一种快速遗传算法的性能分析

 针对遗传算法全局优化速度缓慢、搜索的效率对约束惩罚因子的选择有明显的依赖性等问题,介绍了一种能够从可行解空间和不可行解空间同时搜索、具有"精英"保持能力和采用已搜索解集避免了子代的"返祖"和退化现象的快速遗传算法.性能分析表明,该算法为1阶快速收敛的遗传算法,收敛速度优于其它3种算法,而且参数的选择对于算法的收敛速度没有本质的影响,一般在第5次迭代后即可找到全局最优解.     

一种相对快速收敛的遗传算法的探讨

GA作为一种新的全局优化搜索技术比起其他搜索算法,优点明显,其不足之处是当搜索具有复杂染色体结构的求解空间时收敛速度慢.针对这问题提出了一种改进的相对快速收敛的GA算法的思路:增加对染色体的分割与重组操作,依据于各段的结构和段长,组成段群体,对其实施遗传操作以寻找优化段,重新组合成完整的染色体来搜索优化解.     

一种相对快速收敛的遗传算法的探讨

GA作为一种新的全局优化搜索技术比起其他搜索算法,优点明显,其不足之处是当搜索具有复杂染色体结构的求解空间时收敛速度慢。针对这问题提出了一种改进的相对快速收敛的GA算法的思路:增加对染色体的分割与重组操作,依据于各段的结构和段长,组成段群体,对其实施遗传操作以寻找优化段,重新组合成完整的染色体来搜索优化解。     

一种快速综合性的遗传算法

对几种改进的遗传算法进行了比较、分析、综合了这几种改进的遗传算法的优缺点后，提出了一种快速综合性的遗传算法，该算法具有收敛速度快，迭代次数少且不易陷入不成熟收敛等特点。仿真结果证实了该算法的有效性。     

一种改进的遗传算法及其应用

遗传算法在实际应用中容易出现早熟收敛和搜索结果精度不高的问题。针对早熟收敛和最优值精度低,采用了对搜索参数进行动态调整的优化计算。在进化的全过程中,算法始终保持较强的全局搜索能力和局部寻优能力。测试结果表明,对遗传算法的此种改进是有效的,不易陷入局部最优,并能大大提高最优解的精度。     

一种求解复杂优化问题的快速遗传算法算子

针对利用遗传算法解决参数维度高、计算复杂,且适应度依赖于其他工具的问题,提出一种加快遗传算法收敛速度的聚集算子.该算子首先利用AP(affinity propagation)聚类对种群进行划分,然后通过主成分分析(PCA)对每个聚簇降维,再利用加权最小二乘法在低维空间下将种群分布拟合成二次曲面,并将计算极值点作为优势个...     

一种抑制早熟收敛的改进遗传算法

遗传算法在许多优化问题中都有成功的应用,但其本身也存在一些不足.针对遗传算法的早熟收敛问题,本文在分析基本遗传算法的遗传算子和控制参数的基础之上提出一种改进算法.改进的遗传算法采用了实数编码、算术交叉算子、非均匀变异算子,并对控制参数进行了较合理地选取.改进遗传算法前期能均匀地搜索解空间,后期能对局部进行越来越细微的搜索,并使个体可以进入最优点的吸引域,在一定选择条件的作用下,算法后期可使群体逐渐集中到最优点的吸引域内,从而防止了遗传算法的过早收敛.理论和实例分析均表明,改进后的遗传算法在一些性能上明显优于基本遗传算法,较好地避免了遗传算法的早熟收敛,提高了遗传算法的进化效率,具有良好的有效性和可行性.     

