基于距离测度的实数编码自适应遗传退火算法

提出一种基于距离测度的实数编码自适应遗传退火算法,根据个体的距离密集度自适应地确定其交叉概率和变异概率.空间距离密集度越高的个体,其交叉概率和变异概率也越高.算法引入模拟退火机制,在遗传进化过程中的每一代,对最优个体进行邻域局部寻优,利用模拟退火进一步改善算法的收敛性能.对带边界约束函数优化问题进行了仿真计算,结果表明该算法有效.     

基于遗传算法的电梯群控研究

针对电梯群控系统的特点,设计出一种更适合的梯群控制的遗传算法。本算法中采用了整数编码和可进行种群竞争的双种群机制,设计了以候梯时间、乘梯时间、系统能耗为群控目标的多目标适应度函数,并在选择操作中引入个体最优选择策略,在交叉操作中构造了与遗传代的数目、预交叉个体本身特点相结合的交叉方式,在变异操作中应用了两点对换和位点变异相结合的变异方法,并设计了从最优解集合中选择最优解的评价函数。经过模拟仿真,运行实验结果表明了此方案的可行性和优越性。     

基于优势遗传的自适应遗传算法

针对遗传算法的早熟问题,对自适应遗传算法进行了研究,提出优势遗传的新观点:在交叉算子设计时使适应度高的个体以较高概率进行交叉,并且在变异算子设计时使适应度低的个体以较高概率进行变异,能更有效地产生出优势个体,跳出局部最优.认为算法设计时使平均适应度过快逼近最大适应度是不合适的.由此,提出一种新算法,以优势遗传的原则随个体适应度的变化而自适应地改变交叉和变异概率,在一定程度上有效解决算法的早熟问题.实验表明,该算法能有效提高全局寻优的性能,鲁棒性好.     

基于自适应遗传算法模糊PID控制器参数优化

该文针对自适应模糊控制器的多参数优化问题,提出一种自适应遗传算法同时优化模糊规则和隶属函数的方法.先对隶属度函数和控制规则进行联合编码,遗传进化前期采用锦标赛精英保留,后期采用基于轮盘赌的非线性选择方法,保留了种群中较优个体,提高种群的多样性.采用一种自适应交叉变异算子,使交叉变异概率根据进化过程不断自动调整,避免算法...     

CMSFLA-SVM算法在人脸识别中的应用

针对蛙跳算法(shuffled frog leaping algorithm,SFLA)易陷入局部最优,且求解精度较低的问题,提出一种交叉变异的蛙跳算法(crossover and mutation shuffled frog leaping algorithm,CMSFLA).该算法在全局搜索中,青蛙个体依适应度值而选择不同概率分别进行交叉和变异操作.将改进的蛙跳算法CMSFLA训练支持向量机(support vectors machines,SVM),并将其用于人脸识别中.ORL和CAS-PEAL-R     

基于多目标协同进化遗传算法的规则提取方法

针对事务数据库中连续型数值属性难以划分且规则提取效率较低的问题,提出一种交叉、变异种群协同进化的量化关联规则提取方法。利用帕累托原理的非支配排序对种群个体进行优化。利用个体相似度的基因型、表现型控制交叉种群中个体的配对,对变异种群采用水平集概念进行分割,并针对个体优劣分别采取单点突变和多点突变两种突变方式增强个体多样性。利用精英种群保存交叉种群与变异种群中的优秀个体并对其求取帕累托最优解集。在不同数据集上的仿真结果表明,该算法获得规则在性能和数量上达到较好的均衡,且能够有效覆盖数据集,验证了算法的有效性和可行性。     

种群多样性的GEP算法在预测中的研究和应用

针对传统的基因表达式编程(Gene Expression Programming,GEP)算法在函数发掘时容易陷入过早收敛和局部最优问题,提出了一种基于种群多样性的GEP(GEP based on population diversity,PD-GEP)算法。该算法提出了简单云改进GEP策略,利用简单云改进了常数创建方法,并设计了云变异算子和云交叉算子动态调整其变异和交叉概率,以保证种群的多样性。同时提出了种群的有效交叉策略,引入新个体更新种群,避免早熟收敛,提高进化效率。最后将其应用于工程实例中,并将其结果与传统GEP算法结果进行比较。研究结果表明:该算法提高了预测精度和收敛速率,具有更好的收敛性。     

