云环境下方差定向变异遗传算法的任务调度

云环境下遗传算法（GA）的任务调度存在寻优能力差、结果不稳定等问题。对于上述问题,提出了一种基于方差与定向变异的遗传算法（V-DVGA）。在选择部分,在每一次迭代的过程中进行多次选择,利用数学方差来保证种群的多样性并扩大较优解的搜索范围。在交叉部分,建立新的交叉机制,丰富种群的多样性并提高种群整体的适应度。在变异部分,优化变异机制,在传统变异的基础上采用定向变异来提高算法的寻优能力。通过workflowSim平台进行云环境仿真实验,将此算法与经典的遗传算法和当前的基于遗传算法的工作流调度算法（CWTS-GA）进行比较。实验结果表明,在相同的设置条件下,该算法在执行效率、寻优能力和稳定性等方面优于其他两个算法,是一种云计算环境下有效的任务调度算法。     

一种基于模式替代的遗传算法解0/1背包问题*

背包问题是一个典型的 NP完全问题。提出一种基于模式替代的遗传算法解0/1背包问题思想,通过收集每代种群中最好的几个个体生成模式来引导种群的搜索方向,以提高遗传算法的搜索速度和寻找最优解的能力。通过仿真数值实验,将该方法与简单遗传算法、贪心算法计算结果比较分析,充分证明了使用基于模式替代遗传算法来求解背包问题的有效性和实用性。     

基于复合形法的聚类遗传算法

针对标准遗传算法的未成熟收敛问题和局部收敛能力不佳等情况,提出一种基于复合形法的聚类遗传算法。通过使用复合形法结合聚类小生境技术对传统的遗传算法进行改进,得到基于复合形法的自适应聚类遗传算法（NCGA）。该算法使用FORTRAN语言进行编程,通过使用三种复杂的测试函数对其性能进行测试,并与自适应遗传算法（AGA）进行了性能比较,还分析了初始种群的优劣对算法性能的影响。测试结果表明：对于遗传算法的改进效果明显,在遗传算法中融入复合形操作能明显增强遗传算法的局部搜索能力,且聚类技术使得遗传算法的全局搜索能力得到显著增强,反向学习操作的添加能增强算法的稳定性。改进后的遗传算法的性能明显好于传统的遗传算法。     

基于遗传和禁忌搜索混合的软硬件划分算法

针对嵌入式系统软硬件划分问题,在比较了遗传算法（GA）和禁忌搜索（TS）各自优缺点的基础上,提出采用遗传/禁忌混合算法（GATS）的策略,用遗传算法提供并行搜索的主框架,用禁忌搜索作为遗传算法的变异算子,遗传算法中变异过程解空间的搜索由禁忌搜索实现。实验结果表明,GATS具有多出发点和记忆功能强、爬山能力强的优势,能够克服GA爬山能力差、TS单点出发的弱点。最后与单纯的遗传算法和禁忌搜索算法进行对比实验,证明GATS更有优势,得到的划分结果也更优秀。     

免疫进化混合猴王遗传算法

针对简单猴王遗传算法（MKGA）存在易陷入局部极值和稳定性较差的缺陷,提出了免疫进化混合猴王遗传算法（MKGAIEH）。MKGAIEH将总群体划分为若干个子群体,为了充分利用总群体中最优个体(总猴王)信息,引入免疫进化算法（IEA）对其进行免疫进化迭代计算;此外,对子群体内的其他个体,同时考虑子群体的子猴王与群体的总猴王对其进行交叉和变异遗传操作。当所有子群体的局部搜索完成后,再将各子群体的解重新混合。这种全局信息交换与子群内局部搜索相结合的策略不仅避免了早熟收敛,而且随着迭代的进行,还能以更高的精度逼近全局最优解。将MKGAIEH、MKGA、改进后的猴王遗传算法（IMKGA）、蜜蜂遗传算法（BEGA）、免疫进化粒子群蛙跳算法（IEPSOSFLA）和普通爬山算子遗传算法（COGA）对6个典型测试函数的计算结果进行了比较,其结果为:MKGAIEH对6个测试函数都能获得全局最优解,有5个测试函数获得的平均值和标准差比其他5种优化算法获得的平均值和标准差精度提高了几个数量级,达到了最小。这表明MKGAIEH具有更佳的寻优能力和更好的稳定性。     

