具有年龄结构的遗传算法

结合自然规律以及遗传算法的特点,提出了具有年龄结构的遗传算法的框架以及实现。该算法能够通过对个体基因不同年龄的不同操作,克服遗传算法中存在的主要问题即过早收敛问题。该算法有效地保持群体的多样性,使遗传算法顺利地收敛到全局最优值。通过实际的例子说明,这种方法克服过早收敛问题并且相对于简单遗传算法提高了收敛速度。     

基于整体轮换杂交的改进遗传算法

针对遗传算法的过早收敛问题,提出了一种新的解决方法———整体轮换杂交法,对其作用进行了讨论。对基于该法的改进遗传算法进行了实验并与其它算法进行了比较。结果表明整体轮换杂交法可以更有效地防止遗传算法过早收敛。     

遗传算法求解精度与种群大小的函数关系

遗传算法在多方面具有运用，过早收敛是其主要的局限性，扩大种群可有效避免过早收敛。使用Matlab遗传算法工具箱收集了大量求解精度随种群的增大而提高的数据，通过曲线拟合，高精度地得到了遗传算法求解精度与种群大小的函数关系。     

混合粗粒度遗传算法在约束最优化问题中的应用

选取粗粒度遗传算法，并针对其过早收敛、收敛速度慢的缺陷进行改进，提出混合粗粒度遗传算法。混合粗粒度遗传算法按照适应度函数值对染色体群体进行分组，各分组采用不同的惩罚系数、交叉、变异算子；同时采用同种互斥和最优解保留策略。实验结果表明该算法在约束最优化问题中应用良好。     

基于遗传算法的网络处理器任务分配问题

流水线模式是网络处理器常用的一种编程模式,将任务映射到处理器处理引擎上去是NP-完全问题。针对以往基于遗传算法的解决方案过早收敛的局限性,提出m Ga Pipe算法。该算法采用优化交叉算子IMX和混合变异算子Hybrid M,避免遗传算法出现过早收敛,从而显著提高遗传算法解决此类问题的准确度。仿真结果显示m Ga Pipe算法在同等条件下将收敛到最优解的比率从传统遗传算法的解决方案的9.25%提升到52.25%。     

并行遗传算法收敛性分析及优化运算

经典遗传算法（Canonical Genetic Algorihms)利用单一种群对种群个体进行交叉、变异和选择操作，在进行过程中的超级个体易产生过早收敛现象，粗粒度并行遗传算法利用多个子群进行进化计算，各子群体分别独立进行遗传操作，相互交换最优个体后继续进化。文证明了该算法的搜索过程是一个有限时齐遍历马尔柯夫链，给出粗粒度并行遗传算法全局最优收敛性证明。对于旅行商问题TSP（Traveling Salesman Problem)利用粗粒度并行遗传算法进行了求解，以解决经典遗传算法的收敛到局部最优值问题。仿真结果表明，算法的收敛性能优于经典遗传算法。     

稳定进化的遗传算法

通过对遗传算法过早收敛现象的认识,在基于具有性别特征的遗传算法的基础上,提出了染色体表现型遗传的概念。通过染色体表现型遗传,控制变异操作,使变异操作具有确定性,算法的演化过程也能够保持一种连续、稳定的进化状态,从而避免过早收敛。通过函数测试的结果,并与具有性别特征的遗传算法相比,论文算法可以达到更好的全局搜索能力和避免过早收敛的效果。     

带有分级思想的自适应遗传算法

为了平衡演化算法的搜索效果和效率,在自适应遗传算法中引入分级思想,即根据种群中个体适应值的相似性对其进行分级,使得优秀个体和较差个体充分发挥各自的职能。然而,过早收敛也是遗传算法亟待解决的问题之一,因此对遗传算法中的选择操作进行改进,定义了一种新的选择机制:一方面是在选择过程中引入一个新的参数——成活率,以有效地避免算法过早收敛;另一方面结合模拟退火中的参数——温度,通过变异杂交生成虚拟种群,以有效扩大搜索空间,保持种群多样性。实验结果表明,利用新算法处理TSP问题能够产生高质量的解,并能有效解决过早收敛问题。     

遗传算法的收敛性统一判据

本文针对遗传算法的过早收敛或者收敛缓慢甚至不收敛,进行了详细的分析;理论分析了算法发生过早收敛的原因,收敛速度与各个控制参数和遗传操作的关系;提出并严格证明了与编码方式和选择策略无关的判断遗传算法收敛性判据。     

一种新的图像恢复遗传算法

针对简单遗传算法在进行图像恢复时,存在“过早收敛”现象,及计算量过大的问题,设计了一种新的二维染色体编码方法,并将传统遗传算法与模拟退火算法相结合。实验结果表明,该方法能较好克服“过早收敛”,降低计算复杂度,改善退化图像恢复质量。     

一种具有自然血亲排斥的遗传算法研究

分析了选择、交叉和变异操作下遗传算法早熟收敛问题,提出了一种具有自然血亲排斥的遗传算法,利用个体通婚记录信息和婚史继承方法有效地避免了三代自然血亲之间的近亲繁殖,并依据群体信息熵实现交叉率和变异率的自适应变化以及交叉变异位置的自适应确定,保证了群体的多样性和重要构造块的保护,扩大搜索空间,较好地解决了早熟收敛问题,从而实现全局收敛。仿真结果表明,所提出算法有较好的全局收敛能力。     

