一种多策略并行遗传算法及其收敛性分析

为解决传统遗传算法收敛速度慢、群体多样性不足的缺陷,提出了一种多策略并行的遗传算法;算法采用多策略并行处理的方式,产生不同策略模式下的个体,增加群体的多样性,再经过自适应迁移策略,提高算法的收敛速度;利用Markov链模型分析多策略并行遗传算法的收敛性;采用旅行商函数进行算法测试,结果表明改进算法的收敛性较传统遗传算法有较大的提高,具有较强的工程应用性能。     

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。     

遗传算法的全局收敛性和计算效率分析*

本文应用齐次有限马尔科夫链分析了简单遗传算法、最优保存简单遗传算法和自适应遗传算法的收敛性，然后对计算效率进行了定性分析，得到了指导基因操作策略设计的极限分布概率原则。     

遗传算法的收敛性研究

本文讨论了遗传算法的收敛性问题，提出了一个收敛的充分条件，证明了对任何问题，只要其问题空间编码和遗传操作的组合满足这个条件，就可以用遗传算法求解，由此得到了ＧＧＡ－难题珠新定义，解释了现有模式理论所不能解释的最小欺骗问题，并讨论了它的可操作性。     

广义遗传算法的逻辑结构及全局收敛性的证明

2。世纪70年代前后,北美和欧洲的一些科学家开始探索用模拟生物进化的方式求解复杂优化问题。其中,以Holland提出的遗传算法(geneti。algo-rithm,GA)最具代表性仁,〕。50年代以来,Hopfield解决了反馈型人工神经网络的迭代稳定性问题,Rumelhart等人重新发现T BP算法〔2〕;董聪等人对BP算法做了推广,揭示了多层前向网络的逼近机理,建立了相应的拓扑结构学习算法t3.众…     

自适应伪并行遗传算法及其性能分析

提出了一种度量种拜多样性的新指标，将其应用于交又概率和变异概率两个参数的自适应调整，再将自适应的思想和并行计算的思想结合起来，提出了一种在个人计算机上实现的改进自适应遗传算法一自适应伪并行遗传算法(APPGA)。对几种典型的多峰值函数求极值，结果表明：该算法的全局搜索能力和收敛速度都远优于标准遗传算法，是一种比较实用的算法。     

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。     

关于“遗传算法的全局收敛性和计算效率分析”一文的商榷

文[1]指出,具有比例复制和自适应交叉、变异操作的遗传算法（简称AGA）满足最优保存GA（简称EGA）的条件,则由EGA全局收敛的结论得出AGA也是全局收敛的;同时认为,AGA构成的Markov链为非时齐的,本文给出了EGA的严格定义,拽出了EGA全局收敛的本质,说明了AGA实际并不属于EGA,因此也不能沿用EGA全局收敛的吉论,在此基础上证明了AGA不能全局收敛,最优仔细分析了AGA的遗传操作,说明AGA可由时齐Markov链来描述。     

基于聚类的伪并行遗传算法

针对遗传算法中存在的早熟收敛和后期收敛速度慢的问题,分析传统的小生境遗传算法和多种群遗传算法的特点和不足,提出基于聚类的伪并行遗传算法.当种群进化到一定程度后,进行聚类分析.在各个聚类内部,利用局部搜索算法获得极值点.其余未分类个体与聚类代表元按照小生境技术进一步搜索,从而获得较好的全局探索能力.从理论上证明该算法的收敛性.采用典型函数进行实例计算,并与杰出保留遗传算法、确定性排挤遗传算法和传统的多种群遗传算法的性能进行比较,结果表明本文算法的有效性.     

