一种新的求全局最优的遗传算法

利用近年来广泛应用的遗传算法,对积分-水平集求全局最优概念性算法的蒙特卡罗随机投点的实现途径进行了改进,从而得到一种新的求全局最优的遗传算法.文中算法设计了适合的初始种群的均匀设计取法、交叉算子、变异算子和选择算子,给出了测度的勒贝格计算方法,从理论上证明了算法的收敛性.最后,选用了标准测试函数并与其他算法进行了比较,从数值上验证了算法的可行性.     

积分-水平集求全局最优的遗传算法实现

在Chew Soo Hong等提出的一个积分──水平集求全局最优的概念性算法及Monte-Carlo随机取点的实现途径的基础上,利用遗传算法给出了这一算法的另一种实现途径,并从理论和数值两个方面验证了算法的可行性.     

一种用于函数优化的改进混合遗传算法

传统的优化算法对于复杂的函数往往不能取得满意的结果，而遗传算法作为一种全局搜索策略，较传统的优化算法更加优越。对遗传算法的杂交、交异算子进行了改进，并加入单纯形算子。通过对函数求最优值的测试，证明这种改进使遗传算法的收敛速度加快、解的质量也更好。     

基于遗传算法的网格结构的拓扑优化

遗传算法是一种新兴的基于遗传进化机理的寻优技术。它与常规算法的不同之处在于不受初始值影响、从多个初始点开始寻优，并采用交叉、变异和移民算子避免过早地收敛到局部最优解，可获得全局最优解。该算法不必求导计算，编程简单、快捷，尤其适用于具有离散变量的结构优化设计。本文利用遗传算法对在应力、位移约束下的网格结构进行拓扑优化，利用对称性对杆件进行分组，使优化后的结构模型仍然保持对称，具有工程应用价值，并达到降低造价的目的。计算实例表明了该算法的有效性。     

改进遗传算法在WiMAX基站选址问题中的研究（增刊）

针对无线网络规划优化中基站选址问题，建立了一种适用于WiMAX基站选址问题的模型。利用遗传算法中的一些算子所具有的选择、交叉、变异和迁移等特性，提出了改进的遗传算法，设计了一种高效的十字搜索算子(CSO），并将其应用到WiMAX基站选址问题的研究中。仿真结果表明，所提出的改进的遗传算法与基本遗传算法和已有算法相比，收敛速度大大提高，并能在理想的迭代次数内得到全局近似最优解，搜索效果优于已有算法。     

基于后缀法与遗传退火算法的简约树构建

利用二进制树通过后缀法编码将N个物种的系统发生树与后缀法编码进行一一对应,并在遗传算子的设计中引入退火算子,通过遗传算法与退火算法相组合寻找全局最优解.计算结果表明,改进算法在简化树存贮的同时,还提高了运行速度.     

基于精英保留策略与爆炸算子的改进遗传算法

针对标准遗传算法(standard genetic algorithm,SGA)应用于数值优化存在收敛缓慢、易陷入局部优解和精度低等问题,提出一种具有爆炸算子的改进遗传算法(FGA)。引入爆炸算子(fire algorithm,FA),通过局部最优解集爆炸产生新个体以弥补SGA算法寻优过程中种群多样性不足的缺陷, 从而提高算法在解析域的全局搜索能力;加入精英保留策略使每代中的最优个体都能得以保留,避免交叉和变异操作遗失全局最优解。为验证算法的优化性能,选用4个经典测试函数对SGA与FGA这2种算法的优化性能进行对比,算例结果表明,本文所提算法具有更好的全局搜索能力、收敛性能以及计算精度。     

离散变量结构优化的斐波那契遗传算法

提出了一种求解离散变量结构优化设计问题的斐波那契直接搜索方法;通过在遗传算法中定义斐波那契算子,与基本遗传算子共同构成了一种离散变量结构优化设计的混合遗传算法斐波那契遗传算法。通过自适应的退火因子和罚函数来处理约束条件,使算法逐渐收敛于全局可行最优解。计算结果表明,这种混合遗传算法对于离散变量结构优化问题的求解具有较快的收敛速度,且能以很大的概率求得全局最优解。     

改进遗传算法求解TSP问题

改进遗传算法采用了顶端增强算子进行选择运算以强化其收敛性，并利用动态进化因子来进行交叉算子和变异算子的选择以防止早熟。用不同的TSP问题测试时，在分析了种群规模、最大遗传代数与最优解之间的关系之后，得出该算法有较强的鲁棒性和有效性。     

一种基于漂移和波动思想的遗传算法

为充分利用最优个体的信息,借鉴于漂移和波动思想设计出新的交叉与变异算子,提出一种新的遗传算法.新算法采用混沌策略处理不可行个体,新算子结合最优个体信息,兼具全局搜索与局部搜索性能.仿真实验表明,新算法不但加快了算法的收敛速度,而且提高了求解精度,是一种有效性算法.     

