并行混合免疫遗传算法及其应用

以并行遗传算法(PGA)为基础,对其早熟、收敛慢等缺陷加以改进,提出一种并行混合免疫遗传算法(PHIGA)。该算法将免疫原理引入到遗传算法中,提高了算法的整体性能。这主要表现在一方面免疫选择可有效地防止早熟,另一方面基于免疫记忆的子群体信息交换策略可加速收敛。算法采用混沌初始化和基于自适应交叉、变异的多种群搜索,与单纯形法的混合可更好地改善其局部搜索性能。文中布局问题的算例验证了该算法的可行性和有效性。     

人机合作的免疫算法及其在布局设计中的应用

提出一种人机合作的免疫算法（HCCIA）。它将设计者提供的初始人工个体和混沌初始化生成的初始算法个体合并组成初始群体,然后经自适应交叉、变异和免疫选择等算子操作,进化寻优。同时,还适时和适量地将设计者给出的新人工个体加入到算法群体,替换掉其中较差的个体。如此循环,直至达到结束准则。该算法有利于充分发挥人机各自特长,为更好地解决复杂工程设计问题提供了方便。文中以卫星舱布局设计为背景的算例验证了此算法的可行性和有效性。     

人机交互的遗传算法及其在约束布局优化中的应用

复杂工程布局（如卫星舱布局）方案设计问题在理论上属带性能约束的布局优化问题（NPC问题）,很难求解,因而目前研究得尚少。为解决此类问题,该文提出了一种人机交互的遗传算法。该算法首先将人工设计的个体作为染色体群体的组成部分,然后在遗传运算中,把人工适时设计的新个体加入到染色体群体中,以代替群体中的较差个体。从而构成人机交互的遗传算法,这样可以充分发挥人和计算机各自的特长。文后通过3个算例（其中一个为作者构造的已知最优解的算例）的数值计算,验证了该算法的可行性和有效性。     

遗传布局算法

VLSI门阵列模式布局是一类NP完全问题，传统的分析、研究方法和求解策略不能提供优化布局。文中将遗传算法应用于门阵列模式布局，提出了遗传布局算法，设计了相应的选择函数、交叉算子和变异算子，使布局的构形更趋合理。模拟结果表明，应用遗传布局算法能在较短的时间内提供优化解，为解决大规模、复杂的布局问题提供了广阔的前景。     

混合遗传算法及其应用

给出一种结合梯度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。     

并行混合遗传算法在车间调度问题的应用

结合先后表编码和完全活动调度概念,设计了基于先后表的完全活动调度算法PLFA,该算法能将可行解与不可行解转化为完全活动调度。并将PLFA算法与遗传算法结合,提出了一种并行混合遗传算法,初始种群由PLFA G-T算法产生,其产生的解都是完全活动调度,采用LOX的交叉算子与基于PLFA G-T算法的变异算子,并使用主从模型的并行遗传算法模型。最后JSP基准实例验证了算法的有效性。     

混合遗传算法研究及其应用

为了求解基于智能制造环境所建立的生产规划模型，解决维数灾、局部解等问题，本文对遗传算法进行了研究，提出并设计了一种线性规划和遗传算法相结合的启发式优化方法，并对其应用作了进一步的探讨。     

遗传布局算法

VLSI门阵列模式布局是一类NP完全问题,传统的分析、研究方法和求解策略不能提供优化布局.文中将遗传算法应用于门阵列模式布局,提出了遗传布局算法,设计了相应的选择函数、交叉算子和变异算子,使布局的构形更趋合理.模拟结果表明,应用遗传布局算法能在较短的时间内提供优化解,为解决大规模、复杂的布局问题提供了广阔的前景.     

SLP和遗传算法结合在车间设备布局中的应用

用经典的系统布置设计结合遗传算法求解车间设备布局,以高效率获得满意的设计结果,弥补传统SLP设计过程中手工操作的繁琐迭代、易受主观影响、结果不稳定等缺点。并且通过对遗传算法的改进,增强了算法的全局和局部搜索能力。最后,通过实例验证了其有效性。     

基于遗传算法的建筑布局求解算法

通过分析建筑布局的特点提出了建筑布局的两种表示方式：特征树表示和矩阵表示。提出使用遗传算法来对布局设计过程中的方案进行约束和控制。对原有的遗传算法做了改进,在适应度函数构建方面,增加了对称度和黄金分割度的度量。实验结果表明,该算法非常适合于求解布局问题。     

混合遗传算法及与标准遗传算法对比研究

文章详尽地阐述了1996年Pham和Jin提出的一种运用改进繁殖机制的遗传模型,称为混合遗传算法(HGA,HybridGeneticAlgorithm),并对HGA和GA(GeneticAlgorithm)的效能进行了对比性分析。理论与实验结果表明混合遗传算法收敛性明显快于标准遗传算法。     

基于混合遗传算法的网络拓扑设计

提出了一种由启发式算法和遗传算法混合使用的混合遗传算法用于通信网络中的骨干网拓扑设计。文中骨干网拓扑设计问题是在满足R边连通和跳数约束的情况下使得网络费用最小。在遗传算法中,交叉和变异操作会产生不可行解,可通过增加链路来使不可行解变为可行解。增加链路后,其费用一般要比父代个体大,并且有多余的链路。该文的混合遗传算法是在遗传算法中加入启发式策略,来消除多余的链路,降低子代的费用,加快算法的收敛速度。仿真结果验证了算法的有效性。     

一种求解TSP问题的多种群并行遗传算法

遗传算法是一种基于自然群体遗传机制的有效搜索算法,由于它在搜索空间中同时考虑许多点.减少了收敛于局部极值的可能,也增加了处理的并行性.因此可以利用并行遗传算法研究典型的TSP问题的求解.提出一种有效的多种群并行算法求解旅行商(TSP)问题,应用多种群遗传并行进化的思想,并在种群之间进行遗传信息交流,以解决经典遗传的收敛到局部最优值问题.仿真实验结果表明,方法在解的精度上以及解的质量上优于经典的遗传算法.     

网格平台下并行遗传算法的设计

并行遗传算法是遗传算法研究中的一个重要课题,提出了一种在网格平台下实现遗传算法的设计和一些关于遗传算法本身的改进,以及需要进一步研究的课题。     

并行遗传算法初始种群划分建模与设计

文章提出了遗传算法的一种并行性实现方式,受图的多划分理论启发,将初始种群划分成多个子种群,抽象出数学模型,并在此基础上设计出了相关的并行遗传算法。     

并行遗传算法在软件可靠性优化中的应用

基于并行遗传算法将软件系统的可靠性优化问题表达为一类带约束条件的组合优化问题，并采用并行遗传算法中的岛屿模型和迁移策略，较好地改善了搜索性能。模拟实验表明：并行遗传算法有效地提高了运行速度和求解质量。