基于均分法的小生境遗传算法

为了避免遗传算法种群中个体过早陷入局部最小,在以往随机初始种群的基础上提出一种均分法,使得初始种群随机平均地分为若干个子种群,形成小生境,这样既维持了种群的多样性,也使得种群中的个体不会过早出现早熟现象,更提高了算法的收敛速度.同时采用了自适应技术控制交叉和变异的概率,使得算法能更快速地找到最优解.仿真结果表明,与传统的遗传算法优化RBF网络相比较,新算法的迭代次数更少,精度更高,大大提高了收敛速度.     

电力负荷预测的自适应对称调和遗传算法ANN耦合模型

针对遗传算法存在求解精度与收敛速度间的矛盾,提出一种新的自适应对称调和遗传新算法.该算法中交叉率(crossover rate)和变异率(mutation rate)随着染色体(chromosome)的适应度函数值(fitness value)动态改变,同时在产生子代(child)新种群(group)的过程中来源不是单一的父代(parent)种群,而是由三部分组成,即父代种群中的最优个体直接进入子代种群、通过选择交叉操作产生部分新的个体、投放部分特殊个体.建立了新算法与人工神经网络结合的电力负荷预测耦合模型,并以四川电网负荷实例进行验证.结果表明,自适应对称调和遗传算法的耦合模型避免了网络寻优的盲目性,达到了最优的拟合效果,有效地提高了预测精度和速度,为区域电力负荷预测问题提供了新的分析方法,开辟了建立电力负荷中长期预测模型的新途径.     

递归神经网络的进化机器人路径规划方法

针对机器人递归神经网络控制器在进化优化过程中存在的问题,利用改进的进化算法对递归神经网络控制器进行优化设计,提出了一种基于递归神经网络的进化机器人路径规划算法,该算法利用高斯变异和柯西变异相结合的方式进行变异操作,利用个体适应度和种群多样性指标使交叉概率和变异概率进行自适应调整.给出了算法的具体步骤,并与基于标准前馈网络的路径规划方法进行了比较.仿真结果表明递归神经网络控制器对动态未知环境具有更好的适应性.     

移动IP中基于遗传算法的优化路由算法

提出了移动IP中带网络负载平衡的路由问题,通过建立网络模型,采用基于矩阵编码的改进遗传算法解决问题.遗传算法采用以矩阵编码为基础的交叉算子和变异算子,并使用排序选择算法作为选择算子.给出了改进算法的复杂度,从理论上证明了该算法的收敛性.仿真结果表明该算法具有很好的收敛性,并给出了在不同种群数(20～50)和交叉概率(0～75%)下最优解在一定值附近.采用此路由选择策略能够使移动IP网络中的网络带宽得到合理分配,优化了网络的性能.     

AGA-DE求解柔性作业车间调度问题

针对柔性作业车间调度问题并结合其求解的特点，提出一种以最大完工时间最小化为目标的自适应遗传差分进化算法。在种群初始化过程中引入GLR初始化方法，有效改善机器选择部分初始解的质量；提出一种新的自适应交叉变异概率公式改进交叉和变异函数，并运用遗传算法的精英保留+轮盘赌策略，结合“贪婪思想”的差分进化的选择策略，使算法的搜索逐渐走向最优解；通过经典算例仿真以及与传统遗传算法结果的比较，证明改进算法在最大完工时间和收敛速度上的优化，验证了改进算法的可行性和有效性。     

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.     

编码链路最少的多源光组播路由

网络编码提高波分复用网络多源光组播带宽利用率时,导致光域中存储和运算开销增加,为此,设计了一种改进的自适应遗传算法可最少化光组播的网络编码光纤链路数目.该算法设计了自适应调整的交叉概率和差异最大化交叉操作,保证种群多样性,避免陷入局部最优;通过自适应调整交叉概率,保证种群在开始阶段可以很快实现多样性,使种群中的较优个体保持稳定.仿真结果表明,所提算法与对比算法相比收敛速度更快,可以用更短时间找到编码链路数目最少的方案.     

