一种用于多峰函数优化的改进混合遗传算法

针对遗传算法在处理复杂多峰函数优化问题中存在的一些缺陷，提出了一种改进型的混合遗传算法，它在小生境技术的基础上引入单纯搜索算法、最优保存算法和近优淘汰算法，并使之相互结合，经编程实践证明，这种改进的混合遗传算法在处理复杂多峰函数优化问题时，局部搜索能力和克服过早收敛能力方面都显著优于标准遗传算法，并在实际应用中取得了较好的效果。     

基于小生境遗传算法的多峰函数全局优化研究

针对基本遗传算法在求解多峰函数时很难找到全部最优解的问题，研究了基于淘汰相似结构机制的小生境遗传算法。用该算法对两个典型多峰函数求解的测试结果表明，该算法较之基本遗传算法有更强的全局搜索能力和更快的收敛速度。     

多峰函数优化的混合遗传算法

研究了2种基于最速下降法和遗传算法的求解多峰函数优化问题的混合遗传算法,以Schaffer函数的全局优化问题和收敛概率、平均收敛时间和平均收敛值等评价指标检验了混合算法的性能.结果表明混合算法的性能优于单独的遗传算法或最速下降法,采用随机方式选择局部优化个体的混合遗传算法性能在总体上优于从每代群体中选择适应度高的个体进行局部优化的混合遗传算法.     

基于改进自适应遗传算法的层合板铺层顺序优化方法

针对复合材料层合板的铺层顺序优化,设计随适应度自适应变化的变异算子和交叉算子,提出了一种改进的自适应遗传算法。通过铺层顺序优化算例证明:与标准遗传算法相比,改进的自适应遗传算法在组合优化方面具有更好的稳定性、收敛性和运行效率。针对不同的设计变量个数,变异算子和交叉算子应选取不同的参数;当设计变量较多时,自适应遗传算法选取P_(c1)=0.9,P_(c2)=0.6,P_(m1)=0.19,P_(m2)=0.01具有更优的收敛效率。     

一种改进的遗传算法在多峰值函数优化问题中的应用

针对标准遗传算法在处理多峰值函数优化问题中存在的收敛性问题,设计了一种自适应多位变异遗传算法．有效地解决了过早收敛、局部搜索能力差和全局收敛性问题．实例计算表明.改进后的遗传算法是有效和可行的．     

多峰函数寻优的微粒群算法

某些实际问题的优化目标是求所有的局部最优解，即求解多峰寻优问题，为了求解多峰优化问题，提出了改造的微粒群优化算法．尽量减少微粒群算法中的全局因素，从而增大其局部因素，同时采用变步长方法增加微粒的多样性．并给出了该算法的原理和步骤．仿真实验表明该算法概念清楚，计算简单，具有很好的局部寻优特性，可应用求解于多峰寻优问题．另外还给出了几个运算实例和与其它优化算法的比较．图表，表1，参9．     

一种改进的遗传算法在函数优化中的应用

针对传统遗传算法在处理多峰值函数优化存在的"早熟"问题,以及在后期搜索效率低的问题,在对目前常见的几种种群早熟程度评价指标进行分析的此基础上,提出了一种新的种群"早熟"程度评价指标,并据此提出了一种改进的自适应遗传算法;最后将改进的遗传算法用于函数优化;实验表明:改进后的遗传算法有效地解决了过早收敛、局部搜索能力差和全局收敛 速度慢等问题.     

基于动态群体的聚集演化求解多峰函数优化问题

指出了现有的演化算法框架都是群体固定的演化迭代过程，对求解多峰函数优化问题时由于无法事先得知峰值点的个数而很难确定合适的群体大小，影响了算法的效率，提出了一种群体动态可调的演化方式，使得初始群体大小可任意指定，在演化过程中通过聚集和按比例引入新个体两个过程而动态变化。实验表明，该算法能尽可能多地定位峰值点。     

基于主附种群结构的遗传算法

介绍了一种基于新的变异算子多种群的新遗传算法，该算法可用来解决复杂的多峰函数优化问题．解决这些问题的传统遗传算法经常陷入局部最优，新算法引入一种新的基于主群、附属子群的结构可避免传统遗传算法难以克服的早熟收敛．在该结构中，主群采用新的变异算子来保持良好的群体分布，并促使较优模式的快速增长，附属子群设计在有限区域内获取局部最优．用搜索历史记录及主子群体通讯能减少搜索空间，以获取全局最优和几个局部最优．搜索局部最优和全局最优可用于多人脸检测以及路径寻优问题．实验表明，该算法已在几个复杂的多峰函数优化上取得了较好的结果．     

多峰函数的轨道系列完整性

引进多峰函数等概念,把单峰函数动力学中的一些基本概念推广到多峰函数,证明了任一规则的多峰函数均具有轨道系列的完整性.     

