基于分裂算子的遗传算法和自适应遗传算法

针对遗传算法所存在的早熟和收敛速度慢等问题,基于低等生物的分裂生殖现象,提出了分裂算子的概念,并将该算子引入到传统遗传算法和自适应遗传算法中,对这两种遗传算法进行了改进。通过一系列多峰函数测试实验,将改进算法分别与基本遗传算法和自适应遗传算法进行比较,证明引入分裂算子后的遗传算法和自适应遗传算法不仅有效地收敛到全局最优解,而且提高了收敛速度。     

基于学习算子的自学习遗传算法设计

遗传算子是影响遗传算法优化效果的重要因素。针对目前遗传算法研究中忽视个体能动性,没有充分利用进化经验信息的不足,提出反映个体学习能力的学习算子。给出了以个体适应度的变化方向和速度为依据的学习算子设计方法及其计算过程。在此基础上与现有的改进遗传算子结合,提出一种新的改进遗传算法-自学习遗传算法,分析了自学习遗传算法与自适应遗传算法之间在原理上的区别。以一个弹道导弹射程优化问题为算例对算法进行了性能测试,结果表明,在采用相同的改进遗传算子的条件下,学习算子能够以较低的代价提高遗传算法的收敛速度,并获得更好的最终优化结果。     

自适应遗传算法的改进与应用

针对遗传算法易出现早熟现象，通过对标准遗传算法和自适应遗传算法的分析研究，本文对自适应遗传算法进行了改进。即在保留以往自适应遗传算法优点的同时，设计了与种群个体分布及种群规模的波动情况相关的自适应遗传算子。实验结果表明：该算法不易陷入局部极值，收敛速度快。     

自适应模拟退火遗传算法的改进与应用

提出了一种改进的自适应模拟退火遗传算法,该算法将遗传算法和模拟退火相结合,利用模拟退火算法较强的局部搜索能力,解决了基本遗传算法收敛速度慢的缺点,提高了全局寻优能力.实验结果证实了该混合算法的有效性和高效性.     

一种基于隔离自适应算子的遗传算法研究

本文首先介绍了遗传算法的理论知识,阐述了基本遗传算法的优点及不足之处。然后在小生境遗传算法的基 础上,引入了隔离技术以及自适应算子,形成了一种基于隔离技术以及梯度算子的小生境遗传算法。理论及实践均表明,新的 改进的遗传算法在实际问题的解决中确实优于基本小生境遗传算法。     

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.     

一种改进的自适应遗传算法

为了提高遗传算法的搜索效率，引进了父子竞争机制，采取一多点交叉操作技术，提出了一种改进的自适应遗传算法，并通过一个多元多峰数学函数对最佳个体保留遗传算法(Elitist-Reserved GA，EGA)、自适应遗传算法(Adaptive GA，AGA)以及文中提出的改进算法(Multi-point Crossover Adaptive GA，MAGA)进行比较评估，验证了该方法的合理性和可靠性。     

基于遗传算法的自适应学习路径探究

针对线上课程缺乏教师的实施监督和引导,提出了一种基于遗传算法和自适应学习理论的线上课程学习路径规划设计.从已有的线上课程的数据和资源出发,创建自适应学习路径编码和种群初始化,确定适应度函数,以及设计自适应学习路径的遗传算法.实验结果表明遗传算法对线上课程自适应学习路径规划有较好的适应性和可行性,该研究对遗传算法在自适应...     

人机界面自适应机制的设计和实现

当前，自适应界面已成为人机界面研究的一个方向。首先介绍了有关自适应界面的一些基本概念，并在此基础上提出了一个人机界面的自适应机制。对该机制的系统结构、实现技术进行了广泛的讨论，该机制已被应用于集成化ＣＡＤ／ＣＡＰＰ／ＣＡＭ系统－ＧＳ－ＩＣＣＣ的研制工作中。同时介绍了该机制的一些实现细节。ＧＳ－ＩＣＣＣ的自适应机制已在Ｘ－Ｗｉｎｄｏｗｓ／Ｍｏｔｉｆ环境下实现，并被证明其在提高人机交互有效性上具有良发     

一种基于学习机制的并行遗传算法

基于生物学群落的概念,提出了一个群落-种群-个体的三层模型,并在该模型上发展了一种基于学习机制的并行遗传算法(PGABL)。算法引入黑板模型作为控制和交互的数据结构,采用群内、群间、群落三个学习算子,将遗传进化和遗传学习相结合,有效地改善了遗传算法的性能。实验结果表明,该算法具有良好的适应性和稳定性。     

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。     

关于“遗传算法中交叉和变异概率选择的自适应方法及作用机理”一文的商榷

“遗传算法中交叉和变异概率选择的自适应方法及作用机理”一文提出了自适应遗传算法的模式定理, 并以此为基础分析了自适应交叉、变异的作用机理. 本文对其分析过程和结论提出了不同的看法.     

