一种改进的基于进化阶段的自适应遗传算法

为改善遗传算法的优化性能,延长种群搜索过程,对基于进化阶段的自适应策略遗传算法进行了改进.改进的自适应策略不仅基于进化阶段,同时基于个体,特别是采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解.实验结果表明,该改进的算法确实延长了算法的搜索阶段,提高了算法的性能.     

一种改进的基于进化阶段的自适应遗传算法

为改善遗传算法的优化性能,延长种群搜索过程,对基于进化阶段的自适应策略遗传算法进行了改进．改进的自适应策略不仅基于进化阶段,同时基于个体,特别是采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解．实验结果表明,该改进的算法确实延长了算法的搜索阶段,提高了算法的性能．     

一种高维多模态优化的量子粒子群优化算法

为求解实际工程中的高维多模态优化问题,提出了基于动态邻域的多策略进化的量子粒子群优化算法(QPSO).针对QPSO算法存在的粒子"早熟"问题,首先定义了一种动态邻域选择机制以保持种群的"活跃性";然后结合动态邻域机制,定义了三个不同策略的局部吸引子更新方程以保持种群进化的"多样性".为了防止算法的进化方向不发散,对收敛到全局最优解的局部吸引子更新策略赋予了较大权重;最后为了拓展最优解空间引入了狼群优化算法中的综合评价方法.通过对不同类型的高维多模态基准测试函数的仿真实验结果表明:相比于其余四种优化算法,本文提出的优化算法在收敛精度和稳定性方面具有明显优势,并且随着测试维度的增加,这种优势更加凸显,展现出了较好的解决高维多模态优化问题的性能.文中引入的综合评价方法在所有的测试函数中均具有较高的生效次数,综合评价生效意味着为下一次的进化找到一个更加有利的进化方向,这样能够减少算法找到最优解的次数,也能进一步提升算法的收敛精度.     

自适应Tent混沌搜索的蚁狮优化算法

针对蚁狮算法存在的早熟收敛和不易得到全局最优解等问题,借鉴混沌优化算法,提出了自适应Tent混沌搜索蚁狮算法.该算法首先使用Tent混沌映射初始化种群,然后自适应调整混沌搜索空间得到最优解,改善适应度较差个体,提高种群整体的适应度和寻优效率,同时使用锦标赛策略选择蚁狮个体.最后,利用混沌算子优化蚂蚁随机游走行为,与蚁狮觅食行为形成了全局、局部并行搜索模式.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂高维基准函数的寻优测试实验表明,对于30维基准函数,该算法经过约0.5秒收敛到最优值;对于50维基准函数,约2秒收敛到最优值.与标准蚁狮算法和其他优化算法相比,该算法具有较好的收敛速度和寻优精度,适合复杂高维函数寻优.航迹规划实验表明,对于包含7个威胁源的空域环境,当搜索维度为10维时,该算法经过0.939秒,迭代30次基本可以达到航迹代价的全局最优值.与标准蚁狮算法相比,能够更加快速准确地得到一条满足要求的航迹,具有实际应用价值.     

求解高维复杂连续优化问题的粒子群算法研究

传统粒子群优化算法(PSO)求解较为复杂的高维度优化问题时,易出现早熟收敛现象,引发收敛效果变差,导致解的精度较低等问题.为求解现代社会出现的更多复杂优化问题,提高粒子群算法求解精度,引入分组变异的思想,在粒子迭代进化过程中以递减的方式控制变异概率.种群进化过程中是利用贪心搜索的方式,在后期会出现种群聚拢,因此引入反向学习策略,使得种群在聚拢环境下可以扩展搜索空间,离开局部最优位置.经过实验仿真证明,提出的新型粒子群算法(NEWPSO)在优化高维函数上具有更好的性能.     

触觉传感器非线性补偿仿生算法

为解决触觉传感器非线性误差大的问题,本文提出了一种基于动态密度聚类改进的自适应多种群遗传算法(IMPGA)。IMPGA算法通过对个体相似度的动态聚类分析生成多个子种群,各子种群采用自适应交叉、变异概率并行进化,提高了搜索全局最优解的效率。通过动态邻域搜索策略提高算法局部搜索的能力,通过移民算子保持每个种群的多样性和进化动力。实验表明通过IMPGA算法优化的BP神经网络能够有效减小触觉传感器非线性拟合误差,鲁棒性能好。     

基于量子行为和差分进化的改进蜻蜓算法

针对原始蜻蜓算法易陷入局部最小值导致全局搜索能力较差,以及蜻蜓算法后期种群缺乏多样性易出现停滞现象等缺陷问题,提出量子行为和差分进化融合策略下的改进蜻蜓算法(QDEDA)。量子行为的融入改进了算法中蜻蜓个体的位置更新方式,差分进化的融入增强了算法中的信息交流,量子行为和差分进化融合策略实现了优化该算法向最优解方向搜索。最后选取8个标准测试函数进行实验验证,与原始蜻蜓算法、灰狼算法和粒子群算法进行对比分析,QDEDA在收敛速度和寻优精度方面均实现改善。     

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.     

基于并行遗传算法的场地浅层剪切波速度结构反演

目的针对传统遗传算法容易陷于极值,计算时间长的问题,设计基于计算机集群的一种新的粗粒度并行遗传算法反演场地浅层剪切波速度结构．方法采用遗传模拟退火算法和MPI并行计算技术,实现多进程的粗粒度集群计算,通过个体迁移策略协调优化子种群,运用计算效率判断计算负载状态,采用动态种群进行负载平衡,构建了4节点的PC集群,对算例和实际场地的浅层剪切波速度结构进行了反演计算．结果简单模型收敛于最优解,实际场地的反演结果与钻孔资料的平均误差均在20％以内,计算速度明显提高,并行遗传算法的反演结果好于串行遗传算法反演的结果．结论笔者设计的粗粒度并行遗传算法有效地加快了进化速度,并行效率高,加强了局部搜索能力,反演结果较好,适合应用于反演实际工程场地的浅层剪切波速度结构．     

一种基于APGA的移动机器人路径规划算法

提出了基于自适应并行遗传算法的移动机器人路径规划算法,其基本思想是结合多种群并行进化及自适应调整控制参数,提高了搜索的范围和效率,缓解了传统遗传算法早熟收敛问题,从而克服了使用单种群遗传算法进行路径规划的不足．实验结果表明了该算法在移动机器人路径规划中的可行性和有效性．