对适应值共享遗传算法的分类及评价

针对多峰函数优化问题先后出现了一系列适应值共享类的遗传算法.这些算法都需要事先提供某种信息.本文基于事先提供信息的区别提出了一种新的适应值共享类遗传算法的分类方法,并通过一个复杂的标准测试问题对这些算法进行了比较和评价,结果表明在各种算法中,清除算法、动态小生境共享算法和新聚类适应值共享算法具有较高的搜索能力和优化速度.本文的工作对于这些适应值共享类遗传算法的应用和进一步改进具有指导意义.     

基于适应值共享的多生境排挤遗传算法

针对优化多模函数时单纯使用共享和排挤机制的遗传算法所存在的缺陷,提出了基于适应值共享的多生境排挤遗传算法。基本思想是：按照共享的思想在对个体的适应值进行调整的同时,将排挤选择和相似个体中适应度最差个体被替换的策略分别应用于选择算子和群体的进化中。理论分析和数值实验表明,该算法很好地维持了种群多样性,对于各类多峰函数具有较强的搜索能力。     

自适应调整峰半径的适应值共享遗传算法

适应值共享遗传算法需要事先给出解空间中峰的数目或峰的半径,这对于某些问题来 说是有困难的.针对这类问题,提出将峰的半径作为决策变量,对其进行编码并放入染色体中参 与演化过程,利用遗传算法的优化能力在对问题进行优化的同时对个体的峰半径进行自适应调 整.用所提出的方法对多个标准测试问题的优化结果表明,采用自适应峰半径调整方法的适应 值共享遗传算法有很强的多峰搜索能力.     

排挤小生态遗传算法的改进方法

提出了基于搜索空间聚类分析的聚类排挤小生态遗传算法.通过分析适应值曲面的拓扑结构和扩大相似个体的搜索范围,聚类排挤可确定搜索空间的局部性,减少排挤的替换错误并抑制种群的遗传漂移;通过结合确定性替换和概率替换策略,聚类排挤提高了并行局部爬山能力和并行子种群维持能力.对不同多峰问题的仿真优化结果表明,聚类排挤小生态遗传算法的有效峰数量、平均峰值比和全局最优解比等综合性能一致地优于适应值共享、简单确定性排挤和概率排挤等小生态遗传算法.     

案例系统特征权值优化算法的仿真研究

研究案例系统特征权值优化问题,传统特征权值确定方法过分依赖主观判断和经验,而单一遗传算法或禁忌算法存在各自的不足,因此案例分类精度低。为了提高案例分类精度,提出一种遗传算法和禁忌算法相融合的案例系统特征权值优化方法。利用遗传算法全局搜索能力、并行性和禁忌算法局部搜索和记忆能力,有效地解决了案例系统特征权值优化问题。仿真结果表明,混合方法利用了遗传算法和禁忌算法的优点,很好地优化了案例系统特征权值,从而加快案例系统检索速度,提高了案例分类精度。     

几种基于多目标遗传算法的QoS组播路由优化算法

提出基于多目标遗传算法的QoS组播路由优化算法,在遗传进化过程中分别使用三种方法：随机权重方法随机生成权重,使算法具有可变搜索方向,沿Pareto前沿面均匀采样,增加算法成功率;Pareto排序方法合理分配适应值,使Pareto解具有相同的适应值,并能调整选择压力;Pareto竞争方法通过适应值共享维持种群多样性,提高遗传算法的性能。实验仿真在不同网络规模下研究算法的遗传进化过程、成功率、收敛速度和可扩展性,并与相关算法进行比较与分析,证明本文提出的算法是可行的、有效的。     

基于融合算法的测试优化选择问题研究

测试优化选择是个集覆盖问题,而启发式算法是求解集覆盖问题的有效方法。文中将遗传算法、BP神经网络和模拟退火算法进行融合,提出了一种融合算法,该算法充分利用遗传算法全局搜索能力强、BP神经网络训练能力强和模拟退火算法搜索速度快的优点,既避免陷入局部最优的现象,又提高了搜索的效率和精度。该算法已应用于求解测试优化问题。实例证明,该算法能够快速有效地求得测试优化问题的最优解。     

配电网无功优化的算法实现

电力系统无功功率优化作为提高电能质量,减少电能损失的手段是目前研究十分活跃的课题之一.遗传算法是一种高度并行、随机和自适应的优化算法,可以解决传统优化方法难以解决的非线性、多参数寻优问题,但易陷入未成熟收敛.提出了一种改进遗传算法,改进适应值函数,再通过分级、加速、收缩策略使解群中最好的解直接放人下一代种群中,提高了算法的收敛速度和全局最优搜索能力,仿真计算结果表明了改进算法的优越性.     

一种基于引向因子和反向搜索的改进遗传算法

针对标准遗传算法应用于数值优化时存在收敛缓慢、易早熟收敛及收敛精度低的问题,提出了一种改进的遗传算法,对标准算法的交叉算子进行了改进——加入了引向因子,使参与交叉的个体向着最佳个体靠近,同时,还加强了群体之间的信息共享机制,使交叉运算中个体搜索方向受到更多个体的影响,使得算法不易陷入局部收敛.并将反向搜索技术结合到上述改进遗传算法之中,增加了算法探索新的解空间的能力,从而提高算法的全局搜索能力,改善了全局解的精度.最后,使用改进后的算法对5组典型的复杂测试函数进行优化,将优化结果与标准算法优化结果进行对比,结果表明改进的算法有效地克服了标准遗传算法应用于数值优化时存在收敛缓慢、易早熟收敛及收敛精度低的问题.     

