求解约束优化问题的退火遗传算法

针对基于罚函数遗传算法求解实际约束优化问题的困难与缺点,提出了求解约束优化问题的退火遗传算法。对种群中的个体定义了不可行度,并设计退火遗传选择操作。算法分三阶段进行,首先用退火算法搜索产生初始种群体,随后利用遗传算法使搜索逐渐收敛于可行的全局最优解或较优解,最后用退火优化算法对解进行局部优化。两个典型的仿真例子计算结果证明该算法能极大地提高计算稳定性和精度。     

基于整体退火遗传算法的膜系设计方法

提出了以遗传算法和模拟退火算法相结合的整体退火遗传算法（ＧＡＳＡ）进行膜系设计的新方法。整体退火遗传算法具有全局寻优能力,与作为现代光学薄膜自动设计的主要方法－针法相比,在相同薄膜层数情况下用该方法设计可以得到较优的结果,或者用更少的薄膜层数达到同样的设计结果。并且对初始条件不敏感,可以确定膜层厚度边界,以确保制备方便。理论与实例表明该方法是高效的和可靠的。     

信号去噪阈值参数选择的自适应退火遗传算法

提出了一个用于小波阈值去噪中最优阈值参数选取的自适应退火遗传算法,提出一种新的自适应退火策略用于选择概率的计算以增强算法的收敛性,在交叉和变异概率的选取上也进行了自适应处理,以进一步改善算法的稳定性和收敛性.计算机仿真结果表明,该算法可稳定有效地选取最优的去噪阈值参数.     

遗传算法的概率收敛定理

通过对于遗传算法一般模型收敛性的讨论,给出一般模型概率收敛的条件,应用这些条件证明了杰出者遗传算法,整体退火遗传算法、最佳值遗传算法、广义模拟退火遗传算法的概率收敛定理。     

遗传算法改进研究

遗传算法是一种比较成熟的智能算法,一般通过改进遗传算法的算子达到提高算法性能的目的。提出一种改进的遗传算法,新的遗传算法对标准的遗传算法中的编码、适应度函数等方面对遗传算法进行改进,并通过VisualC#软件编程计算,得到较好的优化结果,实验结果表明提出的算法是有效的。     

解析HGTPA的一种启发式组卷算法

组卷算法是在线考试系统的核心,本文结合遗传算法的优点,提出一种新的启发式遗传组卷算法(Heuristic Genetic Test Paper Algorithm,HGTPA),该算法能克服遗传算法的缺点,并在实验测试中取得比较满意的结果。     

遗传算法改进研究

遗传算法是一种比较成熟的智能算法,一般通过改进遗传算法的算子达到提高算法性能的目的。提出一种改进的遗传算法,新的遗传算法对标准的遗传算法中的编码、适应度函数等方面对遗传算法进行改进,并通过VisualC++软件编程计算,得到较好的优化结果。     

基于计算几何和遗传算法的直线度误差评定

针对机械工程测量中常见的直线度误差评定问题,本文建立了基于计算几何和遗传算法的最小区域素线直线度误差评定算法。并利用VB编写了相应的评定模块,采用多组数据对两种算法的评定结果和效率进行了比较。结果表明,遗传算法的评定结果与计算几何算法相近,但计算几何算法更稳定、效率更高,且可以得到符合国家标准定义的最小区域直线度误差值。     

智能化遗传算法

针对遗传算法的收敛速度慢、收敛早熟和概率稳定性差等问题提出一种智能化遗传算法(IGA)。首先，建立描述种群进化的统计特征量，为IGA的算法策略提供决策依据。其次，建立种群的自学习算法、种群的自组织算法与遗传算子操作概率的自适应算法，并将这些算法嵌入最优保存简单遗传算法(OMSGA)，从而构成IGA。最后，从理论上对算法收敛性及效率进行了分析。通过遗传算法标准测试函数的仿真结果证明了算法的实用性和有效性。     

多边形障碍环境中避障路径的遗传算法

研究了平面障碍环境中避障的遗传算法，重点介绍了障碍环境的模型构造和用遗传算法求解该模型的方法设计．采用了与已有遗传算法不同的染色体编码方式和不同的遗传算子设计，在初始群体产生时尽量避免了引入无效基因，提高了染色体进化的效率，使得该算法具有很好的寻优能力，实验结果也表明了该算法的有效性．     

