自适应混沌遗传退火的片上网络映射

针对带宽和时延约束的低能耗片上网络（NoC）映射问题,提出了一种自适应的混沌遗传退火映射算法. 该算法利用Boltzmann更新机制选择遗传个体,引入自适应混沌方法优化适应度较差个体,采用多邻域的退火策略优化较优个体. 实验结果表明,所提算法有效地避免了早熟收敛,提高了算法收敛速度,与标准遗传算法和混沌遗传算法相比,平均节能分别为45%和226%,有效地降低了NoC系统通信能耗.     

基于竞争协同进化的改进遗传算法

针对标准遗传算法中的早熟收敛现象,提出一种基于竞争协同进化的改进遗传算法.该算法根据个体与对手竞争的表现来衡量个体的生存能力,生存能力由个体所击败对手的数量和优秀程度决定,个体在击败更多更优对手的努力中逐步进化.函数优化实验结果表明,该算法收敛速度快,且能有效保留种群多样性,与标准遗传算法及其他多种群遗传算法相比,能有效减轻早熟收敛现象.     

混沌-克隆进化算法

将混沌优化机制和免疫克隆进化算法有机结合, 用混沌浮点数编码代替克隆选择算法的二进制编 码, 利用混沌随机序列产生初始种群, 保证初始种群的多样性。对高亲和度抗体采用混沌扰动策略, 对抗体根据其 亲和度大小加以不同的混沌扰动;混沌扰动系数随进化代数而变化, 进化前期加速搜索, 进化后期加速收敛。对低 亲和度抗体采用混沌再生策略, 保持种群多样性。对5 个复杂函数的优化试验结果表明, 该算法优于混沌优化算法 和克隆选择算法。     

基于种群成熟度的修正遗传算法

提出了一种基于种群成熟度的修正型遗传算法.在该算法中,提出一种新的对个体选择进行交叉的方法.同时分析了遗传算法出现早熟情况的机理.为了避免遗传算法的过早收敛问题,在遗传算法的进化过程中计算和判断种群的成熟度,为种群提供了双进化模式.实验结果表明,新算法不仅提高了算法的精度,而且能克服GA算法中出现的"早熟"现象,是一种提高遗传算法性能的有效改进算法.     

一种基于APGA的移动机器人路径规划算法

提出了基于自适应并行遗传算法的移动机器人路径规划算法,其基本思想是结合多种群并行进化及自适应调整控制参数,提高了搜索的范围和效率,缓解了传统遗传算法早熟收敛问题,从而克服了使用单种群遗传算法进行路径规划的不足．实验结果表明了该算法在移动机器人路径规划中的可行性和有效性．     

基于改进GA的云计算任务调度策略

针对传统遗传算法在云计算任务调度过程中的收敛速度慢和易早熟等问题,提出了一种基于遗传优化算法的双适应度函数改进算法.该算法采用任务完成时间和任务完成成本为双适应度函数,引入个体相似度概念来提高种群质量;采用并列选择法进行选择操作,并且采用自适应规则约束交叉和变异操作,提高种群个体质量,加速进化策略可以有效地避免早熟.结果表明,改进的遗传算法有效地加快了云任务作业调度的收敛速度,并改善了易早熟等现象.     

柔性作业车间调度问题的一种混合进化算法

目的 为了克服现有求解柔性作业车间调度问题的算法所存在的早熟现象、收敛速度慢等不足,提出了一种混沌遗传粒子群算法.方法 将遗传算法中的交叉变异策略引入到粒子群算法中,并在遗传粒子群算法中引入了混沌技术.结果 新的混沌遗传粒子群算法,提高了收敛速度和求解精度,有效解决了柔性作业车间调度问题.结论 通过一组测试函数比较了遗传算法、粒子群算法和混沌遗传粒子群算法的性能.仿真计算表明:混沌遗传粒子群算法具有收敛快、优化性能好的优点.     

