基于改进遗传算法的AGV路径规划

为解决基本遗传算法在规划AGV运行路径时存在早熟收敛的问题,对基本遗传算法进行改进优化。用模拟退火法进行种群选择,提高种群的差异性;改进交叉、变异算子自整定策略和精英策略,提高算法的收敛速度;在适应度函数中加入路径曲折度、路径繁忙度和车辆负重度等多个规划指标,使规划出的路径更符合实际。将优化后的算法与基本遗传算法进行比较,仿真结果表明,改进后算法在AGV路径规划中具有高效性。     

面向多模态函数优化的自适应小生境遗传算法

为了解决小生境遗传算法不能准确识别小生境的缺陷,以及算法无法有效平衡快速收敛和保持种群多样性的冲突问题,提出一种自适应小生境遗传算法.在算法中,设计一种改进的小生境识别方法来确定小生境范围,引入用于度量种群多样性的小生境熵概念,并利用小生境熵自适应调整进化参数的取值.同时,改进选择、交叉策略,在识别的小生境基础上将交叉分为境外交叉和境内交叉,用于提高算法的全局搜索能力和局部收敛速度.实验表明,算法对于解决多模态函数优化问题具有收敛速度快和计算量小等优点,能够有效避免遗传漂移现象.     

改进的蜜蜂进化型遗传算法

提出一种改进的蜜蜂进化型遗传算法.在该算法中,种群的最优个体作为蜂王与被选的每个个体(雄蜂)以一定概率进行交叉操作,从而增强了对种群最优个体所包含信息的开采能力;同时,为了避免过早收敛,算法在种群次优解周围进行局部搜索,引入新的随机个体,增加算法的多样性.实验结果表明,该算法能有效地提高遗传算法性能的求解精度和收敛速度.     

基于并行遗传算法的Otsu双阈值医学图像分割

传统遗传算法用于搜索某些函数极值时精确度较低且稳定性较差。针对该问题,提出了一种基于并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。100 次阈值计算实验结果表明,提出的分割算法与传统遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显优于基于单种群的遗传算法的Otsu双阈值医学图像分割。     

自适应伪并行退火遗传算法解决最小权剖分问题

通过分析原有遗传算法解决剖分问题时,存在早熟现象的本质原因,对选择算子、交叉算子、变异算子提出了新的实现方法.为进一步提高算法的性能,将退火算法有机融合到遗传算法中,并采用多种群不同策略协同搜索机制,有效地避免过早收敛,对于参数采用构造模糊控制器自适应控制,加快了搜索速度、提高了搜索能力.仿真试验结果表明,该算法能够精确收敛到最优解或次优解.     

具有年龄结构的遗传算法

结合自然规律以及遗传算法的特点,提出了具有年龄结构的遗传算法的框架以及实现。该算法能够通过对个体基因不同年龄的不同操作,克服遗传算法中存在的主要问题即过早收敛问题。该算法有效地保持群体的多样性,使遗传算法顺利地收敛到全局最优值。通过实际的例子说明,这种方法克服过早收敛问题并且相对于简单遗传算法提高了收敛速度。     

基于人工鱼群遗传算法的异构多核系统任务调度研究

异构多核系统的任务调度问题已经被证明是一个NP完全问题。人工鱼群算法在算法初期具有较快的收敛速度,后期收敛较慢,而遗传算法的种群初始化具有较强的鲁棒性,初始化种群的质量直接影响着遗传算法的性能。本文提出了一种将人工鱼群算法与遗传算法相结合的任务调度算法,首先分析了异构多核系统的任务调度问题的本质,使用改进的人工鱼群算法来构建遗传算法的初始化种群,并使用改进的遗传算法进行迭代进化,从而提高了算法的收敛速度。     

求解作业车间调度问题的改进遗传算法

使用遗传算法求解作业车间调度问题时,为了获得最优解,提高算法的收敛速度,提出了改进遗传算法.算法以最小化最大完工时间为优化目标,初始化时将种群规模扩大为原来的两倍以增加种群多样性;迭代时使用新的适应度函数让染色体间更易区分;通过轮盘赌法完成染色体选择;用POX(Precedence Operation Crossover)交叉算子完成交叉操作;用互换法完成变异操作;通过具有自我调节能力的交叉和变异概率不断地调整概率值来提高算法寻优能力和收敛速度.仿真结果表明,改进后的遗传算法收敛速度快,寻优能力强,获得的最优解优于标准遗传算法,更适用于作业车间的加工生产.     

自适应遗传算法在特征选择中的改进及应用

传统遗传算法在求解全局问题具有很强的鲁棒性,但由于传统遗传算法固定的交叉率和变异率,使得传统遗传算法在求解复杂问题上存在早收敛及搜索后期运行效率低等缺点。针对此问题,提出了基于个体寿命的变种群自适应遗传算法,对种群规模,交叉率及变异率作了优化调整,使其能够根据进化的实际情况自动调整。实验结果表明,相比传统遗传算法,这个算法在全局优化能力及收敛速度上均有显著提高。     

一种并行变异自适应遗传算法及其性能分析

针对基于实数编码的遗传算法收敛速度慢与收敛精度不高等问题,通过定义种群活力,提出了一种改进的自适应遗传算法．该算法中,种群活力的定义综合考虑了种群多样性和相邻代种群间相似度,众数代替平均数作为新的种群适应度参考量,并依以上两点对交叉和变异概率进行自适应调节,同时引入并行机理对变异操作进行了改进．通过仿真实例,验证了该算法具有较高的收敛速度和求解精度．最后,该算法还被应用于解决汽油调和优化调度问题．     