基于个体相似性评价策略的改进遗传算法

遗传算法是一种通过模拟自然进化过程搜索最优解的方法。但这种算法在求解最优解过程中总是以计算时间为代价来换得最优解的产生。对此,提出一种基于个体相似`性评价策略的改进遗传算法,融入了一种新的旋转交叉算子,每个子个体根据其与父个体的相似度和可信度来确定个体的适应度值,仅当可信度值低于某个阈值时,个体才做真实的适应度计算。实验结果显示,相似性评价策略计算得到的个体适应度值接近真实的适应度值,并且改进的算法求得最优解需要的评价次数明显要少于传统遗传算法,而在测试准测上的数据表明:提出的改进遗传算法相对于传统遗传算法,性能较好且求得的最优解也较为理想。     

一种求解0-1背包问题的改进遗传算法

针对传统遗传算法（SGA）容易“早熟”的不足,提出一种求解0-1背包问题（KP）的改进遗传算法。借鉴二重结构编码的解码处理方法设计了一种新解码方法,在保证解可行性的同时修正种群中无对应可行解的个体;采用模拟退火算法和改进的精英选择算子改进SGA。实例仿真结果验证了改进遗传算法在进化效率和最优解搜索能力上的优越性。     

一种引入偏好信息的多目标优化遗传算法

提出一种以交互方式引入决策者偏好信息的多目标优化遗传算法．该算法使用一种基于偏好信息的排序方法比较个体之间的优劣，并通过图形用户界面实现决策者与算法的交互．对算法的计算复杂度进行了理论分析，并进行了仿真实验．结果表明，所提算法具有较高的搜索效率，能够有效地求得期望区域内的折中解；特别当决策者的偏好发生变化时，算法能够快速做出响应，改变搜索范围，提供相应区域内的解．     

基于BIC测度和混合遗传算法的BNC结构学习

贝叶斯网络分类器（BNC）结构学习是一个NP难题。贪婪搜索（GS）算法是一种有效且准确性较高的结构学习算法，但贪婪搜索算法很容易陷人局部最优。标准遗传算法是一种全局搜索优化算法，它通过模拟生物种群的进化过程，得到全局最优解。但就其个体而言，个体局部解的质量无法保证，不具备局部寻优的能力。提出了将两种算法相结合，以贝叶斯信息标准（BIC）测度为评价函数，得到一种混合遗传算法，实现了它们的优势互补。实验表明：该算法优于单独利用GS算法进行Bayesian网络结构学习，从而说明该算法的正确性和有效性。     

求解TSP问题的混合遗传算法

TSP问题是一类经典的NP问题,目前有很多方法对其求解,而用混合遗传算法对其求解取得了很好的成效。常见的混合遗传算法有遗传算法与最速下降法相结合（GACSDM）、遗传算法与模拟退火法相结合（SAGA）。设计了贪婪的复合变异算子（GCM）,并引入隔代爬山法算子（Climb）增加遗传算法的局部搜索能力。实验结果表明该算法是有效的。     

基于精英集聚效应的实数编码小世界优化算法

为了提高小世界算法的高维模型优化性能和降低算法的编码复杂性，提出了一种基于精英集聚效应的自适应实数编码小世界优化算法。该算法借鉴小世界现象进行网络空间搜索，包括随机长连接和局部短连接。为了提高优化性能，首先基于精英集聚效应在长连接中加入分级个体吸引策略；然后根据节点优化优劣在短连接中进行搜索次数及邻域大小的自适应调整。为了降低编码复杂性采用了实数编码。最后通过Markov链理论证明了算法的收敛性。数值测试结果表明，与禁忌遗传算法、基本小世界算法以及禁忌小世界算法相比，该算法在相对误差方面平均降低了30.3%，在收敛速度和稳定性方面分别平均提高了18.2%和13.8%，从而验证了算法的有效性。     

锦标赛精英学习与协方差变异的烟花算法

针对传统烟花算法收敛精度低,收敛速度慢,容易陷入局部最优等问题,提出一种基于锦标赛精英学习与协方差变异的烟花算法（GLFWA-CM）。该算法在爆炸算子过程中利用核心烟花更新信息确定核心烟花在每一维上的爆炸半径,并引导核心烟花在更新方向上产生更多的爆炸火花,提高了核心烟花的搜索能力;在变异算子中用协方差变异代替原来的高斯变异,充分利用爆炸火花的信息,有效平衡了算法的局部搜索和全局搜索能力;在烟花选择过程中提出了一种基于锦标赛的精英学习策略,有效加快了算法收敛速度。在CEC2015测试函数上做仿真实验,结果表明,与多种经典烟花算法相比,该算法在收敛性和稳定性上都具有较好表现。     

