基于免疫学原理降低交叉算子破坏性的研究

应用免疫原理设计免疫算子对交叉结果进行修复,将免疫算子作为“有导向的变异算子”取代经典演化算法中的“盲目的变异算子”,有目的地利用待求解问题的知识抑制优化过程中的退化现象,并应用于旅行商问题。实验结果表明了算法的有效性。     

遗传算子的分析

阐述了遗传算法的特点，分析了遗传算法中选择算子、交叉算子和变异算子的特性，讨论了不同遗传算子对算法最优结果的获得所起的作用，提出了改善算法性能的措施，并设计了切实可行的选择算子、交叉算子和变异算子。模拟结果表明，遗传算法能在较短的时间内提供优化解，为解决复杂的优化问题提供了可行方案。     

遗传算子的分析

阐述了遗传算法的特点,分析了遗传算法中选择算子、交叉算子和变异算子的特性,讨论了不同遗传算子对算法最优结果的获得所起的作用,提出了改善算法性能的措施,并设计了切实可行的选择算子、交叉算子和变异算子。模拟结果表明,遗传算法能在较短的时间内提供优化解,为解决复杂的优化问题提供了可行方案。     

基于改进的选择算子和交叉算子的遗传算法

为了有效解决遗传算法中收敛速度与局部最优解的矛盾,文中提出了一种具有改进的选择算子和改进的交叉算子的遗传算法。使用文中改进的选择算子,能够增加算法收敛于全局最优解的概率,从而不容易陷入局部最优,也就增加了找到最优解的概率,使用文中改进的交叉算子可以加快算法的收敛速度,从而缩短寻找最优解的时间。实验证明,这两种改进算子的结合能以较快速度收敛于全局最优解,因此能很好地解决遗传算法中收敛速度与局部最优解之间的矛盾。     

基于改进的选择算子和交叉算子的遗传算法

为了有效解决遗传算法中收敛速度与局部最优解的矛盾,文中提出了一种具有改进的选择算子和改进的交叉算子的遗传算法。使用文中改进的选择算子,能够增加算法收敛于全局最优解的概率,从而不容易陷入局部最优,也就增加了找到最优解的概率,使用文中改进的交叉算子可以加快算法的收敛速度,从而缩短寻找最优解的时间。实验证明,这两种改进算子的结合能以较快速度收敛于全局最优解,因此能很好地解决遗传算法中收敛速度与局部最优解之间的矛盾。     

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。     

基于工件位置交叉算子的车间作业调度算法

交叉算子是遗传算法中最主要的遗传算子,对种群的搜索性能起着重要的作用。基于操作编码的遗传算法多采用两点交叉算子,研究发现这种交叉算子收敛速度慢,容易陷入局部最优解,为此设计了一种基于工件位置的交叉算子,通过试验仿真验证了该算子在收敛速度和求全局最优解上有显著优势。     

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.     

GASS II遗传模拟混合智能优化算法

通过对遗传算法算子的行为分析，给出概率动态变化的交叉和变异算子。同时，将遗传算法与随机模拟结合。设计GASS II遗传模拟混合智能优化算法。随机模拟采用缩减方差、加速收敛的分层抽样技术，保证抽样遍布整个搜索空间，突破个体分布“畸形”交叉对遗传算法进化能力的限制，有效发挥遗传算法的隐合并行搜索特性，在发生不成熟收敛时能从当前局部解中跳出，搜索转向具有更高适应度的抽样解，迅速收敛到全局最优解，从而有效避免早熟现象，提高了寻优的效率与精度。Benchmark问题评测结果显示出该算法的有效性。     

遗传算法的混合算子策略

在一般遗传算法中，求最优解时既可避免早熟收敛，又能提高收敛速度是困难的，因为算法中使用了单独一组交叉算子／变异算子。本文提出一种新的基于混合算子的遗传算法执行策略。在求解旅行商问题（TSP）中，为了提高局部搜索能力和收敛速度，给出了一种基于边重组的启发式交叉算子。仿真实验表明了这种算法的有效性。     

A novel genetic algorithm based on immunity

A novel algorithm, the immune genetic algorithm (IGA), is proposed based on the theory of immunity in biology which mainly constructs an immune operator accomplished by two steps: 1) a vaccination and 2) an immune selection. IGA proves theoretically convergent with probability 1. Strategies and methods of selecting vaccines and constructing an immune operator are also given. IGA is illustrated to be able to restrain the degenerate phenomenon effectively during the evolutionary process with examples of TSP, and can improve the searching ability and adaptability, greatly increase the convergence rate     