定向多尺度变异克隆选择优化算法

提出一种定向多尺度变异克隆选择优化算法.为了实现抗体间信息共享,算法利用定向进化机制引导抗体向着抗体群最优解区域逼近.采用多尺度高斯变异机制,在算法初期利用大尺度振荡变异实现了全局最优解空间的快速定位.随着适应值的提升,小尺度变异会随之减低,使得算法在进化后期通过小尺度变异完成局部精确解的搜索.将算法应用到5个经典函数优化问题,结果表明,该算法不仅具有更快的收敛速度,而且全局解搜索能力和稳定性均有显著提高.     

A Review of Niching Genetic Algorithms for Multimodal Function Optimization

In this paper, a comprehensive review of approaches to solve multimodal function optimization problems via genetic niching algorithms is provided. These algorithms are presented according to their space–time classification. Methods based on fitness sharing and crowding methods are described in detail as they are the most frequently used.     

基于个体邻域的改进NSGA-Ⅱ算法

带有精英策略的非支配排序遗传算法（NSGA-II）是在NSGA的基础之上，提出拥挤度和拥挤度比较算子，代替了需要指定共享半径的适应度共享策略，是解决多目标优化问题的经典算法之一。但是NSGA-II算法在保持种群多样性时采取的拥挤距离排挤机制有着pareto前沿分布不均匀的缺陷，因此，提出一种基于个体邻域的改进NSGA-II算法SN-NSGA2。SN-NSGA2将密度聚类算法DBSCAN中邻域的思想应用到排挤机制中去，提出一种个体邻域的构建方法，采用相应的淘汰策略去除个体邻域中的其他邻居个体。实验结果表明相对于NSGA-II算法来说，新算法求出的pareto解集有着更好的分布性以及良好的收敛性。     

多模态函数优化的拥挤聚类遗传算法

对多模态函数优化问题，分析了各种小生境策略；将拥挤模型与聚类算法相结合，提出了一种拥挤聚类遗传算法．拥挤模型在适应值曲面上形成多个小生境，聚类算法消除了每个小生境内部的基因漂移现象．理论分析证明了算法的收敛性能．数值实例表明，拥挤聚类模型在多极值搜索的数量、质量和精度上都优于拥挤模型与确定性拥挤模型．将拥挤聚类遗传算法应用于国家同步辐射实验室变间距全息光栅的设计，取得了满意的效果．     

The crowding approach to niching in genetic algorithms

A wide range of niching techniques have been investigated in evolutionary and genetic algorithms. In this article, we focus on niching using crowding techniques in the context of what we call local tournament algorithms. In addition to deterministic and probabilistic crowding, the family of local tournament algorithms includes the Metropolis algorithm, simulated annealing, restricted tournament selection, and parallel recombinative simulated annealing. We describe an algorithmic and analytical framework which is applicable to a wide range of crowding algorithms. As an example of utilizing this framework, we present and analyze the probabilistic crowding niching algorithm. Like the closely related deterministic crowding approach, probabilistic crowding is fast, simple, and requires no parameters beyond those of classical genetic algorithms. In probabilistic crowding, subpopulations are maintained reliably, and we show that it is possible to analyze and predict how this maintenance takes place. We also provide novel results for deterministic crowding, show how different crowding replacement rules can be combined in portfolios, and discuss population sizing. Our analysis is backed up by experiments that further increase the understanding of probabilistic crowding.     

基于粗糙集和小生境遗传算法的层次聚类算法

目前大部分聚类算法都面向数值属性,针对符号属性的则比较少.提出了一种新的聚类算法 RNGADHCA,该算法将基于共享机制的小生境遗传算法运用到分裂式层次聚类算法中,并用粗糙集的思想来定义遗传算法的适应度函数,实验表明,该算法在面向符号属性进行聚类时能取得较好的聚类效果.     

分布协同交互式遗传算法及其在群体决策中的应用

针对交互式遗传算法单机实现模式存在的局限性,本文提出一种分布协同交互式遗传算法,并介绍了算法实现的关键技术.基于群体决策满意度和用户评价偏好,给出了共享个体数量确定方法和共享个体的选择方法.还提出了合理的评价平台和有效的决策评价指标以及隐含的信息交互方式等.为减轻用户疲劳,基于个体相似度,提出一种类适应度近似策略.最后基于服装的色彩设计问题,给出实验结果,以验证该算法的可行性.     

小生境分布估计量子遗传算法及其仿真分析

针对现有量子遗传算法进化机制存在的收敛速度慢以及易陷入局部极值的问题,为提高量子进化算法的全局收敛性能,结合小生境技术中的共享适应度函数方法,提出了小生境分布估计量子遗传算法NEDQGA,在种群内部利用多粒度机制和边缘积模块(MPM)进行量子染色体的两步旋转;并提出利用MPM进行交叉的方法,从而增强了种群多样性,避免了优良模式的损失,加快了算法的收敛;对算法的收敛性进行了分析,提出了MPM更新量子染色体的熵收敛准则。经函数仿真分析,算法收敛效果明显提高。