基于自适应多种群遗传算法的特征选择

针对标准遗传算法早熟收敛和局部搜索能力弱的缺点,提出了一种自适应多种群的遗传算法(AMGA),包含了多种群规划模型(MPP)和动态选择操作算法(DSA),应用于特征选择处理,从多维特征集合中寻找最优的特征子集。该方法扩展了搜索空间,自适应地调整多个种群的运行状态,有效地控制早熟收敛,增强了局部搜索能力。最后,将本文方法与标准遗传算法的试验结果进行比较,表明本文算法选择的特征数量较少、分类精度较高,可广泛应用于特征选择领域。     

函数优化问题的动态并行量子遗传算法

针对传统量子遗传算法在解复杂连续函数优化中存在的早熟收敛、收敛速度慢、计算时间长的问题,提出一种解复杂连续函数优化问题的动态并行量子遗传算法(DPQGA)。采用多种群协同进化,每个子种群按照各自的进化目标在不同的搜索区域进化,形成并行搜索方式,加快算法收敛速度,避免早熟收敛;同时设计了一种新的动态量子旋转角的更新策略及量子门调整策略,减少算法的迭代次数;在最优解连续数代无变化时引入灾变算子,使种群保持良好的多样性。通过对5个测试函数的仿真,结果表明,该算法搜索到的最优解较QGA算法更优。与已有算法相比,该算法在收敛速度、迭代次数、全局寻优能力上都有了较大的改进和提高。     

异构边缘云架构下的多任务卸载算法

为在资源有限的终端设备上运行计算密集型与时延敏感型应用,同时降低系统时延和能耗,构建边缘云异构网络模型。本文提出了一种H-PSOGA多任务卸载优化算法,并通过无人机、路边单元、车辆等边缘设备以及边缘云服务器进行多任务计算卸载。该算法以先串行再并行的方式将粒子群和遗传算法结合在一起,通过适应度值排序、种群选择、多点交叉、反向变异等操作,利用遗传算法对粒子群进行优选,弥补粒子群算法早熟收敛、陷入局部最优的缺陷。6种标准测试函数的测试分析以及与基线方案进行仿真对比的结果表明：在用户数较多时,混合优化算法的系统平均开销可降低26%～43%,可以有效提高收敛精度。     

利用遗传贪婪混合算法求解背包问题

采用遗传贪婪混合算法解决背包问题,提出利用补偿算子来解决算法较早收敛于局部最优解的思想,有效抑制算法的早熟收敛。在算法的交叉操作中加入确定性策略,在算法的变异操作中加入非确定性策略,以确保算法具有更好的收敛性能。实验结果表明,该算法性能较佳,可以满足解决背包问题的需要。     

基于种群分类解决遗传算法的“早熟”与“漂移”问题

为了有效解决遗传算法在实际应用过程中经常面临的早熟收敛和遗传漂移问题,分析了导致早熟收敛和遗传漂移这两种现象出现的原因,针对其主要原因提出了基于模糊聚类的种群分类改进的遗传算法,避免近亲繁殖导致早熟,并将模糊聚类的结果与各种遗传操作有效结合,提高了算法向最优解收敛的准确性和稳定性。最后,仿真结果显示新的改进算法比标准遗传算法更有效。     

一种基于信息熵的自适应遗传算法

为解决传统遗传算法容易早熟及收敛速度慢的缺陷,在分析了多样性的重要性后,提出了一种新的基于信息熵的遗传策略,该策略在保留最优个体的基础上,根据当前种群个体熵与种群熵的变化自适应调整遗传算子的各项参数,将种群的内部状态与遗传操作有机地结合起来,使得种群多样性得到保证,提高算法的全局搜索能力.试验结果表明了该方法在运行过程中能避免早熟的发生,在处理复杂问题时表现出较高的性能.     

