基于种群分类解决遗传算法的“早熟”与“漂移”问题

为了有效解决遗传算法在实际应用过程中经常面临的早熟收敛和遗传漂移问题,分析了导致早熟收敛和遗传漂移这两种现象出现的原因,针对其主要原因提出了基于模糊聚类的种群分类改进的遗传算法,避免近亲繁殖导致早熟,并将模糊聚类的结果与各种遗传操作有效结合,提高了算法向最优解收敛的准确性和稳定性。最后,仿真结果显示新的改进算法比标准遗传算法更有效。     

基于改进小生境帝国竞争算法的多目标电力系统无功优化

电力系统无功优化可以提高电能质量、降低网损,预防事故发生和扩大,而现有的无功优化算法容易陷入早熟和局部收敛的不足。采用改进小生境帝国竞争算法对多目标无功优化问题进行求解,使用动态聚类分析法划分国家联盟,采用竞争度共享技术对联盟国家内各个国家的竞争度进行调整,以提高全局寻优能力,有效避免算法早熟现象。选取IEEE-30和IEEE-57节点系统进行测试仿真,并将优化结果与遗传算法和传统帝国竞争算法进行对比分析,结果表明改进小生境帝国竞争算法在解决无功优化问题中具有更强的全局搜索能力,能得到更好的收敛效果。     

基于小生境粒子群的属性约简算法

遗传算法（GA）及蚂蚁算法（ACO）等进化属性约简算法,具有全局寻优的优点,但存在算法时间复杂度高,搜索空间大等不足;粒子群（PSO）属性约简算法,虽然可提高求解效率,但易陷入局部最优.本文引入小生境技术,提出基于小生境粒子群的属性约简算法,利用小生境技术造就种群的多样性,使解保持多样化,以此避免粒子群属性约简算法易早熟收敛的缺点.理论分析及实验结果表明,该算法是有效可行的.     

基于自适应小生境遗传算法的物流配送路径优化研究

针对遗传算法具有早熟的缺点和小生境遗传算法比遗传算法更费时的问题,将自适应小生境技术引人遗传算法,构建自适应小生境遗传算法,用以解决带时间窗的车辆路径优化问题.实验结果表明该算法具有更好的搜索能力和收敛速度,能有效地调和种群多样性与算法耗时的矛盾,解决物流配送车辆路径优化的问题.     

基于遗传聚类的一种故障诊断方法

把遗传算法引入聚类分析,把对类中心的优化转化成对遗传个体编码串的搜索.算法不但对初始化条件无特殊要求,而且由于引入小生境淘汰算法,既有效防止了算法早熟,又可能搜索到包括局部和整体在内的所有最优解.对液体火箭发动机仿真故障数据聚类试算表明,该算法对高维故障数据的聚类分析有良好的效果.     

基于遗传模拟退火算法的改进K-medoids算法

针对标准K-medoids算法在大数据聚类应用中易陷入局部最优解以及聚类效果受初始中心限制的缺点,提出了基于遗传模拟退火算法的K-medoids改进算法。该算法结合遗传算法和模拟退火算法,可以增强标准K-medoids算法在聚类时的全局搜索能力,并加快其收敛速度。对比实验证明:这一改进有效地弥补了标准K-medoids算法的上述缺陷,达到了提高聚类效率、加快收敛速度、改善聚类质量的目的。     

基于并行小生境技术优化的智能模糊聚类图像分割算法

利用PBM模糊聚类有效性函数以图像特征空间为搜索空间,实现有效性函数的全局寻优,用并行小生境技术解决粒子群(PSO)算法的早收敛问题,优化聚类的全局收敛性能,实现有效聚类数目与聚类中心的并行寻优。通过对遥感图像分割的实验证明,与传统粒子优化群算法的分割结果相比,本文算法拥有更高的有效性且分割效果更优。     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

基于动态搜索轨迹的混合遗传算法设计及实现

遗传算法是应用比较广泛的一种随机优化算法,针对其在全局优化问题中容易出现早熟和收敛速度慢,不利于在实时控制中应用的问题,提出了一种基于DST的混合遗传算法,该算法利用遗传算法的全局搜索能力,同时采用DST算法来提高收敛速度及预防早熟.将该混合遗传算法应用于求解复杂多峰函数的优化问题,通过与简单遗传算法的比较,可发现该方法明显地提高了搜索效率和成功率,从而验证了该算法的有效性.     

关于生物免疫遗传算法收敛性的一般讨论研究

针对免疫遗传算法收敛性质的研究非常缺乏,提出了利用随机过程理论和引入遗传吸收率、散射率
参数进行分析的方法.通过数学建模证明了免疫遗传算法所形成的种群序列的强马尔可夫性, 利用遗传吸
收率和散射率的计算，证明了在时间趋于无穷的情况下，该免疫遗传算法的概率弱收敛性.采用遗传吸收
率、散射率和小生境技术对于防治早熟概率的详细计算和对混沌算子的分析，得到了该免疫遗传算法实际
收敛效果的量化表示.研究结果表明, 该方法能简化分析计算过程，对于算法效果的改善、算法运行时的
参数选择具有较好的指向作用.     