混沌遗传算法在IP网络组播路由中的应用

提出了一种基于混沌优化和遗传算法的新颖的QoS组播路由算法，该路由算法把混沌系列和遗传算法结合起来，并提供了一种新的编码方式和一种自适应的变异遗传操作，从而克服了传统遗传算法中存在的早熟现象，加快了收敛速度。仿真结果显示，该文提出的算法在解题的精度和收敛速度等方面都优于遗传算法。     

一种改进的混沌优化算法

为了克服遗传算法的早熟现象以及混沌优化的搜索时间过长的缺点,将遗传算法、混沌优化和变尺度方法相结合,提出了一种改进的混沌优化算法.该算法利用混沌的随机性、遍历性和规律性来避免陷入局部极小值,从而也克服了遗传算法中的早熟现象,同时引入了变尺度方法提高该算法的搜索速度.本文还给出了算法的收敛性分析.对典型测试函数的仿真结果表明此算法优于变尺度混沌优化和遗传算法.     

改进的遗传算法在医学图像中的应用

针对标准的遗传算法（ GA）在优化Otsu法求取图像阈值时出现收敛速度慢、易早熟等问题,提出了一种改进的GA用于图像分割。该算法根据种群不同的进化代数和个体适应度的大小,动态地调整精英选择策略和遗传算子,从而提高了算法的收敛速度、得到了范围稳定的图像分割阈值,且保持了种群多样性。将该算法应用于医学图像分割,实验结果表明：该算法可以对医学图像进行分割且效果明显。     

基于神经网络和遗传算法的组播路由算法

提出了一种基于神经网络和遗传算法的新颖的QoS组播路由算法, 该路由算法把神经网络和遗传算法结合起来,并给出了一种非常便于进行交叉、变异等遗传操作的新编码方式。从而克服了传统遗传算法中存在的早熟现象, 加快了收敛速度。仿真结果显示,算法在收敛速度方面要优于单纯的遗传算法和神经网络方法。     

蚁群遗传混合算法

提出了一种蚁群系统与遗传算法融合的算法。将遗传算法加入到蚁群系统的每一次迭代过程中，利用遗传算法全局快速收敛的优点，来加快蚁群系统的收敛速度。并且遗传算法中的变异机制，帮助提高了蚁群系统跳出局部最优的能力。不仅阐述了新算法的原理，而且以旅行商问题为例进行了仿真实验，实验结果表明新算法在求解时间和求解质量上都取得了很好的效果     

基于强化学习的多策略选择遗传算法

为解决传统遗传算法早熟收敛和收敛速度慢的问题,提出一种基于强化学习的多策略选择遗传算法MPSGA。通过使用不同的选择策略将整个种群划分为3个子种群并分别进化,能提高种群的多样性,有效避免遗传算法的早熟收敛问题。将种群的多样性和算法的运行机制相结合,根据种群多样性的变化运用强化学习算法动态地优化各子种群间的比例参数,从而将种群多样性保持在合适的范围,一定程度上解决了收敛速度和全局收敛性之间的矛盾。实验结果表明,该算法在收敛精度和搜索效率上都表现出较好的性能。     

基于预测的遗传算法

遗传算法被广泛应用于解决各类优化问题.常规的遗传算法易于陷入局部最优,其收敛速度也较慢.为了提高常规遗传算法的优化性能,将预测的概念引入遗传算法的循环过程,提出基于预测的遗传算法框架;并以人工神经网络算法作为预测算法,提出了一种基于神经网络预测的遗传算法.通过优化8个典型的函数优化问题,将该算法与常规遗传算法的性能进行了比较;结果显示该算法具有很强的全局优化能力,能有效地增强种群的多样性和进化速度,明显优于常规遗传算法.     

An enhanced GA technique for system training and prognostics

The commonly used genetic algorithm (GA)-based methods have some shortcomings in applications such as time-consuming and slow convergence. A novel enhanced genetic algorithm (EGA) technique is developed in this paper to overcome these problems in classical GA methods so as to provide a more efficient technique for system training and optimization. Two approaches are proposed in the EGA technique: Firstly, a novel group-based branch crossover operator is suggested to thoroughly explore local space and speed up convergence. Secondly, an enhanced MPT (Makinen-Periaux-Toivanen) mutation operator is proposed to promote global search capability. The effectiveness of the developed EGA is verified by simulations based on a series of benchmark test problems. The EGA technique is also implemented to train a neural-fuzzy predictor for real-time gear system monitoring. Test results show that the branch crossover operator and enhanced MPT mutation operator can effectively improve the convergence speed and global search capability. The EGA technique outperforms other related GA methods with respect to convergence speed and global search capability.     

基于帝国主义竞争算法的WSNs定位方案

遗传算法(GA)在无线传感器网络(WSNs)定位时存在收敛速度慢、精度低等弊端,针对以上问题,提出了一种利用帝国主义竞争算法(ICA)优化WSNs定位的方案。首先,使用了采样的方法来估计未知节点的初始位置;其次,依靠信标节点和相邻节点的相关信息建立了以最小化全局误差的三维空间的数学定位模型;最后,使用了最新的社会启发算法—ICA来进行定位优化。实验结果表明:与GA定位相比,ICA在WSNs定位上具有定位精度高、收敛迅速的优势。     

Topological indentation pattern design of plates for maximum frequency gap

The vibrational response of thin plates is improved by a new approach of indenting some portions along the normal direction so that the interval between two successive eigenfrequencies is enlarged while keeping their mass the same. Binary-coded genetic algorithm (GA) is used as the search algorithm. A stochastically-applied deterministic filter is developed like another genetic operator for GA to accelerate the convergence speed. The corresponding eigenfrequencies and their mode shapes are found by using finite element analysis. The results indicate significant improvement for the band-gap over no indentation designs and show the effectiveness of the new operator of GA.