基于聚类的NSGA-II算法

采用精英策略的非支配排序遗传算法（NSGA-II）种群收敛分布不均匀,全局搜索能力较弱。针对该问题,基于现有的算法,提出一种基于聚类学习机制的多目标进化算法KMCNSGA—II。利用K均值聚类对目标函数和个体分别进行聚类,对聚类后的个体进行局部学习,以提高适应度。将该算法应用于经典的多目标约束和非约束测试函数中,通过收敛性指标世代距离和多样性指标△进行性能评价。实验结果表明,与NSGA—II算法相比,该算法在算法收敛性和种群多样性保持方面均有明显提高。     

解决0-1背包问题的遗传分布估计算法

0-1背包问题是典型的NP难问题,针对0-1背包问题提出分布估计算法（EDA）与遗传算法（GA）相结合的算法（E-GA）。该算法在每一次迭代中由二者共同产生种群,并行搜索,两种方法产生的个体数目动态变化,将EDA的全局搜索与GA的局部搜索能力、EDA的快速收敛性与GA的种群多样性结合,实现优势互补。通过三个背包问题算例进行算法验证,与以往文献相比,结果显示该算法所获最优值优于文献最优值,运行时间短且收敛速度快。     

基于动态全局搜索和柯西变异的花授粉算法

针对基本花授粉算法（FPA）收敛速度慢、寻优精度低以及容易陷入局部最优的缺点,提出了一种基于动态全局搜索和柯西变异的花授粉算法DCFPA。利用混沌映射增强花粉种群初始分布的随机性和均匀性,在全局授粉过程中,引入全局平均最优花粉位置和动态权重递减因子共同实现花粉个体位置的更新,牵引算法朝着正确的搜索方向进行,避免算法早熟收敛,最后利用Cauchy变异,增加种群多样性,帮助算法跳出局部最优。对6个测试函数进行仿真实验表明,DCFPA算法比FPA具有更好的全局优化能力,提升了算法的收敛速度与求解精度;与相关的改进算法比较结果也表明,DCFPA整体上也具有更好的优化性能。     

基于UML活动图及混合遗传算法的测试场景生成

有效降低测试成本是软件测试优化的重要研究问题。将遗传算法引入到软件测试中,对生成测试场景提供了必要的动力,然而遗传算法局域搜索能力差,在进化后期搜索效率低,导致算法比较费时。基于UML活动图提出了混合遗传算法生成测试场景的方法,该方法结合遗传算法和爬山法,有效地加快了测试场景的生成速度。为了避免局部性问题,在算法每次进行爬山操作之前调用种群生成函数。实验结果表明,与简单的遗传算法相比,混合遗传算法不仅有效地解决了局部性问题,而且较大地提高了生成测试场景的效率,降低了软件测试成本。     

用于连续域优化的遗传网格蚂蚁融合算法

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。     

基于天牛须搜索的花朵授粉算法

针对花朵授粉算法后期收敛速度慢,寻优精度低的缺点,提出了一种基于天牛须搜索的花朵授粉算法（BASFPA）。算法首先在全局寻优阶段采用天牛须搜索加快收敛,其次在局部寻优阶段加入变异策略帮助算法跳出局部最优。实验使用6个常用优化函数进行测试,结果表明BASFPA在低维和高维下收敛速度和精度均高于其他算法,达到相同精度所需的迭代次数均小于其他算法,证明天牛须搜索对FPA算法的改进是合理的。     

基于自适应维度选择的记忆进化算法

提出一种基于自适应选择维度的记忆进化算法。该算法设置一个三维数组保存有用的进化信息,用于引导后续的进化过程,增强局部搜索能力,在变异过程中结合记忆信息自适应地选择维度进行变异,加强变异的有效性,当代种群中的最优个体通过自学习提高算法求解精度。标准函数仿真结果表明,该算法适合求解高维优化问题,局部收敛速度快,全局收敛能力强,算法稳定性高。     

一种求解Job Shop 调度问题的改进遗传算法

传统遗传算法在求解Job Shop调度问题时存在收敛速度慢,易于早熟的缺点。在病毒遗传算法(VEGA)和灾变遗传算法的基础上提出了一种带有灾变因子的病毒遗传算法(IVEGA-C)。该算法在传统遗传算法的基本结构上加入了病毒感染操作和灾变操作,病毒感染操作实现了同代个体之间横向传递进化信息,灾变操作采用灭绝操作。正是这种改进加快了遗传算法的收敛速度,避免了早熟现象和陷入局部最优解。通过仿真实验验证了IVEGA-C算法在解决Job Shop调度问题中的性能优于传统GA算法和VEGA算法。最后给出了应用该算法的一个实例。