一种混合优化算法及其性能

结合遗传算法、粒子群优化算法和免疫算法提出了一种实数编码的混合优化算法(IG-PSOA),该方法利用非线性竞争择优的交叉操作和粒子群进化操作来提高算法的搜索效率,通过免疫选择和募集新成员操作保证种群的多样性,以避免早熟和局部收敛。从理论上分析了算法的收敛性和计算复杂度;用数值试验的方法分析了算法的鲁棒性和参数的取值范围。对7个测试函数的数值试验表明,该算法不仅提高了算法的全局搜索能力,提高了收敛的速度,而且提高了求解的质量和优化结果的可靠性,是一种有潜力的优化方法。     

改进遗传算法及其在倒立摆控制中应用研究

针对标准遗传算法寻优时存在的个体多样性不足、搜索速度迟缓、容易陷入局优的问题,使用自适应调整的交叉算子和变异算子对其进行改进,并利用改进的遗传算法对直线一级倒立摆模型实现稳定控制的关键参数进行寻优。在Python3.8软件上对寻优过程进行仿真,仿真结果表明,改进的遗传算法可以更好的平衡全局搜索和局部寻优能力,在实验中展现了良好的效果。     

基于改进遗传算法的弹药运输车辆调度问题研究

建立了弹药运输车辆调度问题的数学模型,针对传统遗传算法求解该问题具有收敛速度慢、易陷入局部极小的缺点,提出了一种改进的遗传算法予以求解。在改进算法中引入一种基于信息素的遗传交叉算子,该算子能利用以信息素形式保存的全局信息,从而提高收敛速度;算法中的变异算子采用Relocation、Exchange、2-opt＊及2-opt 4种启发式搜索算法,尽可能扩大搜索范围。算例分析表明了所提改进遗传算法求解弹药运输车辆调度问题的有效性和可行性。     

基于逆序与对偶组合算子的小生境遗传算法

在逆序算子和对偶算子的性能研究基础之上,设计了逆序与对偶组合遗传算子,增强了局部搜索性能．通过引入共享机制小生境技术,并且采用自适应策略,对种群的多样性进行有效保护。构造了一种基于逆序与对偶组合算子的小生境遗传算法,较好地解决了局部搜索与全局搜索之间的矛盾,保证了算法的全局收敛性．算例测试表明该算法具有较强的整体寻优能力．     

可拓聚类适应度共享小生境遗传算法研究

针对遗传算法易陷入早熟收敛和全局搜索能力差等缺点,提出一种基于可拓理论的小生境遗传算法.算法首先构造了遗传编码物元和可拓遗传算子,然后通过可拓聚类方法实现小生境群体的划分,结合适应度共享技术和聚类代表个体保存策略,维持稳定多样的小生境.仿真实验表明,该算法能可靠、快速地收敛到全局最优解,有效避免早熟收敛,其收敛速度和求解精度均优于简单遗传算法和常规小生境算法.     

基于自适应遗传算法的粗糙集属性约简方法

针对遗传算法在全局优化问题中出现的早熟收敛和后期收敛速度较慢的现象,提出了一种基于自适应遗传算法的粗糙集属性约简方法。该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,优化了各个个体被选择的概率。实验表明,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。     

Optimal tetrahedral mesh generation for three-dimensional point set

Three-dimensional (3D) tnangulation is a basic topic in computer graphics. It is considered very difficult to obtain the global optimal 3D triangulatlon, such as the triangulation which satisfies the max-min solid angle criterion A new method called genetic tetrahedral mesh generation algorithm (GTMGA for short) is presented. GT-MGA is based on the principle of genetic algorithm and aims at the global optimal triangulation. With a multi-objective fitness function, GTMGA is able to perform optimizations for different requirements. New crossover operator and mutation operator, polyhedron crossover and polyhedron mutation, are used in GTMGA. It is shown by the experimental results that GTMGA works better than both the 3D Delaunay triangulation and the algorithm based on local transformations.     

解空间种群均匀化自适应遗传算法的应用

提出了一种新型解空间种群均匀的自适应遗传算法，并采用随机方法对初始种群加以改进，使初始种群均匀分布于解空间之中.在优化进程中，引入自适应算法，使交叉的变异算子具有自适应性；将自适应调节机制引入适应值函数中，使适应值函数同样具有自适应性.为证实所提出的改进遗传算法的可行性和有效性，对几种典型的多峰值函数进行了寻优测试.优化测试结果与解析解及标准遗传算法优化结果相对比，证明改进遗传算法的全局搜索能力和收敛性都远优于标准遗传算法.     

基于遗传算法和蚂蚁算法求解函数优化问题

针对遗传算法求解精度低以及蚂蚁算法求解速度慢的问题，提出一种基于遗传算法和蚂蚁算法的混合算法.该混合算法利用了遗传算法快速随机的全局搜索能力的优点，设计了编码与适应度函数，进行了种群生成与染色体的选择，并通过设定交叉算子和变异算子， 生成了信息素分布.该混合算法利用了蚂蚁算法正反馈以及具有分布式并行全局搜索能力的优点，通过确定吸引强度的初始值，建立了强度更新的模型，从而求得精确解.并将该算法应用于求解函数优化问题.结果表明，该混合算法与遗传算法和蚂蚁算法相比，收敛速度快，寻优性能好.     

一种求解函数优化的混合遗传算法

在浮点编码遗传算法中加入最速下降法，构成适于函数全局优化的混合遗传算法。混合算法改善了遗传算法的局部搜索能力，显著提高了遗传算法求得全局解的概率。由于只利用函数值信息，混合算法是一种求解函数全局优化问题的通用方法。