具有年龄结构的遗传算法

结合自然规律以及遗传算法的特点 ,提出了具有年龄结构的遗传算法的框架以及实现。该算法能够通过对个体基因不同年龄的不同操作 ,克服遗传算法中存在的主要问题即过早收敛问题。该算法有效地保持群体的多样性 ,使遗传算法顺利地收敛到全局最优值。通过实际的例子说明 ,这种方法克服过早收敛问题并且相对于简单遗传算法提高了收敛速度     

改进的基因表达式编程算法在演化建模中的应用

为了克服传统基因表达式编程易早熟收敛、种群多样性难以保持、演化效率不高、拟合度不高等缺陷。给出了基于表现型的种群多样性测度,并提出了基于排挤小生境的改进基因表达式编程算法．该算法将小生境半径内的早熟个体通过罚函数排挤出去．使其它优良个体得以更大概率进化,并使各个个体之间保持一定的距离．分别对一元函数和多元复杂函数进行演化建模实验．结果表明,改进的算法能在演化过程中能保持丰富的群体多样性,能够有效避免过早收敛．具有更高的成功率、更高的收敛速度和拟合精度．     

面向时滞测试生成的改进遗传算法

在提出的无冒险的时滞测试能量函数的基础上,对传统的遗传算法进行了改进,即在搜索中根据进化程度对群体尺寸进行调整来加速收敛,用于时滞测试生成。实验证明该方法是一种较有发展前途的算法。     

基于q-高斯分布的自适应变异粒子群算法

针对粒子群算法易陷入局部极值和早熟收敛的缺陷,提出了基于q-高斯分布的自适应变异粒子群算法.采用q-高斯作为变异算子对粒子的全局最优位置进行q-高斯变异,克服了因种群遗失多样性所导致的早熟收敛缺陷,随着种群的进化,非广延熵指数 q 的自适应调整平衡了算法的全局搜索能力和局部开发能力.测试了4个标准复杂函数和优化BP神经网络参数,结果表明,基于 q-高斯分布的自适应变异粒子群算法的优化性能最好,收敛速度快.     

基于遗传模拟退火算法的QoS组播路由问题求解

提出了一种基于遗传模拟退火算法的带宽时延约束费用最小组播路由选择方法,该方法针对遗传算法的局限性,采用基于备选路径集的整数序列编码机制,对适应度函数进行了调整,改进了交叉和变异操作,并结合了模拟退火算法.实验表明,该算法能够有效地提高收敛速度,避免早熟收敛,能够满足多媒体网络对相应QoS的需求.     

A novel genetic algorithm preventing premature convergence by chaos operator

ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ(ＧＡｓ),ａｓａｋｉｎｄｏｆｓｅａｒｃｈｉｎｇａｎｄｏｐｔｉｍｉｚｉｎｇａｌｇｏｒｉｔｈｍ,ｉｓｂａｓｅｄｏｎｔｈｅｐｒｉｎｃｉｐｌｅｓｏｆｎａｔｕｒａｌｅｖｏｌｕｔｉｏｎ[1].Ｉｔｈａｓｂｅｅｎｅｓｔａｂｌｉｓｈｅｄａｓａｖｉａｂｌｅａｎｄｒｏｂｕｓｔｔｅｃｈｎｉｑｕｅｆｏｒｓｅａｒｃｈｉｎｇａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｃｒｏｓｓａｄｉｖｅｒｓｅｄｏｍａｉｎｏｆｄｉｓｃｉｐｌｉｎｅｓ.Ｈｏｗｅｖｅｒ,ｗｈｅｎａｐｐｌｙｉｎｇＧＡｔｏｓｏｌｖｅｌａｒｇｅｓｃ…     

一种采用双混沌搜索的类电磁机制算法

针对现有算法中初始种群随机性强、局部搜索能力差、移动公式效率低等问题,提出了一种改进的类电磁机制算法．结合反向学习理论,引入带扰动因子的反向学习机制构造初始种群;提出了一种双混沌优化机制用于局部搜索;运用改进后的公式计算粒子之间的合力;设计了一种自适应移动算子来更新粒子．实验结果表明,改进后的算法具有更好的收敛效果和更高的求解精度．