A New Genetic Algorithm Based on Niche Technique and Local Search Method

The genetic algorithm has been widely used in many fields as an easy robust global search and optimization method. In this paper, a new genetic algorithm based on niche technique and local search method is presented under the consideration of inadequacies of the simple genetic algorithm. In order to prove the adaptability and validity of the improved genetic algorithm, algorithm problems of multimodal functions with equal peaks, unequal peaks and complicated peak distribution are discussed. The simulation results show that compared to other niching methods, this improved genetic algorithm has obvious potential on many respects, such as convergence speed, solution accuracy, ability of global optimization, etc.     

一种快速实现多峰值函数优化的改进遗传算法

针对基本遗传算法具有的收敛早熟、局部搜索能力差等缺点,提出了一种快速实现多峰值函数优化的改进算法。该算法包含并行小生境技术、可疑峰值点判断、引入局部搜索参数等策略,并采用C语言成功编写了通用程序。数值算例表明：该改进算法能有效防止早熟收敛,明显提高遗传算法的收敛效率,快速搜索到目标函数的所有最优点。该算法对求解多峰值函数优化问题具有普适性。     

一种新型的带有小生境技术和精英集策略的多目标粒子群算法

为提高多目标粒子群算法的有效性和运行效率,利用小生境技术求解适应度,采取轮盘赌的方法根据精英集中各个粒子的适应度选取全局最佳位置,提出一种新型的带有小生境技术和精英集策略的多目标粒子群算法。论文对算法运行的过程作了调整,加入小概率变异方法,采用测试函数验证算法的有效性。结果表明,在相同的实验环境中本文算法的运行时间为2.113 s,比基于粒子群的多目标优化算法(4.157s)缩短近一半,即本算法的运算效率大大提高了。仿真结果还表明本文中的算法不仅有很好的收敛性,所得的解还有较好的均匀性。     

一种基于协同进化方法的聚类集成算法

针对单一聚类算法存在的不能泛化的问题,将集成学习技术应用于聚类算法中,集成学习技术可以显著提高学习系统的泛化能力。提出了1种基于粒子群和遗传算法的协同进化聚类集成算法,粒子群算法保证算法快速收敛,遗传算法全局搜索扩大搜索范围,提高了聚类的性能和收敛速度。将本研究提出的算法在多个UCI数据集上进行试验验证,结果表明该算法是有效的。     

机组负荷优化的遗传-禁忌混合算法

针对遗传算法“爬山”能力差的缺点，提出在遗传算法中引入禁忌搜索操作来提高局部寻优能力，并应用遗传-禁忌混合算法进行了火电机组负荷优化研究.在遗传算法每计算一定代数后，将每个个体作为禁忌搜索的初始解进行搜索，可以改善群体质量，加快搜索速度.混合算法有效地综合了遗传算法的全局搜索能力和禁忌搜索算法的局部搜索能力，从而避免出现“早熟”现象，改善了算法的收敛性.应用某实例进行负荷优化计算，结果表明混合算法大大改善了局部搜索能力和搜索速度，可以有效解决机组在线负荷优化难题.     

基于遗传算法和禁忌搜索算法的混合策略及其应用

为了提高遗传算法的局部搜索能力,根据遗传算法和禁忌搜索算法自身的特点,通过分析2者的优势和不足,提出了一种将2者混合使用的求解优化问题的方法．本算法用遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,得到满意的计算结果．同时,为抑制早熟现象,避免收敛到局部最优点,提出了一种应对策略．实验结果表明,该算法在计算速度和计算结果方面都有改进．     

全局优化的了望算法

提出求解全局优化问题的了望算法.了望算法利用了望技术确定群山最高点的常识,通过了望管理机制、了望点产生策略、局部问题构造与求解机制,能在较短的时间内求解全局优化问题.大量的测试表明,了望算法具有较高的收敛率和较强的获得问题全部解的能力,对初始点几乎没有依赖,参数选择简单.了望算法能够保证在迭代过程中迭代点的质量逐步变好,所提出的三层次记忆机制极大地提高了望算法的收敛速度.大量的对比测试也表明,在收敛率和全局搜索能力等方面了望算法较遗传算法有一定的优势,且在大多数情况下了望算法耗时较少.由于了望算法是根据人类的高级行为智能和推理智能提出的一种智能算法,它为解决全局优化问题开辟了一条新的途径.     

基于优育子群迁徙策略的多模态遗传算法研究

通过分析小生境遗传算法(NGA)的不足,提出了用于优化计算时多模态遗传算法的完全收敛性问题.结合传统梯度进化技术,设计了基于优育子群迁徙策略的遗传算法(MBGA),并分析了其运行机理和完全收敛特性.采用新算法与NGA进行了对比仿真实验,不仅验证了所提算法的完全收敛性结论,同时验证了其求解多模态问题的有效性、完全收敛能力及其收敛的稳定性.     

基于小生境遗传算法的网格节点资源研究

针对解决网格节点资源聚类问题，提出了基于小生镜遗传算法的模糊聚类分析方法。该算法把小生镜遗传算法搜索的随机性和并行性引入模糊聚类中，对模糊聚类中的聚类中心的个数和聚类中心的选取进行指导，解决了模糊C均值聚类对初始聚类中心的敏感性问题、实验证明该方法能具有全局收敛性，克服了FCM算法可能陷入局部极小值，并有效地对网格节点资源整合归类，从而改善网格节点资源发现的性能。