可靠性优化的一种新的算法

建立了可靠性冗余优化模型,提出了一种基于粒子群优化算法的可靠性优化的新方法,该方法结合了遗传算法的思想。实例结果表明,粒子群算法比模拟退火算法和遗传算法效果好。     

基于模拟退火并行遗传算法的Otsu双阈值医学图像分割

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。     

A Genetic Algorithm Hybrid for Constructing Optimal Response Surface Designs

Hybrid heuristic optimization methods can discover efficient experiment designs in situations where traditional designs cannot be applied, exchange methods are ineffective, and simple heuristics like simulated annealing fail to find good solutions. One such heuristic hybrid is GASA (genetic algorithm–simulated annealing), developed to take advantage of the exploratory power of the genetic algorithm, while utilizing the local optimum exploitive properties of simulated annealing. The successful application of this method is demonstrated in a difficult design problem with multiple optimization criteria in an irregularly shaped design region. Copyright © 2004 John Wiley & Sons, Ltd.     

基于遗传模拟退火算法的空袭兵力分配及优化

对遗传模拟退火算法中的交叉、变异操作进行了改进，并实施了最优保留策略，形成了改进遗传模拟退火算法．以突击效果最大化和兵力损失最小化为目标函数，以空袭兵力总量的限制、空袭兵器挂载类型的限制等为约束条件，建立了空袭兵力分配及优化模型．在考虑兵力分配模型特点的基础上，利用改进遗传模拟退火算法求解．通过与多目标数学规划和标准遗传算法优化进行的比较表明，该方法能够有效地解决带约束的多目标优化问题．     

缓冲区容量约束下发动机混流装配线排序研究

为解决缓冲区容量约束下发动机混流装配排序问题,以关键部件消耗均匀化和最大完工时间最小化为目标,建立了优化数学模型,设计了一种多目标遗传算法,采用了混合交叉算子和启发式变异方法,并设计了基于帕累托分级和共享函数的适应度函数,将多目标遗传算法和多目标模拟退火算法的优化结果进行了比较。研究结果表明,多目标遗传算法在满意度和计算效率方面均优于多目标模拟退火算法,是一种有效的混流装配线排序问题求解算法。     

改进的遗传算法在粒径测量中的应用

在光全散射法粒径测量中,基于改进的遗传算法反演颗粒系的粒径分布.在独立模式下,粒径反演为求解约束优化问题,将改进的遗传算法与模拟退火算法相结合,克服了罚函数遗传算法反演时罚系数难以确定以致极易产生不可行收敛解的不足.在非独立模式下,采用改进的遗传算法能够在3个波长下较准确地反演粒径分布.在光全散射法中采用改进的遗传算法反演粒径分布是可行的,反演结果稳定可靠,避免了基本遗传算法容易过早收敛而使反演结果陷入局部解的缺陷.     

基于退火遗传算法的四阶带通箱设计

四阶带通式扬声器系统对扬声器单元参数和箱体参数的配合要求较高，设计复杂。文章中将模拟退火算法和遗传算法相结合，提出了运用具有全局搜索能力的模拟退火遗传算法(SAGA)来设计四阶带通扬声器系统的方法，该算法避免了单一遗传算法存在的早熟收敛和搜索效率较低等问题，提高了算法的收敛速度。文章中考虑了声导管泄漏损耗的影响，并提出了泄漏损耗的QL值的实际测定方法。测量结果表明理论曲线与实测曲线相吻合，说明模拟退火遗传算法能达到设计要求。     

几种优化算法在浅海匹配场反演中的性能比较

在分析模拟退火算法、遗传算法、差异进化算法、下山单纯形差异进化算法的优化机理的基础上,定量比较了上述算法在浅海匹配场反演中的效率差异。模拟退火算法与遗传算法只使用目标函数值信息在参数空间搜索全局最优值,效率低且易受参数间耦合的影响。差异进化算法使用种群中个体间的距离与方位信息在参数空间中搜索全局最优值,优化效率随着优化过程的进行而下降。下山单纯形差异进化算法将下山单纯形算法融入差异进化算法,增强了差异进化算法的寻优能力,混合算法对目标函数梯度信息敏感的特性使得这一算法具有较强的解耦能力。浅海匹配场反演仿真算例从最优参数反演结果、最终目标函数值、反演时间等方面检验了上述算法的反演效率。