改进人工蜂群算法在WSNs覆盖优化中的应用

为了改善无线传感器网络(WSNs)中节点分布不均匀、部署时间长、网络覆盖率低等缺点,提出了一种基于改进人工蜂群(ABC)算法的覆盖优化方法、通过引入覆盖因子改善观察蜂选择算子,结合反馈策略改进采蜜蜂搜索过程,采用基于当前最优值的自适应侦查策略,提高了算法的收敛速度与精度.仿真结果表明:方法通过较少的迭代次数达到传感器分布更加均匀,覆盖率更高的目的,有效减少了传感器节点冗余、降低了网络能耗,延长了WSNs的生命周期.     

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.     

粒子群遗传优化算法

针对粒子群优化算法易早熟的缺点,本文在粒子群优化算法中引入遗传算法的变异算子和克隆选择算子,提出了一种改进的粒子群优化算法—粒子群遗传优化算法。粒子群遗传算法在传统粒子群优化迭代公式的基础上,通过变异率和克隆选择率两个参数自适应地调整变异操作和克隆选择操作。当粒子群最优粒子的适应度在优化迭代过程中陷入停滞时,利用变异算子对粒子群中部分粒子进行随机变异操作,扩大粒子群搜索范围,防止粒子群陷入局部最优;而当粒子群最优粒子适应度随优化迭代过程不断提高时,则利用克隆选择算子淘汰适应度较低的粒子,提高粒子群整体的平均适应度,增强粒子群对局部的搜索能力,提高算法的计算效率。典型函数的算例测试表明,粒子群遗传优化算法不但具有粒子群优化算法所具有的易于工程实现、计算效率高等优点,还克服了粒子群优化算法易陷入局部最优的缺点,提高了算法的抗早熟性。     

基于改进遗传算法的无人机路径规划

针对传统遗传算法收敛速度慢、容易陷入局部最优、规划路径不够平滑、代价高等问题,提出了一种基于改进遗传算法的无人机（UAV）路径规划方法,该算法对遗传算法的选择算子、交叉算子和变异算子进行改进,从而规划出平滑、可飞的路径。首先,建立适合UAV田间信息获取的环境模型,并考虑UAV的目标函数与约束条件以建立适合本场景的更为复杂、精确的数学模型;然后,提出了混合无重串选择算子、非对称映射交叉算子和启发式多次变异算子,寻找最优路径以及扩大种群搜索范围;最后,采用三次B样条曲线对规划出的路径进行平滑,得到平滑的飞行路径,并且减少了算法的计算时间。实验结果表明,与传统遗传算法相比,所提算法的代价值降低了68%,收敛迭代次数减少了67%;相较蚁群优化（ACO）算法,其代价值降低了55%,收敛迭代次数减少了58%。通过大量对比实验得出,当交叉率的值为（1/染色体长度）时,算法的收敛效果最好。在不同环境下进行算法性能测试,结果表明所提算法具有很好的环境适应性,适合于复杂环境下的路径规划。     

混合WSNs中基于多目标优化的覆盖控制算法

针对无线传感器网络( WSNs)随机部署产生的区域覆盖率低、节点利用率差和能量不均衡的问题,引入移动传感器节点,将快速非支配排序遗传算法Ⅱ( NSGA-Ⅱ)运用到混合无线传感器网络覆盖控制部署并进行改进,采用分层编码策略,引入删除算子避免早熟,自适应改变交叉、变异概率提高局部搜索能力,获得较优解集后基于决策者信息偏好选择最优目标.仿真实验结果表明:有效解决了WSNs覆盖控制问题,可以在网络覆盖率最大化的同时,节点利用率较大且能耗系数较低,延长网络寿命.     

基于跳跃基因算子的改进实数遗传算法

为了避免遗传算法在求解数值优化问题时出现搜索能力差、多样性缺失等弊端,提出一种基于实数编码的改进遗传算法(IRCGA).算法集成两个特别设计的算子:模拟二进制跳跃基因算子(SBJG)和多方向交叉算子(MX).SBJG算子以染色体为操作对象,本质上模拟了二进制跳跃基因操作中的插入运动,即利用一种随机的方式将选定的染色体块插入到染色体位点,实现种群内部染色体间的转位,为种群提供额外的遗传多样性;MX算子通过增加交叉方向的方式扩大算子的搜索区域,从而提升后代个体质量与算法的搜索能力.在11个实例的基础上进行对比实验,结果表明,采用改进算子能够明显提升算法在求解数值优化问题时的性能,同时,相比于其他先进有效的算法,IRCGA具有较强的搜索能力且能够维持一定的种群多样性,从而验证了改进算法的有效性和可行性.     

遗传算法函数寻优性能影响因素分析——基于正交试验的方法

遗传算法在函数寻优领域得到了广泛应用,选取合适的参数对提高遗传算法寻优性能至关重要。以四个经典函数为例,基于正交试验原理分析了遗传算法五个参数对其寻优时间和迭代次数的影响。结果表明：对寻优搜索时间影响最大的参数为变异概率,其次为种群大小,交叉算子的选择、交叉概率和编码长度影响相对较小;对寻优迭代次数影响较大的三个参数为变异概率、种群大小和编码长度,而交叉概率和交叉算子的选择影响相对较小。分析了使遗传算法性能最优时参数组合的原则。     

基于改进遗传算法的移动机器人路径规划

针对传统遗传算法存在的搜索效率低、易于陷入局部最优解的问题,提出了一种改进的遗传算法;采用简单的一维编码替代复杂的二维编码,节约了存储空间;在遗传算子的设计中,重新定义了交叉算子和变异算子,避免了陷入局部最优;最后将最短路径和免碰撞相结合作为适应度函数进行遗传优化;在种群的各项参数均相同的情况下,分别对改进遗传算法和传统遗传算法进行了100次实验;其中,改进遗传算法搜索到最优路径的次数为95次,最短路径长度为20.970 6,平均搜索用时217 ms;传统遗传算法搜索到最优路径的次数为62次,最短路径长度为25.071 1,平均搜索用时345 ms;实验结果表明,相比于传统遗传算法,改进遗传算法搜索效率更高且能获得更好的解。     

基于蜂群遗传算法的一维优化下料问题

针对一维下料优化问题,提出了基于蜂群遗传算法的优化求解方案.具体做法是,以实数表示的各零件长度的一个排列作为一个染色体,其中每个零件的长度作为基因;根据自然界蜂群生物学原理设置了两个种群,一个种群主要用于全局搜索,另一个种群主要用于局部搜索;采用最优个体交叉策略;遗传算子包括联赛选择算子,顺序交叉算子,2-交换变异算子和抑制算子.仿真实验结果表明,该算法逼近理论最优值,而且收敛速度快,较好地解决了一维下料问题.     

双变异算子遗传算法的应用

针对简单遗传算法（SGA）所存在的缺点和不足,提出了一种新的改进遗传算法一双变异算子GA.该算想法通过将所有产生的子代个体与父代个体混合作为下一代种群,在种群选择前对适应度值较低的个体进行一次变异,然后通过选择、交叉,再一次变异产生新种群,再利用自适应算法改变交叉和变异率及最优保存策略保护历代最优个体,利用matlab软件编程计算,在TSP中得到了较好的优化结果。实例说明,双变异算子的遗传算法能够最大限度使种群多样性,这样最有可能得到最优解,也易突破局部收敛的局限而达到全局最优。