共查询到19条相似文献,搜索用时 171 毫秒
1.
为提高遗传算法的收敛性能,借鉴生态学对个体生存环境和种群竞争的认识,并根据原有的生态种群竞争模型的协同进化模式,对种群增长与环境间的动力学特征的方程进行了优化,提出了一种变增长率的多种群竞争协同进化.利用信息熵的概念,构造出含有熵的多目标优化模型,利用该模型可以直接显式地给出作为拉格朗日乘子的种群最优解存在概率,从而得出种群的增长率.采用该模式的遗传算法在改善未成熟收敛和收敛速度两方面具有较好的性能. 相似文献
2.
基于生态种群捕获竞争模型的进化遗传算法 总被引:6,自引:0,他引:6
将协同进化的思想运用到遗传算法,是对遗传算法的一大改进和拓展,借鉴此思想,提出了一种生态种群捕获竞争的协同进化模型和基于此模型的改进的进化遗传算法(PCGA)。实验结果表明,该算法在改善未成熟收敛和提高收敛速度方面都具有良好的性能。 相似文献
3.
基于淘汰机制的双种群遗传算法 总被引:3,自引:1,他引:2
传统的遗传算法虽然经过了多方改进,但是早熟的困扰仍然存在.针对这一缺陷,提出一种基于淘汰机制的遗传算法,模仿自然和社会的进化过程,在双种群遗传算法的基础上,将"战争"模式引入到种群的进化过程中去,建立一种新的淘汰机制来保持种群的多样性,避免算法提前收敛.用测试函数对算法进行测试,并将结果与自适应遗传算法进行对比和分析.实验证明,基于淘汰机制的遗传算法是可行且有效的. 相似文献
4.
双精英协同进化遗传算法 总被引:10,自引:0,他引:10
针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elite coevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高. 相似文献
5.
6.
针对现行各种改进型遗传算法容易早熟收敛,并且难跳出局部最优的问题,提出一种基于虚拟种群技术的改进型遗传算法.该改进型遗传算法不改变遗传算法中选择、交差、变异等核心算子的参数值,从而有效避免了种群进化过程中因控制遗传算子参数的策略设置不当而引起的算法收敛速度慢的问题.通过虚拟种群与实际种群间的信息交换,隐式地增大了实际种群的多样性.仿真结果表明,在种群规模相同的情况下,虚拟种群遗传算法能以最少的代数跳出局部最优,并在最小的代数收敛于全局最优. 相似文献
7.
针对传统遗传算法易于陷入局部最优解,性能不稳定的问题,提出了一种基于协同进化的自适应遗传算法(CEAGA)。在协同进化的两层框架模型的基础上,引入一个自适应的变异策略,改进了协同进化遗传算法中的局部进化操作,加强了在上层中的局部搜索;在下层,在种群之间采用协同进化算法,克服未成熟收敛,在种群内部进化中引入自适应遗传操作,保护种群中的优秀个体。实验验证CEAGA既具有很快的收敛速度,又具有很好的全局搜索性能。 相似文献
8.
9.
10.
一种基于模式分析的防止遗传算法过早收敛的方法 总被引:1,自引:0,他引:1
本文提出一种遗传算法中模式的表示方法和个体间最大共有模式的获取方法,并以此为基础提出了基于模式分析的种群插入策略来解决遗传算法过早收敛问题.通过与其他种群插入算法的对比证明该
方法的有效性.给出了采用该种群插入策略的遗传算法的收敛性定理及其证明. 相似文献
11.
遗传算法和蚁群算法在HP模型中已经有了大量的研究及成果,蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。提出了一种先用遗传算法生成信息素分布,再利用蚁群算法求优化解的新的混合算法。将该算法用于二维HP模型中,计算结果显示该算法在寻优能力和收敛速度上都比单一的遗传算法和蚁群算法有所提高。 相似文献
12.
13.
位置管理问题是移动计算环境中的一个重要问题。提出了一种解决位置管理问题的离散差分进化算法,给出了种群的离散编码方法和一种新的变异操作机制,提出了基于问题特性的种群初始化启发式方法,以及早熟收敛问题的解决策略。基于随机生成的数据对算法进行了模拟实验,将该算法的结果与遗传算法、禁忌搜索算法及蚁群算法进行了对比。 相似文献
14.
15.
城市公交系统是一个巨系统,其相关的模型和方法都非常复杂,为此,本文引入了高性能计算来提高智能算法的优化质量和收敛速度。有机结合遗传算法GA(Genetic Algorithm)和禁忌搜索法TS(Tabu Search)两者优点,构成混合遗传算法HGA(Hybrid Genetic Algorithm)。针对公交车辆调度现状及所处的运营环境,运用HGA的智能化特征,进行了公交车辆智能调度研究。研究表明,基于GA-TS的混合遗传算法优化公交车辆运营调度,能够有效地改善原有公交车辆运营调度的不足,提高动态运营决策效率和服务质量。 相似文献
16.
在进行函数优化时,遗传算法具有全局搜索能力强的特点,但其存在早熟收敛和后期收敛速度慢及局部搜索能力弱的问题。网格蚂蚁算法具有局部搜索能力强、优化精度高等特点,但其全局收敛速度较慢。因此提出了用于连续优化的遗传网格蚂蚁融合算法(Genetic and Grid Based Ant Colony Algorithm,GGACO)。该算法将遗传算法和网格蚂蚁算法相结合,用遗传算法进行全局搜索,用网格蚂蚁算法进行局部迭代寻优,经过若干次循环迭代产生最终结果。仿真实验结果表明,该算法在解决复杂函数优化时全局收敛性能好、速度快,尤其在解决高维多峰函数优化问题时效果更显著。 相似文献
17.
基于遗传算法的最优城市垃圾收运路线探究 总被引:1,自引:0,他引:1
通过对垃圾收运路线的分析,可归结为组合规划问题。针对目前垃圾收运路线多采用TSP模型,建立了改进的遗传算法的垃圾收运优化模型,并运用计算机编程和搜索技术进行研究,并结合实例给出参数对运输路线进行计算机仿真。分别以垃圾收运车程最短和垃圾收运时间最少建立目标函数,并挖掘出约束条件,建立垃圾收运路线的数学模型。对传统的遗传算法进行改进,采用赌论策略选择个体进行遗传交叉操作,来求得目标函数的近似全局最优解。经实例仿真证明,建立的模型是合理的,表明赌论策略的遗传算法适合于复杂的垃圾收运路线的优化,运行收敛速度快,为优化路线提供了参考。 相似文献
18.
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。 相似文献