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。     

基于自适应小生境遗传算法的船型优化

自适应小生境遗传算法能够克服基本小生境遗传算法操作复杂和计算费时的缺陷,同时具有保持种群的稳定性,获取合适的子种群规模,从而更快地获得最优解的特点。为快速获得阻力性能优良的船型,以势流兴波阻力理论Rankine源法为基础,采用自适应小生境遗传算法并结合CAD技术进行船型优化设计。S60船型的优化算例结果表明,采用自适应小生境遗传算法进行船型优化具有可行性。     

基于小生境遗传算法的排课问题研究

建立排课问题的数学优化模型,构建其基本求解框架,引入遗传算法并设计多种改进方案,包括新的二进制编码方案、初始种群生成方案、适应度函数设计方案、小生境策略、自适应交叉概率和自适应变异概率设计方案.仿真结果表明,该算法能够满足排课问题的多重约束条件,更有效地解决排课问题.     

基于小生境遗传算法的网格任务调度

任务调度是网格研究中的NP问题。在研究现有任务调度算法的基础上,分析小生境遗传算法的优点,引入种群排序三原则,优化种群结构,提出基于改进小生境遗传算法的网格任务调度方法,并运用GridSim工具进行仿真实验验证。实验结果表明,该方法结果精度和收敛速度优于普通遗传算法,能降低资源占用率。     

面向多模态函数优化的自适应小生境遗传算法

为了解决小生境遗传算法不能准确识别小生境的缺陷,以及算法无法有效平衡快速收敛和保持种群多样性的冲突问题,提出一种自适应小生境遗传算法.在算法中,设计一种改进的小生境识别方法来确定小生境范围,引入用于度量种群多样性的小生境熵概念,并利用小生境熵自适应调整进化参数的取值.同时,改进选择、交叉策略,在识别的小生境基础上将交叉分为境外交叉和境内交叉,用于提高算法的全局搜索能力和局部收敛速度.实验表明,算法对于解决多模态函数优化问题具有收敛速度快和计算量小等优点,能够有效避免遗传漂移现象.     

基于梯度优化的自适应小生境遗传算法

针对基本遗传算法全局搜索能力差和收敛速度慢,且在求解多峰函数时仅能得到部分最优解的缺点,提出一种基于梯度优化的自适应小生境算法。该算法利用当前种群适应度和种群代数来设计交叉算子和变异算子,有效地保持了种群的多样性,改善全局搜索能力,加快了收敛速度,应用改进的梯度优化算子保证进化向最优解方向靠近,提高了计算峰值的精确度。对Shubert函数的仿真试验证明,该算法能改善全局搜索能力,加快算法收敛速度并提高计算精度。     

改进的小生境遗传算法

本文针对多峰值函数的优化提出了一种改进的小生境遗传算法.本算法可以自动检测波峰的存在,加强了遗传算法的局部搜索能力又避免其收敛于局部最优解,适用于多峰值函数的优化.     

基于自适应小生境遗传算法的图像复原

传统的小生境遗传算法收敛太慢,且容易陷入局部最优,对小生境算法做出以下三点改进：一是将解空间划分为多层区域,每层使用不同的距离因子;二是采用差值编码方式,使得算法更易收敛;三是使用伪并行加速算法,改进经典的邻居模型为镜像邻居模型。实验表明改进算法的PSNR比常用的遗传算法以及小生境算法高0.2~0.3 dB,且运算时间仅有它们的40%~50%。     

基于小生境遗传算法的物流配送路径优化研究

通过对物流车辆配送过程的分析,建立了带时间窗约束的物流配送路径优化问题的数学模型。针对遗传算法具有早熟的缺点,将小生境技术引入遗传算法,构建小生境遗传算法。最后,将小生境遗传算法应用于所建立的物流配送路径优化模型的求解,实验结果表明小生境遗传算法在一定程度上可以避免标准遗传算法早熟现象的发生,提高了其求解物流配送路径优化问题的效率。     

浮点数编码小生境遗传算法的研究

小生境在增加遗传算法群体的多样性,提高遗传算法的局部搜索能力方面具有良好的性能。迄今为止,有关小生境遗传算法的研究都是基于二进制编码,缺乏以浮点数编码为研究对象的相应成果。而浮点数编码在提高遗传算法的性能和遗传算法的推广应用中,具有其它编码所无法比拟的优势。本文以浮点数编码为研究对象,研究小生境遗传算法的机理,分析在遗传操作中小生境的生成、合并和分离的动态过程,探索其方法。本文的研究和实验结果表明,浮点数编码小生境遗传算法的性能是可靠的,方法是可行的。     

改进的约束优化多目标遗传算法及工程应用

利用多目标法处理约束条件,提出一种改进的基于多目标优化的遗传算法用于求解约束优化问题。该算法将约束优化问题转化为两个目标的多目标优化问题; 利用庄家法构造非劣个体,将种群分为支配子种群和非支配子种群,以一定概率分别从支配子种群和非支配子种群中选择个体进行算术交叉操作,引导个体逐步向极值点靠近,增强算法的局部搜索能力,对非支配子种群进行多样性变异操作。8个标准测试函数和3个工程应用的仿真实验结果表明了该算法的有效性。     