基于改进GA的云计算任务调度策略

针对传统遗传算法在云计算任务调度过程中的收敛速度慢和易早熟等问题,提出了一种基于遗传优化算法的双适应度函数改进算法.该算法采用任务完成时间和任务完成成本为双适应度函数,引入个体相似度概念来提高种群质量;采用并列选择法进行选择操作,并且采用自适应规则约束交叉和变异操作,提高种群个体质量,加速进化策略可以有效地避免早熟.结果表明,改进的遗传算法有效地加快了云任务作业调度的收敛速度,并改善了易早熟等现象.     

基于遗传算法的正则表达式规则分组优化

为解决正则表达式匹配问题,提出一种基于正态自适应遗传优化的改进正则表达式分组算法.根据迭代次数的变化,利用正态函数自适应改变交叉概率Pc和变异概率Pm,采取最优保存策略保证最优个体不被数值大的Pc和Pm破坏.结合Becchi算法和局部寻优算法进一步优化.仿真结果表明,该算法能在全局范围内搜索到更好的解,能有效减少状态总数,降低正则表达式匹配的空间复杂度.     

基于改进遗传算法的机器人路径规划方法

针对基本遗传算法在机器人路径规划中存在收敛速度慢、易陷入局部最优解的问题,提出一种改进的遗传算法. 在适应度函数中增加带有惩罚项的平滑度函数; 引入精英保留机制,保留每一代最优个体; 自适应调整交叉概率和变异概率,使交叉概率和变异概率随进化次数变化而变化. 利用MATLAB在两种障碍物地图中与其他两种算法进行仿真对比分析,实验结果表明,改进后的算法在路径规划的应用中有效减少了机器人的转弯次数,提高了逃离局部最优路径的能力,寻优能力更强.     

基于DNA编码的多重约束目标的智能组合优化

在组卷策略中,多重约束目标的智能组合优化问题一直是人们研究的热点．大多数的优化算法都是基于传统的遗传算法,这些算法的适应度不高,并且交叉算子和变异算子对适应度的影响很大．针对这些缺陷,本文提出了一种新的优化算法DNA_YH算法,该算法将DNA编码引入到多重约束目标的组合优化问题中,并完成了DNA编码、初始化种群、个体适应度计算和遗传操作的优化过程．经过实验证明DNA_YH算法的最优适应度高于其他相关算法,并且交叉算子和变异算子对适应度的影响都很小,得到了较好的优化效果．     

多策略融合的黄金正弦樽海鞘群算法

针对樽海鞘群算法（Salp Swarm Algorithm，SSA）收敛性能差、容易陷入局部最优等问题，提出了多策略融合的黄金正弦樽海鞘群算法（Golden sine Salp Swarm Algorithm with Multi-strategy，MGSSA）.首先采用选择反向学习策略对种群中完全偏离最优个体寻优方向的个体计算选择反向解，改善种群质量；然后在跟随者位置更新阶段加入最优个体和精英均值个体引导，以加快算法收敛速度；最后根据概率选择黄金正弦算法变异策略，进一步改善解的质量，同时便于算法后期跳出局部最优.本研究在14个基准测试函数上进行实验，与其他群智能优化算法和其他改进樽海鞘群算法对比，将其应用于拉压弹簧设计问题测试解决工程优化问题的性能.结果表明：MGSSA具有较高的收敛精度和稳定性，在求解工程问题时性能良好.     

基于遗传算法的过程辨识方法实现与应用

简单遗传算法存在着收敛速度慢和容易早熟的缺点,针对这种情况,通过合理选择编码方式,改进初始种群选择策略、复制、交叉和变异策略提出一种综合的改进遗传算法,并将其应用于系统模型辨识。用基于排序法的新的选择算子和多个交叉、变异概率,能有效维持种群的多样性,克服算法早熟现象。在改进的算法中,同时用到精英保留策略和模拟小生境方法,保护优良个体,使算法的引导性增强。在系统辨识的过程中,结合系统先验知识,对模型的阶次辨识进行指导。最后通过几个系统辨识的实例验证了该算法的有效性。