基于格理论的NTRU遗传算法攻击

提出了一种基于格（Lattice）理论的NTRU遗传算法攻击,首先把对NTRU的攻击问题转化到遗传算法所能解决的问题空间。然后确定了个体的编解码方式,构造了适应度函数,选择适当的遗传算子,并以一个实例说明算法的工作流程。最后对实验结果进行了分析,分别讨论了进化终止代数、交叉率、变异率、初始种群规模对算法性能的影响。     

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.     

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。     

一种带混合杂交算子的遗传算法及其收敛性

本文将传统遗传算法中的杂交算子与一种新设计的优化方法相结合,提出了一种能改善种群中个体适应度的混合杂交算子,并通过修正适应度函数给出了一种新的求解连续型数值优化问题的遗传算法,并证明了其全局收敛性。数据试验表明,该算法对这些测试函数的结果优于文献中的方法     

求解矩形件优化排样的自适应模拟退火遗传算法

矩形件优化排样是一个NPC问题,在工业界有着广泛的应用.针对该问题,提出一种自适应模拟退火遗传算法.采用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来自动调整交叉和变异概率;同时引入模拟退火算法对个体适应度大于平均适应度的个体进行退火处理.自适应模拟退火遗传算法充分发挥了自适应遗传算法与模拟退火算法各自的全局搜索能力与局部搜索能力.对比实验表明,该算法结合改进的最左最下布局算法解决矩形件优化排样问题更加有效.     

改进的正交遗传算法及其在函数优化中的应用

提出了一种新的正交遗传算法(OBGA),算法的特点是利用正交数组产生初始种群,它比随机产生的初始种群更均匀分布在解空间中,而且在正交设计的基础上提出了一种新的杂交算子,与高斯变异算子相结合,提高了种群的多样性和算法的局部搜索能力,最后对6个多峰函数进行了测试.数值实验结果表明,新算法正确高效,稳定性好.     

基于动态入侵的自适应遗传算法研究

根据生物入侵的思想,将入侵的概念引入到遗传算法中,提出了一种新的基于动态入侵自适应遗传算法。在选择操作结束后,根据当前的种群类型自适应调整入侵率;根据种群所属的种群类型和种群的平均适应度值,确定染色体交叉概率;根据个体的所属类型和变异基因位置自适应调整变异概率。最后将该算法应用到函数优化问题,实验结果表明,改进后的算法在种群的多样性,收敛速度以及算法效率方面有了一定的改进。     

多群体遗传算法动态调整区间的参数优化方法

针对参数初始区间不能准确定义的参数优化问题,提出一种多群体遗传算法动态调整区间的参数优化方法。该方法采用多群体遗传算法,设计差分变异和均匀变异相结合的变异算子,进行区间外探索和区间内开发,并设计参数区间动态调整的策略,从而实现降低对参数初始取值区间准确性的要求,同时大大提高了算法的求解精度和求解速度。利用标准函数集验证了该算法的正确及有效性。     

改进的自适应遗传算法

Srinvivas等提出一种自适应遗传算法,交叉概率与变异概率能够随着适应度大小而改变。但在这种算法中,群体中最大适应度值的个体的交叉率和变异率为零,这使得进化走向局部最优解的可能性增加。提出了一种改进的自适应遗传算法,使群体中最大适应度值的个体的交叉率和变异率不为零。实验结果表明该算法在抑制“早熟”现象,防止陷入局部最优,提高种群收敛速度方面都有明显的效果。     

求解背包问题的一种改进遗传算法

讨论了遗传算法在问题求解中的早熟现象,引进一个参数用以衡量种群中染色体的相似程度,用以增加种群的多样性;在杂交和变异运算过程中,混合了模拟退火思想作为新个体的接受准则;通常的变异算子需要扫描每一个染色体中每一个等位基因,提出一种新的变异方式,大大提高了算法搜索效率。通过实际计算比较表明,该改进遗传算法在背包问题求解中具有很好的收敛性、稳定性和计算效率。     

A Novel Genetic Algorithm and its Application in Fuzzy Variable Structure Control of Fuel Cell

A novel genetic algorithm (GA) is proposed; a ranking genetic algorithm with improved crossover operator. The whole colony is divided into several sub-colonies, and each sub-colony is called a family, which is represented by its best individual. This algorithm includes two levels of structure: the family level and the harmonizing level. The families are parallel during the process of evolution. The harmonizing level ranks all families based on their fitness values, and transports the best individual of the first-rank family to low-grade families so as to accelerate their evolution. Two levels of competition are constructed; one among individuals of a family, and the other among families. The competition within a family is accomplished by a genetic algorithm with improved crossover operator. A family's mutation probability is determined by its relative competitive power. In this way, a rapid and global convergence to the optimum goal is obtained. The GA crossover operator is improved for the case of floating point operations. The improved crossover operator can generate child individuals at random within the space of the supercube, which enhances the space searching rate and precision. Finally, the proposed novel GA is applied to the fuzzy-variable structure control (FVSC) system of a molten carbonate fuel cell (MCFC). The simulation results are satisfying.     

