基于遗传算法的数值优化约束问题的研究

针对数值优化约束中出现的大规模、多峰多态函数,含离散变量等情况下的全局优化问题,采用常规的优化方法,收敛速度较慢,求得全局极值的概率较低.提出用遗传算法的数值优化约束问题解决,通过数值仿真实验结果表明,该算法性能优于现有其它算法,它不仅可以处理线性等式约束,而且还可以处理非线性等式约束,同时提高了收敛速度和解的精度,是高效稳健的智能算法,具有很高的全局寻优能力和很快的收敛速度,对求解复杂多峰多态函数的优化约束问题具有可行性和有效性.     

求解约束优化问题的改进元胞遗传算法

针对约束优化问题,提出一种改进元胞遗传算法.将自适应ε约束处理技术与元胞遗传算法结合,对于自适应ε约束处理技术中的截断进化代数,在其前期提出偏好性指标概念,随机选取满足约束条件较好的个体引导种群快速向可行域逼近,在其后期采用改进柯西变异算子避免陷入局部最优.基于一组标准测试函数进行测试,与其它算法进行对比,结果表明算法具有较好的收敛精度,且在高维函数中取得更优的结果,验证了算法的有效性与先进性.     

基于混合并行遗传算法的多目标约束优化技术研究

多目标约束优化问题属于NP问题。并行遗传算法是解决该类问题的常用算法,它具有较强的全局搜索能力和并行性,但局部搜索能力差,禁忌搜索算法则比较适合于局部搜索。提出了一种基于混合并行遗传算法的多目标约束优化方法,该方法综合了并行遗传算法和禁忌搜索算法的优势,改进了并行遗传算法的性能,能有效避免局部最优解。     

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。     

一种新的遗传算法求解约束优化问题

采用十进制编码的遗传算法，在进化计算中提出用排序、保留优秀个体、智能变异和随机变异代替以前遗传算法中的选择、交叉和变异，此算法具有简单的计算原因，简化了遗传算法的编程，利用变换后的目标函数构造适配值，能较快的找到最优解，数值实验表明该算法在求解有约束优化问题上表现良好。     

遗传算法对约束优化问题的研究综述

1 引言工程、数学等领域经常遇到大量的约束优化(或非线性规划)问题,需要对约束条件进行处理。目前,还没有一种通用的传统优化方法,能够处理各种类型的约束。相比,遗传算法(GA)在这一领域,比其它方法更有巨大优势和应用潜力。遗传算法的群体搜索策略和不依赖梯度信息的计算方式,使得它在处理约束优化问题时比传统搜索算法通用和有效。许多处理约束优化问题的传统算法都可以直接或改进后而用于GA。此外,由于GA是一种随机算法,既可以在编码时或设计遗传算子时加以考虑,也可以在每一代通过修正算法使所产     

求解有约束优化问题的实数遗传算法改进研究

提出一种求解有约束优化问题的改进实数遗传算法.首先,提出一种排序分组选择法,该方法具有种群多样性好、易于实现的优点.其次,给出一种基于方向的启发式交叉算子(DBHX),DBHX能够产生无数个交叉方向,且有可能产生一个引导参与交叉的染色体向最优解移动的方向vecD,即使交叉方向与vecD不一致,也有很大的可能性非常接近方向vecD,可以保证有很大的机会产生更好的子代染色体.最后,针对单一的变异算子无法兼顾局部搜索能力和全局搜索能力的缺点,提出一种组合变异方法,使得变异操作既能保证算法的局部搜索能力,又能兼顾全局搜索能力.10个实例的计算结果表明,所提出的改进实数遗传算法具有较快的收敛速度,从而验证了所提出算法的可行性和有效性.     

求解约束优化问题的一种复合形遗传算法

研究约束优化问题是科学和工程应用领域经常会遇到的一类数学规划问题.现有的约束优化进化算法,通常的解决办法是将等式约束条件转化为成对的不等式约束条件来处理,转换会使得可行域的拓扑结构变化显著,直接影响了算法性能和解的精度.为解决上述问题,提出了一种改进的处理约束优化问题的新算法.新算法将约束优化问题转化为多目标优化问题,把复合形法嵌入到遗传算法中,通过将全局搜索和局部搜索机制有机地结合,利用遗传算法全局性好和复合形法快速高效的特点,以加快最优解的搜索进程.仿真结果表明,方法既有复合形法快速高效的特点,又有遗传算法全局性好的特点.与标准遗传算法相比,方法具有良好的求解约束优化性能和精度效果.     