一种改进的小生境遗传算法

简单遗传算法（SGA）存在早熟收敛和后期收敛速度慢的弱点，基于小生境（niche）技术的改进遗传算法因其较好地保持了种群多样性，显示出更优的性能，但它存在操作复杂、比简单遗传算法更费时的缺陷，因此提出了一种基于自适应的小生境遗传算法。该算法在多模函数的优化中能够保持种群多样度的稳定性，获取合适的子种群规模，从而以更快的收敛速度获得更优的解。仿真结果表明该算法高效、可靠，易于实现。     

一种改进的小生境遗传算法

简单遗传算法（SGA）存在早熟收敛和后期收敛速度慢的弱点，基于小生境（niche）技术的改进遗传算法因其较好地保持了种群多样性，显示出更优的性能，但它存在操作复杂、比简单遗传算法更费时的缺陷，因此提出了一种基于自适应的小生境遗传算法。该算法在多模函数的优化中能够保持种群多样度的稳定性，获取合适的子种群规模，从而以更快的收敛速度获得更优的解。仿真结果表明该算法高效、可靠，易于实现。     

一种小生境正交遗传算法研究

针对标准遗传算法的不足,借助正交试验法的全局均衡设计思想和二元变异操作对初始种群产生方式、交叉算子和变异算子进行了改进,提高了种群的多样性;借助最优保留策略和自然界的小生境思想,对选择算子进行了改进,提高了算法的全局收敛性能;另外还通过引入加速正交搜索操作,提高了算法的收敛速度.在此基础上,提出了一种小生境正交遗传算法,并进行了实例研究.研究结果表明,该算法不但可以有效地克服标准遗传算法的缺陷,而且计算速度、计算精度和算法稳定性也得到了显著提高.     

小生境遗传算法优化的BP神经网络模型

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出一个小生境遗传算法优化的BP神经网络模型.该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练,有效解决网络初值不合理的问题,提高网络收敛速度、稳定性.实验证明:与传统方法相比,该模型具有很强的可行性和有效性.     

面向多模函数优化的改进网格优化算法

利用网格优化算法（COA）编码简单、收敛速度快、不宜陷入局部最优等特点,针对多模态函数优化问题,对GOA算法进行了改进,扩大了优化搜索范围,保持了父本种群的多样性,增强了全局搜索能力。对典型多模态函数问题的测试结果表明,改进的网格优化算法在解决多模态函数优化问题方面具有很强的全局搜索能力和很高的搜索效率。     

面向作业车间调度问题的遗传算法改进

为了获得遗传算法在作业车间调度问题上的最优化解,提高算法的迭代速度,研究了遗传算法的改进方法,以工件的加工时间最短为目标建立调度模型。在算法上提出了基于概率改进的具有自适应能力的交叉与变异算子,以求作业车间调度问题的最优解。在遗传算法上采用精英保留策略方法,并结合改进的自适应算子对问题进行求解。以基准案例LA01和FT06作为实验仿真对象,获得了相应的甘特图以及搜索过程曲线。仿真结果表明,与未改进的算法相比,该算法能够更加快速地获得最优解。改进后的算法在搜索上更加快速有效,在求解作业车间调度问题上具有一定的可行性,更加适合工业加工生产。     

投资组合优化模型的一个序列凸近似算法

以CVaR为代表的凸优化投资组合模型近年来引起了广泛研究.为克服传统投资组合模型中凸近似的不足,提出了一个投资组合的DC规划模型.该模型用一个DC函数替代了CVaR模型中的凸近似函数,同时要求所有约束条件在概率意义下成立.进一步地,提出了一个序列凸近似(SCA)算法用于求解DC规划问题,并运用Monte-Carlo方法来实现SCA算法.初步的实验结果表明,因子收益服从"尖峰厚尾"分布时,模型的目标函数值优于采用CVaR近似的目标函数值.     

复合材料层合板铺层顺序优化遗传算法

采用遗传算法进行复合材料层合板的铺层顺序优化设计，即采用整数编码方式，并对解码进行特殊处理以满足平衡铺层要求；通过父代与子代竞争延长了父代个体寿命，使优良基因有更多机会遗传给下一代；遍历所有分析过的个体信息以减少计算量，算例表明，改进的遗传算法是有效的。     

解优化问题的遗传加速信赖域搜索算法

针对解优化问题的信赖域算法迭代点变化受到信赖域半径约束导致运算速度下降,作者提出了一种遗传加速信赖域搜索算法,该算法在信赖域迭代点变化速度受到信赖域半径约束时,用遗传算法在扩大了的信赖域内求解信赖域子问题,得到加大了的迭代步长,摆脱了短步长迭代的约束,同时通过调节参数可以控制遗传算法加速次数的多寡,从而提高了收敛速度.算法分析和算例表明了新算法的有效性.