应用改进的遗传算法求解TSP问题

旅行商问题,也称货郎担问题,属于完全NP问题,而遗传算法在解决组合排列问题方面占有很重要的地位.针对TSP问题,提出了一种改进的遗传算法.利用交换启发交叉算子和可变交叉概率实现局部搜索,加快算法的收敛速度,利用变换变异算子和可变变异概率维持群体的多样性防止算法早熟收敛.Java仿真实验结果表明,改进后的算法明显优于传统的遗传算法,说明该算法具有良好的有效性和可行性.     

基于可行方向变异的NSGA_Ⅱ改进算法

在已有多目标遗传算法(NSGA_Ⅱ)研究和分析的基础上,提出一种改进算法INSGA_Ⅱ。在引入算术交叉算子的同时,主要对变异算子进行了改进,引入了Zoutendijk可行方向变异算子。实验表明,改进的算法INSGA_Ⅱ具有更快的收敛速度、更好的收敛性和种群多样性。     

基于自适应遗传算法的软件测试用例自动生成

在软件测试中,测试成功的关键是快速、高效的生成测试用例.遗传算法是一种通过模拟自然界生物进化过程搜寻最优解的一种算法,算法通过选择、交叉和变异操作引导算法搜索方向,逐步接近全局最优解.传统遗传算法由于具有较好的全局搜索能力,因此被很多科研人员应用于测试用例生成.但遗传算法的固有缺陷"早熟收敛",容易导致算法收敛于局部最优.针对这种情况,提出一种自适应遗传算法,该算法交叉算子和变异算子可根据程序变化自动调整,随后,将改进后的算法应用于一程序的测试用例生成中.测试结果表明该算法在测试用例生成的效率和效果方面优于传统搜索算法和普通改进算法.     

遗传算子对免疫算法性能影响的分析

在研究现有进化算法的优越性与存在不足的基础上,受生物免疫原理的启发,提出了一种新的算法--免疫算法.免疫算法是在免疫系统识别多样性的启发下所设计出的一种随机启发式算法,其参数的取值和操作的具体实现形式对算法的性能有较大的影响.本文详细地讨论了基于信息熵概念的免疫算法并分析了交叉和变异遗传算子对免疫算法性能的影响,将遗传算法的非均匀变异操作引入免疫算法,模拟实验结果表明了改进算法的有效性.     

生物智能算法在机器人路径规划中的应用研究

提出并研究了一种应用于机器人路径规划的改进型生物智能算法。针对机器人路径规划的实际应用,在用Dijkstra算法链接图建模的地图中得到一个最优解的可行空间,又用优化蚁群算法得到全局的最优路径,具有较强的鲁棒性。在微粒群算法的基础上提出了矢量编码方案,有效避免了对地图建模过程的依赖,优化设计了交叉算子和变异算子,使得算法在保持较高收敛速度的同时能够避免陷入局部最优点。计算机仿真结果表明了算法的有效性。     

一种用于矩形排样优化的改进遗传算法

矩形排样优化属于NPC问题,在工业界有着广泛的应用,如布料切割、金属下料和新闻组版等。提出了一种基于环形交叉算子和环形变异算子的自适应遗传算法,并将改进的自适应遗传算法和IBL启发式布局算法相结合,有效地解决了矩形排样优化问题。对比实验结果表明,环形交叉算子和环形变异算子对遗传算法是有效的,所提出的改进混合自适应遗传算法能够在一个较短的时间内找到满意解。     

基于概率幅编码的混合量子演化算法

个体基于量子概率幅进行编码,并将经典遗传算法的杂交算子用于量子演化算法中演化目标的优化,提出了混合量子演化算法。算法中对量子旋转角自适应更新,并首次引入了突变度的概念定义了自适应的变异算子,对量子个体的演化目标定期实施杂交,有效地交换并利用了演化信息,避免了未成熟收敛,提高了算法效率。数值优化问题的实验结果表明该算法优于QEA和CGA,并能以极大概率成功地解决“大海捞针”问题,且计算效率高,优化速度与CGA相当。