一种求解约束优化问题的遗传算法

提出一种求解约束优化问题的遗传算法。通过可行解与不可行解算术交叉的方法对问题的决策空间进行搜索,对可行种群和不可行种群分别按照适应度和约束违反度进行选择。传统变异操作使得解往往偏离了约束区域,因此引入对可行解的边界变异和对不可行解的非均匀变异,并通过维变异方法保持种群的多样性。数值实验结果说明该算法的有效性。     

一种约束多目标优化问题的改进蚁群遗传算法

该文针对多目标蚁群遗传算法(MOAGA)解集边界分布不均的问题,提出改进算法,解决了连续空间中带约束条件多目标优化问题。改进算法在基本MOAGA算法的基础上,在选择中引入一定比例的边界决策、单目标最优决策,并提高边界决策的交叉率。实验证明,改进算法解决了基本算法解集分布边界疏中间密的问题,并且能更快的获得散布性较好的Pareto最优解集。     

一种竞争算法及其在组合优化问题中的应用

提出了一种全局搜索算法——竞争算法,它通过一个种群中各个体之间的互相激励、互相竞争,最终达到共同优化.竞争算法在思想上独立于遗传算法.在组合优化问题中,对这种类型的算法进行的仿真,取得了令人满意的结果.     

遗传算法的改进及其应用研究

基于工程优化命题的特点对传统遗传算法进行了改进，改进算法在尿素工业过程神经网络建模和专家系统知识获取中的应用结果表明，该算法适用范围广，可有效地解决若干工程优化问题。     

一种新型多目标遗传优化算法及其应用研究

文章针对一般约束多目标优化问题，在设计了新的适应度函数和选择算子的基础上，提出一种新型多目标遗传算法。将其应用于集群目标靶场效能优化问题，验证了算法的有效性。     

一种改进的遗传算法及其在布局优化中的应用

该文以人造卫星舱布局为背景,研究二维带平衡及不干涉等约束的圆集在圆容器内的布局优化问题,属于NP-困难问题.文章提出一种求解此类问题的改进的遗传算法,即十进制编码控制参数自适应遗传算法,从而缓解了“组合爆炸”和遗传算法的早熟收敛问题.文章给出两个算例(其中一个为作者构造的已知最优解的算例),计算结果表明了此算法的有效性,并且优于数学规划的乘子法的计算结果.此遗传可推广应用于其他布局优化问题的求解.     

用于一类函数全局优化问题的混合遗传算法

为了克服传统遗传算法收敛速度缓慢且易于收敛到局部最优解的缺点,该文将遗传算法与传统的局部搜索方法相结合,采用新的交叉变异准则,提出一种新型的混合遗传算法。该算法可以很好地处理一类带上下界约束的全局优化问题,具有很强的全局寻优能力。数值实验表明,该算法的计算结果明显优于传统遗传算法。     

改进量子遗传算法在多峰值函数寻优中的应用

针对标准量子遗传算法(QGA)在寻找多峰值最优时存在局部寻优能力较差和易早熟的缺陷,提出一种改进量子遗传算法(QQGA),运用基于概率划分的小生境协同进化策略初始化量子种群,并采用动态量子旋转角调整策略来加快收敛速度;加入量子移民和保优选择策略,提高规划效率,避免陷入局部最优。利用复杂二元函数测试改进量子遗传算法,结果比标准量子遗传算法效率高。     

并行量子遗传算法在QoS组播路由中的应用

随着网络通信技术的发展和Internet的普及,性能出色的组播路由越来越重要。著名的组播路由Steiner树问题是NP完全问题,应采用启发式方法求解。文中在常规量子遗传算法中引入并行进化模型,提出了一种解决多约束QoS组播路由优化问题的算法。在满足带宽、时延约束条件下寻找代价最小的组播树,并合理安排节点负荷,减少通信开销。仿真实验结果表明本算法搜索速度快、全局寻优能力强,性能和效率优于常规量子遗传算法。     

一种改进的遗传算法及其在系统辨识中的应用

提出一种基于遗传算法的大惯性系统辨识方法。该方法将动态补偿和遗传算法相结合 ,实现了系统的参数辨识。为避免遗传早熟而进入局部最优 ,对交换和变异操作进行了改进 ,提出一种防止近亲繁殖的交换策略 ,在不明显增加基因操作计算量的前提下 ,有效地避免了基因缺失。仿真结果表明 ,该方法对过阻尼系统的辨识是有效的。     

基于遗传算法的最优化问题求解

遗传算法是一种有效的解决最优化问题的方法,在解决复杂的全局优化问题方面,遗传算法已得到了成功的应用。对遗传算法的基本步骤进行总结,通过最优化问题求解实例描述了遗传算法的具体运行过程,包括产生初始染色体、染色体评价、选择、交叉、变异等。分别应用VC和VB两种语言进行编程实现,结果表明,VC语言在运算效率和结果优度方面均比VB语言要好。