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。     

一种快速收敛粒子群优化算法在云计算中应用

针对现有云计算平台在调度中任务派发速度相对较慢和资源利用率较低的问题,提出一种快速收敛的改进粒子群优化算法,能快速确定合理的子任务分配方案,以较高的寻优率达到所有任务总完成时间最短的优化目标.针对粒子群算法初期收敛速度快后期收敛变慢的情况,按时段动态调整惯量权重值,提高算法的收敛能力和求解精度;通过用粒子群中所有个体最优位置的平均值代替粒子群优化算法的速度更新式中的个体最优位置,大幅加快收敛速度,加快任务派发方案预测的速度.通过建模和算法实现对比,表明该粒子群优化算法能有效地提高任务分配的派发速度和减少任务的总完成时间.     

一种VPN路由快速收敛的实现方法

本文主要分析了核心路由器上VPN路由快速收敛的功能要求。在此基础上,基于模块分离的思想,给出了基于VPN FRR的VPN路由快速收敛的具体实现方案。     

一种新的混沌遗传算法及其在多播路由选择中的应用

分析遗传算法的进化过程，提出一种新的混沌遗传算法。该算法利用混沌变量的特定内在随机性和遍历性对基因座空间进行搜索，有效地克服了遗传算法容易收敛于局部最优的缺点，大大提高了遗传算法的寻优速度。在多播路由选择中应用该方法，能快速找到最佳多播路由，显示出了优良的性能。     

一种改进的浮点数编码遗传算法及其应用

遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索方法,作为优化方法具有明显的优势.通常的遗传算法在实际应用中容易出现过早收敛和搜索结果在最优值附近摆动问题.针对过早收敛提出了采用随机试验法来防止算法陷入局部最优,而针对搜索结果摆动采用动态改变搜索范围的方法来提高优化结果精度,并编制程序对2个著名的优化方法测试函数进行优化计算,测试结果表明,该改进的遗传算法是有效的,不会陷入局部最优,并大大提高了优化结果的精度.     

分组量子遗传算法及其应用

量子遗传算法是一种高效的并行算法，但它易陷入局部极值。提出一种分组量子遗传算法，通过分层、分组等方法，保证了染色体的多样性。典型函数测试结果表明，分组量子遗传算法具有全局最优性，其性能优于其它几种遗传算法和QGA。     

单亲遗传算法及其应用研究

针对传统遗传算法（ＴＧＡ）在求解组合优化问题方面存在的不足,提出一种单亲遗传算法（ＰＧＡ）。ＰＧＡ不使用ＴＧＡ常用的交叉算子,而是通过基因换位算子隐含交叉算子的功能来实现进化操作,简化了遗传操作过程,并且不要求初始群体具有广泛多样性,不存在“早熟收敛”问题,仿真结果表明这种算法是有效的。     

遗传算法及其在智能控制中的应用

在介绍遗传算法的概念、实现方法的基础上,分析了遗传算法在神经网络及模糊控制中的应用。     

基于可进化性的快速遗传算法

给出三类可进化性较强的个体的定义,提出充分重视个体的可进化性并对可进化性强的个体加以引导,来提高遗传算法搜索效率的思想·同时考虑算法全局收敛性能而采用一种并行群体进化结构,设计了旨在提高遗传算法寻优效率的基于可进化性的快速遗传算法,仿真结果验证了这种快速遗传算法的良好性能     

一种基于模糊规则遗传算法在车间布置中的应用

提出了一种将模糊控制规则引入遗传算法的方法．根据每一代种群中所有个体适应度值的变化，对交叉概率、变异概率和染色体交叉长度进行模糊调整，很好地抑制了遗传算法的早熟现象，提高了搜索的效率．归纳出模糊调整规则，并叙述了应用模糊规则对交叉概率、变异概率和染色体交叉长度进行调整的策略；给出了模糊控制器的设计．用该模糊遗传算法对制造系统中的车间布置问题进行了仿真．结果表明，该算法是一种效率很高的寻优方法．     

遗传算法及其应用

论述了遗传算法的基本原理、数学基础、特点,并着重从应用的角度对它的主要研究内容和发展动向进行了深入的讨论。