基于GA的非线性系统Fuzzy控制规则自调整

控制精度和自适应能力一直是模糊控制中较难解决的问题,对于非线性系统更是如此,解决这一技术的核心问题在于控制规则的选取,而遗传算法可以较好地解决常规的数学优化技术不能有效解决的问题。该文给出了对于具有修正因子的控制规则,采用遗传算法对其参数进行自调整的方法,以提高整个控制器的性能。仿真结果表明,这种方法可提高模糊控制器的性能,对非线性系统的控制是有效的。     

基于混沌免疫遗传算法整定PID参数

针对传统免疫遗传算法PID参数整定速度慢的缺点,通过引入了混沌增殖思想和隔离小生境技术,结合免疫遗传算法的特点,设计了一种智能的PID参数整定方法。该方法利用混沌增殖对初值的敏感性以及随机性、遍历性、规律性,使免疫遗传算法能够更加有效地跳出局部收敛区域而以更快的速度向全局最优值收敛,进而较好地处理了通常遗传算法中遇到的“早熟”问题。通过隔离小生境技术的引入使得子种群的进化不仅同整个种群的进化密切相关,还有自身进化的独立性,这有利于种群个体多样性的保持。通过实际PID参数整定的例子,结果表明该算法能明显改善免疫遗传算法的收敛性能,搜索效率也得到了显著提高。     

一种新的约束优化遗传算法及其工程应用

提出一种新的用于求解约束优化问题的遗传算法,该算法利用佳点集方法初始化个体以维持种群的多样性.在进化过程中,通过可行解与不可行解算术交叉对问题的决策空间进行搜索;对可行种群与不可行种群分别采用高斯变异和柯西变异,从而协调算法的勘探和开采能力.几个标准测试问题的实验结果表明该算法的有效性;应用新算法求解两个工程优化设计问题,结果表明该算法的可行性.     

遗传算法中致死染色体的利用

提出一种基于免疫算子的致死染色体复活与利用方法。根据问题的特征信息,优秀染色体和致死染色体的基因信息提取疫苗,通过接种疫苗和免疫选择,以及在“活岛”和“死岛”进行致死染色体和非致死染色体的迁移,实现致死染色体的复活与利用。将算法应用于0-1背包问题,数值实验结果表明,该方法可以有效改善求解约束优化问题遗传算法的性能。     

基于遗传算法的混合流水线车间调度多目标求解*

为了解决传统的多目标优化算法难以很好实现企业的实际决策需要问题,针对混合流水线车间调度（HFSP）的多目标优化调度问题,提出了一种新的多目标遗传算法。根据企业实际需求,采用分模块两层建模的思想,将多目标分为约束性目标和优化性目标。算法根据目标性质的不同分别进行不同的搜索。最后将新算法应用于HFSP多目标优化问题进行实例验证。结果表明,所提出的算法具有很好的可行性,与其他多目标优化方法相比,该算法具有明显的优越性、实用性和可操作性。     

基于遗传算法的多用户检测技术分析

CDMA移动通信系统中的最优多用户检测问题是一个NP完备组合优化问题,遗传算法是求解这类问题的有效方法。通过分析CDMA系统多用户检测模型,对几种基于不同遗传算法的多用户检测方法的检测性能进行了实验仿真。仿真结果表明：基于多种群并行进化的分布式遗传算法更适合于多用户检测技术,具有较低的误码率和较强的抗远近效应能力。     

基于外点法的混合遗传算法求解约束优化问题

提出了一种求解约束优化问题的混合遗传算法。它不是传统的在适应值函数中加一个惩罚项，而是在初始种群、交叉运算和变异运算过程中，把违反约束条件的个体用外点法处理设计出新的实数编码遗传算法。数值实验证明，新算法性能优于现有其他进化算法，是通用性强、高效稳健的方法。该方法兼顾了遗传算法和外点法的优点，既有较快的收敛速度，又能以非常大的概率求得约束优化问题全局最优解。     

基于遗传算法的一类多旅行商问题研究

旅行商问题是一个经典的NP完全问题,对多人旅行商问题的求解则更具有意义。以往对求解多人旅行商问题的研究局限于以所有旅行商路径总和最小为优化标准,而对所有旅行商路径最大值最小的多旅行商一类问题研究的相对较少。针对所有旅行商路径最大值最小的多旅行商一类问题,用遗传算法优化,并且提出了矩阵解码方法。该方法适于距离对称和非对称的多旅行商问题求解。以距离非对称的多旅行商问题的实例进行了仿真,并对不同交叉算子性能进行了比较。     

基于改进遗传算法的最小生成树算法

以图论和改进遗传算法为基础,提出了一种求最小生成树的遗传算法。该算法采用二进制表示最小树问题,并设计出相应的适应度函数、算子以及几种控制策略,以提高执行速度和进化效率。传统算法一次只能得到一个候选解。用该算法对其求解,可以在较短的时间内以较高的概率获得多个候选解。应用实例表明该算法优于传统算法。