模糊自适应遗传算法

针对标准遗传算法在实际应用中存在的早熟问题,设计了标准遗传算法的一种改进形式--模糊自适应遗传算法.该算法是利用种群的方差和熵来衡量种群多样性,并根据每代种群的方差和熵设计模糊推理系统来自适应控制交叉概率和变异概率.通过多峰函数优化问题的仿真实验,表明了该模糊自适应遗传算法的可行性和有效性.     

利用自适应选择算子结合遗传算法的机器人路径规划方法

在二维复杂环境中,为了避免机器人运动规划中可能出现的局部陷阱和过早收敛问题,提出一种改进的元启发式算法——自适应遗传算法。首先,利用随机Dijkstra算法创建初始种群;然后,在遗传算法的每一代中,改进所创建的路径,并用自适应算子替代常规选择算子;最后,通过搜索过程中的反馈信息,可以令自适应选择算子在整个算法运行中恰当地控制选择压力。为了验证所提方法的有效性,在MATLAB中进行了仿真实验,并将所提方法与另外两种典型方法进行了对比。实验结果表明,提出的方法可以有效避免路径规划中的局部收敛问题,且在复杂环境中也可以产生可行路径。     

基于改进自适应和声遗传算法的装配序列优化研究

在考虑装配工具及零件装配方向改变对装配成本影响的同时, 增加装配体约束稳定性影响作为装配序列优化评价要素, 构建装配成本模型。基于装配体几何约束关系, 建立装配方向约束矩阵和连接关系矩阵, 并依据专家知识得到零件所对应工具的映射表, 通过矩阵扫描得到装配成本惩罚次数, 并与惩罚系数加权得到装配成本函数值。在和声算法中引入自适应的参数调节方式及遗传算子, 使和声算法能够解决离散型数学问题, 并较好地改善了和声算法方向性差的缺点, 通过求解惩罚函数最小值, 得到其所对应的最优装配序列解, 最后结合实例对比, 验证了该方法有的效性。     

精英自适应混合遗传算法及其实现

传统的基本遗传算法在全局搜索和收敛速度上存在不足,而自适应遗传算法可以较好地控制算法的全局搜索能力和收敛速度。提出精英选择算法,将父辈和多个子辈组成“家庭”,选择家庭中的优秀个体进入遗传群体。将自适应思想与精英选择算法结合起来提出精英自适应混合遗传算法,保证了样本多样性,同时大大加快了收敛速度,采用一个多峰值函数验证了混合算法的性能。     

一种基于自适应遗传算法的神经网络学习算法

结合遗传算法与梯度下降法优点,提出了一种训练神经网络权值的混合优化算法,同时能够优化网络的结构。首先利用全局搜索能力可靠的遗传算法,采用递阶编码方案和自适应变异概率,同时优化网络的权值和结构,在进化结束时,能够寻到全局最优点附近的点。在遗传算法搜索结果的基础上,利用局部寻优能力较强的梯度下降法,从此点出发,进行局部搜索,最终达到网络的训练目标。与单一的遗传算法或者梯度下降法比较而言,混合优化算法的收敛速度明显提高。     

基于自适应混沌遗传算法的路径规划

如何保证在未知复杂环境下规划出的机器人路径全局最优或较优一直是这一领域的一个研究难题,将混沌理论和遗传算法相结合,提出了一种新颖的基于自适应混沌遗传算法的机器人路径规划算法。利用信息熵产生初始群体,增加初始群体的多样性,将混沌优化的遍历特性引入遗传算法,以防止和克服进化过程中的“早熟”现象。仿真实验表明,即使在复杂的未知环境下,利用该算法也可以规划出一条全局优化路径,且能安全避碰。     

自适应遗传算法优化神经网络的入侵检测研究

入侵检测是一种动态的安全防护技术,能够对网络内部、外部攻击进行防御.基于神经网络的入侵检测是常见的智能入侵检测方法.针对神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,提出了一种将神经网络和遗传算法相结合,用遗传算法优化神经网络权值,在遗传算法优化神经网络时采用自适应遗传操作.将自适应遗传算法优化神经网络算法应用于入侵检测系统中,实验结果表明,该方法能够有效的提高系统的检测率,降低误报率和漏报率.