一种求解车间作业调度的自适应混合遗传算法

针对遗传算法和禁忌搜索算法在求解车间作业调度问题存在的全局收敛性差、种群早熟化、收敛速度慢等缺陷,提出了一种自适应遗传禁忌搜索算法。算法通过自适应调整遗传算子中的变异概率,改善了遗传算法的收敛速度;通过增加禁忌表来选择杂交产生的个体,避免迂回搜索,以禁忌搜索算法作为变异算子,增加种群的多样性,避免算法陷入局部最优。通过仿真实例,验证了算法的收敛性和抗局部收敛性。     

改进粒子群算法在支持向量机训练中的应用

训练支持向量机需要求解二次规划问题,LPSO算法对于求解含线性约束优化问题是一种直观、简单的方法。改进后的LPSO算法较好的解决了早熟收敛问题。对谷氨酸发酵过程建模的实验表明本文提出的方法训练精度高,泛化能力强。     

一种新的基于混沌变异解决早熟收敛的遗传算法

给出解决遗传算法早熟收敛问题的统一框架，基于新的混沌变异模型提出一种新的遗传算法。该算法充分利用混沌的初值敏感性和轨道遍历性，克服了已有混沌变异模型存在搜索盲区大的缺点。多峰值函数优化计算结果验证了该算法的可行性和有效性。     

Chaotic bat swarm optimisation (CBSO)

Bat swarm optimisation (BSO) is a novel heuristic optimisation algorithm that is being used for solving different global optimisation problems. The paramount problem in BSO is that it severely suffers from premature convergence problem, that is, BSO is easily trapped in local optima. In this paper, chaotic-based strategies are incorporated into BSO to mitigate this problem. Ergodicity and non-repetitious nature of chaotic functions can diversify the bats and mitigate premature convergence problem. Eleven different chaotic map functions along with various chaotic BSO strategies are investigated experimentally and the best one is chosen as the suitable chaotic strategy for BSO. The results of applying the proposed chaotic BSO to different benchmark functions vividly show that premature convergence problem has been mitigated efficiently. Actually, chaotic-based BSO significantly outperforms conventional BSO, cuckoo search optimisation (CSO), big bang-big crunch algorithm (BBBC), gravitational search algorithm (GSA) and genetic algorithm (GA).     

改进型自适应遗传算法在VRPTW中的应用

在以往方法研究的基础上．分析遗传算法中不同的遗传算子及其主要运行参数变异概率和交叉概率对求解问题的影响,对传统的遗传算法进行改进,提出改进型自适应遗传算法。实验结果表明,经过改进的遗传算法能够比较有效地避免算法的“早熟”收敛,能够以更大的概率获得问题的最优解,求解质量更为优良,提高算法的性能。     

改进型自适应遗传算法在VRPTW中的应用

在以往方法研究的基础上,分析遗传算法中不同的遗传算子及其主要运行参数变异概率和交叉概率对求解问题的影响,对传统的遗传算法进行改进,提出改进型自适应遗传算法。实验结果表明,经过改进的遗传算法能够比较有效地避免算法的"早熟"收敛,能够以更大的概率获得问题的最优解,求解质量更为优良,提高算法的性能。     

基于混合遗传模拟退火算法求解TSP问题

TSP问题是典型的NP-hard组合优化问题,遗传算法是求解此类问题的一种方法,但它存在如何较快地找到全局最优解,并防止“早熟”收敛的问题。针对上述问题并结合TSP问题的特点,提出将遗传算法与模拟退火算法相结合形成遗传模拟退火算法。为了解决群体的多样性和收敛速度的矛盾,采用了部分近邻法来生成初始种群,生成的初始种群优于随机产生初始种群。仿真实验结果证明,该算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高。     

混合遗传算法求解高超音速飞行器弹道优化

高超音速巡航导弹最优上升轨道设计问题是终端时刻未定、终端约束苛刻的最优控制问题,经典算法求解这类问题时对初值选取敏感、局部收敛等问题表现得比较突出.针对上述问题,将具有良好全局收敛性的遗传算法应用到导弹最优上升段设计问题求解中,为了提高遗传算法的收敛速度和克服早熟问题,结合单纯形和Powell算法的优点,设计了两种混合遗传算法.通过所设计的两种混合遗传算法的求解结果和分别用单纯形以及Powell算法的求解结果进行比较,得出所设计的混合遗传算法是更有效的求解高超声速巡航导弹轨迹优化的方法.     

一种多种群遗传策略的OFDM功率分配算法

针对标准遗传算法在解决比例速率约束下多用户OFDM系统的功率分配出现的收敛速度慢和早熟收敛问题,提出了一种基于多种群遗传策略的功率分配算法。提出算法以业务公平指数为适应度值和以最优个体保持代数为算法终止依据。各个种群使用不同的控制参数,通过移民算子相互联系。仿真结果表明,提出的算法的收敛速度（100代左右）比标准遗传算法的收敛速度（300代左右）快且收敛结果稳定（都基本趋于0）,在最大化总容量的同时很好地维持了用户比例速率公平性。