遗传算法的图像分割方法相比,使用该方法得出的阈值范围更加稳定,执行效率更高,在图像分割中获得的分割效果更佳.     

基于粗糙集理论与遗传算法的迷宫问题求解

针对遗传算法运算速度低、容易陷入局部最优值、早熟收敛等缺点,对标准遗传算法进行了改进和优化.采用粗糙集理论与遗传算法相结合的方法,由栅格的可行性构建初始决策表,用粗糙集方法对其进行简化,并对遗传算法的初始种群进行训练,直接由粗糙集训练获得一系列可行路径,再利用遗传算法求解最优路径,并在交叉和变异算子中设计了自适应算子,从而减少了遗传算法的种群规模,提高了进化效率.计算机仿真结果表明该算法在收敛速度和输出全局最优解的概率相对于标准遗传算法都有了显著提高.     

用基于知识的遗传算法实现移动机器人路径规划

提出了一种基于知识的遗传算法,该算法采用特定的遗传算子、把领域知识并入初始种群及自适应调整控制参数,克服了传统遗传算法的早熟收敛问题,提高了遗传算法的效率.实验结果表明该算法在移动机器人路径规划中的可行性和有效性.     

基于"联姻"策略的并行遗传算法

早熟现象一直是遗传算法(GAs)所面临的主要问题.为了防止单一种群近亲繁殖导致早熟,本文将人类的联姻策略应用于遗传算法中,提出了一种基于"联姻"策略的并行遗传算法. 对比实验显示出该算法极其优异的性能.同时,文中尝试了一种新的遗传算子,为遗传算法的硬件实现奠定了基础.     

基于改进遗传算法的移动机器人路径规划研究

文中针对栅格环境下移动机器人的路径规划问题,提出了一种改进的遗传算法,其主要研究工作和创意点如下:1)使用栅格方法创建实验模拟模型;2)鉴于遗传算法在生成初始种群时的盲目性,对初始化种群算法作出相应改进,从而保障路径的无障碍性;3)改良交叉、变异算子,提高种群多样性。仿真实验结果表明,改进的遗传算法比文献[1]和文献[2]中的算法具有更好的优化效果。     

基于遗传算法的不规则物体布局求解方法研究

通过对不规则物体布局特点的分析,依据遗传算法的基本思想,提出一种基于遗传算法的不规则物体布局求解算法.本算法选择合适的编码方法、遗传算子和合适的适应性度函数,仿真实验表明,该算法具有收敛速度快,解决早熟现象,能够在较短时间内获得较佳的布局方案.     

基于改进遗传算法的必经点最短路径算法

提出一种解决经过必经点的最短路径的改进遗传算法。在传统遗传算法的基础上,引入Dijkstra算法进行种群初始化;针对传统遗传算法易收敛于局部最优解,迭代次数多,迭代时间长的缺点,提出了改进的交叉算子和变异算子。应用改进遗传算法进行网络节点计算,表明该算法在计算性能上优于传统遗传算法,也验证了改进遗传算法的先进性,有效性。     

作业车间调度问题的多种群遗传算法

针对最小化完工时间的作业车间调度问题提出一个多种群遗传算法,该算法基于工艺约束定义个体的编码方式,基于工件操作构造遗传算子,保证了所有个体的可行性;多种群算法通过各个种群之间的相互竞争和良种共享,提高了资源的利用效率,有效地克服个体早熟,改善了算法的收敛性能.典型测试算例表明该算法是非常有效的.