用于多峰值函数优化的对数自适应排挤遗传算法

排挤遗传算法能够比较稳定地获取多个峰值,但其求解效率不高,在有限的遗传代数下无法获得较高的求解精度,需要较多的迭代次数。为了快速求出多峰函数的所有最优解,提出了一种基于对数自适应的排挤遗传算法。该算法结合小生境排挤遗传和爬山算子,根据遗传代数对爬山算子的距离值进行对数自适应计算,使种群在遗传过程中保持多样性。通过对多个一维和二维多峰函数的实验和比较分析,测试结果表明,该算法在有限的遗传代数下既能保证求解精度又能提高收敛速度,能够比较稳定地求得所有最优解,是求解多峰函数问题的有效算法。     

良性进化的自适应遗传算法及其仿真研究

为了搜索函数最优解,基于遗传算法基本理论,提出了良性进化的自适应遗传算法（AGA）。AGA从两个方面改进了标准遗传算法：一是交叉、变异率会自适应调节大小;二是交叉、变异具有方向性。通过对AGA的仿真研究,分析了AGA中参数取值对算法的性能影响。最后把AGA和标准遗传算法进行了仿真比较,结果表明AGA在求解函数最优解问题时具有较强的自适应性和收敛性。     

基于遗传算法的Rosenbrock函数优化问题的研究

本文利用遗传算法研究了极小化Rosenbrock函数的问题．较多的计算机模拟实验结果表明，遗传算法可以有效地解决这一问题．文中还分析了一些改进的遗传算法对于该问题搜索速度的影响，得到了适于解决此问题的合理的遗传操作，从而为有效地解决最速下降法所不能实现的某一类函数代化问题提供了一种新的途径．     

函数优化的遗传算法

遗传算法是一种有效的模拟进化算法,针对不同问题,编码方式多种多样。针对函数优化问题,阐述了不同的编码方式及遗传操作,在Matlab环境中用遗传算法实现求解函数优化问题。     

基于自适应评价函数的遗传算法求解TSP问题

针对TSP问题,提出了一种基于自适应评价函数的改进的遗传算法,并且给出选择、交叉和变异操作的设计,实验表明算法维持了群体的多样性,防止算法过早收敛而陷入局部最优解,更有效地搜出全局近似最优解。     

基于自适应遗传算法的实现服务质量优化

服务质量优化问题是多维服务质量参数映射有限的资源问题,这个优化问题是一个NP－hard问题,我们采用通过改进流行遗传算法来解决这一棘手问题,于是提出了基于权的自适应遗传算法（weighted based adaptiv genetic algorithm) 通过实验说明这一算法优于目前为止最好的启示式算法和普通的遗传算法,算法运算时间短,鲁棒性强。     

基于Matlab遗传算法工具箱的函数优化问题求解

介绍了遗传算法的基本原理和求解流程,详细阐述了Matlab遗传算法工具箱的使用方法,并通过使用遗传算法工具箱对一个典型的函数优化问题进行求解,验证了该工具箱在解决函数优化问题上的有效性和实用性     

改进的自适应遗传算法在函数优化中的应用*

针对传统遗传算法在复杂函数优化的寻优搜索中容易陷入局部极值,搜索效率低,不稳定等特点,提出一种改进的自适应遗传算法,该算法的思想是根据进化中种群适应度的集中分散的程度非线性地自适应调节遗传进化的运算流程和交叉概率Pc、变异概率Pm的值,从而能更好地产生新的个体摆脱局部极值搜索到全局最优解,并采取最优保存策略来保证改进的自适应遗传算法的收敛性。仿真实验结果表明,与现存其他算法相比,改进的自适应遗传算法在全局寻优的收敛速度、最优解、求解精度、和稳定性等方面都有了较大的改进和提高。     