基于扩展串的等价遗传算法的收敛性

本文基于扩展串的概念，独立地提出了一种与标准遗传算法的优化问题等价的遗传算法，从理论上探讨了遗传算法的收敛条件与收敛速度等问题，给出了等价遗传算法平均收敛速度的解析表达式。     

免疫记忆遗传算法及其完全收敛性研究

指出多模态优化中现有小生境遗传算法(NGA)和简单子群遗传算法(SSGA)无法实现完全收敛。受精英个体保留策略的启示,基于免疫系统的记忆细胞机制设计了免疫记忆遗传算法(IMGA),利用马尔柯夫链为数学工具,从理论上证明了NGA不能完全收敛而IMGA能够完全收敛。选择小生境遗传算法与该文算法进行了对比仿真实验,不仅验证了理论上的完全收敛性结论,同时验证了所提算法求解多模态问题的有效性、快速收敛能力及其收敛的稳定性。     

一种解决早熟收敛的自适应遗传算法设计

为了解决简单遗传算法(SimpleGeneticAlgorithm,SGA)易陷入局部最优解的问题,及以往自适应遗传算法只考虑与进化代数相关的交叉与变异概率,而忽略个体分布情况及种群规模不可变等问题,本文在保留以往自适应遗传算法优点的同时,设计了与种群中个体分布相关的可变交叉概率与变异概率。同时考虑了种群规模的波动情况,使算法在相对稳定的动态种群规模中寻找优质解。     

自适应的多种群并行遗传算法研究

典型的遗传算法本质上是一种并行的随机搜索策略,它不能对进化方向做出正确的感知和预测。文章定义了一个可以感知进化方向和衡量进化速度的指标,指导遗传算子做出自适应的调整。结合并行计算和多种群进化思想,提出了“带环多种群模型”,并构造了一种自适应的多种群并行遗传算法。实验结果表明,该算法可以有效地引导和控制进化方向,克服过早收敛现象,提高搜索效率。     

一种多策略并行遗传算法研究

针对传统遗传算法工程应用性能不足的特点,提出一种多策略并行遗传算法以增加算法的群体多样性及提高算法的鲁棒性;采用8个不同策略为并行遗传算法的分支遗传操作进行群体寻优,并将分支的群体采用自适应迁移策略实现最优个体的合理迁移,以分支群体的适应度为算法终止条件,实现群体寻优;利用连续单峰函数、连续多峰函数等多个函数进行平均收敛代数等参数进行算法测试,结果表明算法的鲁棒性、收敛性、稳定性及优化能力较传统遗传算法有较大的提高,该算法具有较强的工程应用性能。     

并行遗传算法的研究及应用进展

并行遗传算法（PGA）将并行计算机的高速并行性和遗传算法天然的并行性相结合,极大地促进了遗传算法的研究与应用。该文对近年来并行遗传算法的模型、性能分析、算法改进、实现平台进行了归纳和评述,并且对并行遗传算法今后的主要研究方向和发展前景进行了展望。     

遗传退火算法及收敛性分析

针对模拟退火算法收敛速度慢和遗传算法存在种群退化问题, 将二者有机地结合在一起, 提出了遗传退火算法, 证明了该算法的收敛性. 仿真结果表明, 遗传退火算法既克服了模拟退火算法收敛速度慢, 又解决了遗传算法中种群退化问题. 该算法不仅适用于一般的组合优化问题, 也适用于目标函数不确定和可变的情况.     

基于小生境的正弦遗传算法研究

针对标准遗传算法的不足，借助最优保留策略对遗传算法中的变异算子进行改进，把生物学的基因突变的概念引入遗传算法中，提高了种群的多样性和全局收敛性能，避免了在进行过程中产生早熟现象。在此基础上，提出了一种小生境正弦遗传算法，并进行实例研究。结果表明，该算法不但可以有效地克服标准遗传算法缺陷，而且稳定性也得到提高。     

改善收敛早熟的混合遗传算法

针对传统遗传算法收敛早熟问题,在传统包含模拟退火的混合遗传算法的基础上,设计加入了“包含浓度均衡措施的复制算法”,通过调整轮盘赌扇区面积,防止个体适应度的两极分化.从而避免了算法过早收敛于局部最优解;同时通过一个工程实例计算验证了算法的可行性.     

关于遗传算法收敛的随机性研究

深入分析遗传算法的随机性 ,提出采用收敛率作为衡量计算收敛性的判据 ,并指出收敛性服从对数正态分布。利用单因素及多因素方差分析研究了复制概率、交换概率及突变概率的影响 ,研究结果表明遗传算法具有很大的随机性 ,需要采用数理统计进行处理。