货架分配问题的一个有效混合遗传算法

针对货架分配问题提出了一个遗传算法与模拟退火算法及一个局部搜索算法混合的算法。首先,设计了一种比较直观的编码方法,用一个矩阵作为一种货架分配方案。第二,设计了与编码相应的杂交和变异算子,并且杂交、变异都能生成可行解,不需要对解进行修正。第三,为了能够生成好的初始种群,定义了一个阀值,这个阀值不仅反映了解的适应值的信息,而且还反映解的结构的信息。第四,为了增加算法的局部搜索能力,同时又尽量不增加计算的复杂度,让模拟退火算法和一种局部搜索算法并行作用于相应的子群。通过大量的数据模拟实验及与其他的几种算法模拟结果进行比较,实验显示,该算法不论是计算结果还是算法的稳定性都优于其他算法。     

一种维持种群多样性的遗传算法变异算子的研究

本文针对二进制编码遗传算法中，由于传统变异算子随机地选取基因位置而对搜索全局最优的不利影响，分析了变异位置对种群多样性的影响．提出了一种新的维持种群多样性的变异算子，其变异概率和变异位置由种群基因位的多样度和个体适应度值自适应决定．经变异后优秀的个体得以保存，且在种群中每一基因坐上两种基因的比例控制在期望的范围内．本文最后用实验验证了该算于维持种群多样性的有效性．     

基于$pm3sigma$正态概率区间分族遗传蚁群算法的移动机器人路径规划

针对移动机器人路径规划问题,提出一种基于正态概率区间分族的家族遗传蚁群融合算法.首先提出初始种群优化及删除算子解决传统遗传蚁群融合算法中遗传阶段随机生成的初始种群质量低的问题;然后引入适应度值正态概率区间种群分族机制及家族混合交叉算子,解决传统遗传蚁群融合算法中易出现未成熟收敛的问题;最后引入混合变异策略以提高随机变异后生成的路径质量.将全局路径规划算法与局部路径规划算法-动态窗口算法相结合形成完整移动机器人运动规划.基于Matlab仿真平台与机器人操作系统平台进行实验分析,结果验证了所提出正态化概率分族遗传蚁群融合算法求解移动机器人路径规划问题的有效性.     

基于父个体相似度的自适应遗传算法

标准遗传算法在产生后代个体时采用先交叉后变异的策略,一方面当父个体非常相似时,交叉操作很难产生新的个体,影响算法对新的解空间进行搜索,从而导致种群多样性的丧失;另一方面交叉产生的优秀个体再历经变异,极有可能遭破坏而影响算法的收敛性。该文根据染色体的相似性,给出了个体相似度的概念,并在此基础上提出了依据父个体相似度的大小自适应地选择遗传算子(交叉或变异)的遗传算法。仿真实验表明,与采用常规遗传策略的遗传算法相比,新算法能显著提高解的质量和收敛速度。     

求解非线性规划问题的改进直觉模糊遗传算法

提出一种改进的直觉模糊遗传算法用于求解带有多维约束的非线性规划问题。以遗传算法在迭代寻优中的个体适应度大小构造相应可行解的隶属度和非隶属度函数,将非线性规划问题直觉模糊化转化为直觉模糊非线性规划问题,通过建立直觉模糊推理系统,自适应地调节遗传算法的交叉率和变异率;并采用一种改进的选择策略,将个体按适应度值大小排序、等量分组,对适应度低的个体组随机选择复制,保留不可行解中可能隐含的有利寻优信息,增强种群个体的多样性和竞争性。仿真实验结果表明,该算法求解非线性规划问题时是可行和有效的。     

器官遗传算法

提出一种改进的遗传算法，即器官遗传算法，该算法改变经典的遗传算法在选择操作中对群体中被选中的个体的各个分量全部继承的做法，对各个分量按其所在个体的适应分别进行选择和实行交叉，变异等操作，然后将这些分量组成新一代个体，以非线性规划问题为例进行了实验结果表明该方法比使用经典的遗传算法具有更好的收敛速度。     

基于排序的改进自适应遗传算法

本文提出了一种改进的自适应遗传算法,其遗传算子由个体在种群中的排序位置自适应地决定,其中选择算子还引入了disruptive selection的思想.该算法能避免群体中超级个体的出现,维持了种群的多样性,加快了种群的收敛速度,克服了遗传算法早熟的现象.函数优化的结果验证了该算法的有效性.     

基于可进化性的自适应遗传算法

针对传统遗传算法容易陷入局部最优解的问题,提出一个基于可进化性的自适应遗传算法。将个体可进化性作为适应度函数的参数加入到随进化代数动态调整的非线性适应度函数中,动态调整整个种群的交叉与变异概率以逸出局部最优。实验结果表明,该算法可改善适应度不高但具有较好进化能力个体的生存概率,且提高了种群多样性与搜索效率。     

一种基于最优特征选择改进的遗传算法

数据挖掘中如何有效地从高维特征空间选择最优特征子集,很大程度上影响模型的预测结果,基于此本文提出一种复合适应性函数、多特征组合搜索的自适应性遗传算法。算法依据统计学原理对原始特征先行过滤构建特征候选集,使用多模型融合的交叉验证结果作为适应性函数以提高每轮进化的适应值,轮盘赌算法、定长基因段交叉算法、随机基因位点变异算法分别构成选择算子、交叉算子和变异算子。通过实验对比表明该遗传算法具有一定的稳定性和有效性,能够在原始特征空间中启发性的选择最优特征子集,从而提高数值型预测准确率。