遗传算法在求解函数优化中的最优化参数研究

在用遗传算法解决实际问题时,人们往往根据经验盲目地选择参数,而很少有人去研究如何选择科学、合理的参数以求达到算法的最优性能。本文在用遗传算法求解函数优化问题时,提出了一种寻找解决某一类函数优化问题的最优组合参数的方法,并设计了一种交叉、变异概率自适应调节的遗传算法。实例证明,该算法是非常有效的,对提高和
和充分挖掘遗传算法在实际应用中的性能也有一定的参考价值。     

基于云控制的自适应遗传算法

遗传参数的自适应调整是一个复杂的不确定性过程。为此,利用云模型优良的不确定性知识表示能力,提出一种改进的自适应遗传算法。该算法以自然语言为切入点,用云模型表达先验规则知识,通过云控制器调整遗传参数。函数优化实验表明,该算法能够较好地模拟迭代中参数的自适应调整过程,算法性能是可行、有效的。     

一类自适应遗传算法及其在多峰值函数油画中的应用

在分析遗传进化过程的基础上,提出了一种新的自适应遗传算法,有效地解决了遗传算法的全局收敛性问题,并且在多峰值函数优化问题中显示了优良的性能。     

基于个体优化的自适应小生境遗传算法

针对遗传算法在处理复杂多峰函数优化问题时易于早熟和局部搜索能力差等问题,提出一种基于个体优化的自适应小生境遗传算法。在自适应小生境的基础上,利用进化过程中相邻个体的信息产生的试探点标记的算法进化方向,缩短邻域搜索的区间,提高算法的局部搜索能力。对复杂多峰问题进行的优化实验结果证明,该算法能快速可靠地收敛到全局最优解,其收敛速度和解精度均优于简单遗传算法和其他小生境算法。     

一种函数优化问题的混合遗传算法

将传统的局部搜索算法和遗传算法相结合,可以较好地解决遗传算法在达到全局最优解前收敛慢的问题.文章给出一种结合可变多面体法和正交遗传算法的混合算法.实验表明,它通过对问题的解空间交替进行全局和局部搜索,能更有效地求解函数优化问题.     

适用于复杂函数优化的多群体遗传算法

提出一种适合于复杂函数寻优的多群体遗传算法。该方法对搜索区域进行划分，使每个子区域具有简单的函数形态，而对每个子区域安排一个子群体进行搜索。这个过程可并行进行。仿真表明该方法速度快，可同时获得多个局部极值点。     

基于S型函数的自适应粒子群优化算法

针对粒子群算法求解精度低和后期收敛速度慢等问题,提出了一种基于S型函数的自适应粒子群优化算法SAPSO (S-shaped function based Adaptive Particle Swarm Optimization)。该算法利用倒S型函数的特点,实现了对惯性权重的非线性调整,从而更好地平衡算法的全局搜索能力和局部搜索能力;同时,在算法的位置更新公式中引入S型函数,并利用个体粒子自身的适应度值与群体平均适应度值的比值自适应地调整搜索步长,从而提高算法的搜索效率。在若干经典测试函数上的仿真实验结果表明,与已有的几种改进粒子群算法相比,SAPSO在收敛速度和求解精度方面均有较大优势。     

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.     

混沌遗传算法及其在函数优化中的应用

将混沌优化和遗传算法结合起来,提出了混沌遗传算法(CGA,Chaos Genetic Algorithm),并将其应用于函数优化问题的求解。通过在种群进化的不同阶段引入混沌优化操作,大大提升了遗传算法的整体性能。实验结果表明,与标准遗传算法(SGA)相比,该算法能更有效地求得全局最优解,具有更快的收敛速度。     

基于自适应遗传算法的侦察资源优化

提出基于地理信息系统的侦察资源优化模型,在地形分析结果基础上利用自适应遗传算法进行求解。算法采用多参数映射编码,通过启发式初始化方法和专门的遗传算子保证初始个体的有效,此外交叉概率和遗传概率的适应性策略,可以确保适应度函数对算法进化的正确引导。仿真结果证明该方法对侦察资源优化具有一定参考价值。