改进遗传算法在MF-TDMA资源规划中的研究

针对遗传算法(GA)在MF-TDMA资源规划中易出现陷入局部最优和搜索效率低的问题提出一种改进的遗传算法.通过改进精英保留策略以及交叉和变异概率对的选择方法降低了陷入局部最优的概率,并且基于模式定理和积木块假设提出的分块搜索提高了搜索效率.仿真结果表明改进遗传算法结合自适应罚函数和适应度函数在 MF-TDMA 资源规划中相对于简单遗传算法、自适应遗传算法和分层遗传算法全局搜索能力更强和搜索效率更高.     

基于多算子协同进化的自适应并行量子遗传算法

量子遗传算法具有种群规模小,全局搜索能力强的特点被广泛应用于各类优化问题的求解.为了进一步提高量子遗传算法的收敛速度和搜索稳定性,克服算法的早熟问题,本文改进了基于自适应机制的量子遗传算法.在自适应量子遗传算法的基础上根据种群的适应度定义了个体相似度评价算子、个体适应度评价算子和种群变异调整算子及相应算子的计算方法,利用多算子协同评价当前种群状态并根据进化代数的变化,自适应的改变个体的变异概率,提高了算法全局寻优能力和收敛速度,降低了算法陷入局部寻优的概率.此外,为了提高算法的时间效率,将算法采用并行多宇宙的方式实现.实验结果表明,本文提出的算法在全局搜索性能、收敛速度和时间效率方面有较好的综合表现.     

基于改进人工蜂群算法的无人机的航迹规划

针对无人机飞行任务规划系统中的航迹规划问题,提出了一种改进的人工蜂群算法,将其应用于无人机的航迹规划。该算法将航迹规划问题转换成函数优化问题,以蜂群为搜索单位,通过群体之间的信息交流与优胜劣汰机制,使蜂群向更优方向进化。在雇佣蜂搜索阶段采用自适应搜索策略来加快算法收敛速度;在跟随蜂搜索阶段引入一种新的概率选择方式来保证种群的多样性;在侦察蜂搜索阶段利用混沌搜索算子提高算法的全局搜索能力。通过标准函数测试与航迹规划仿真对改进后的算法进行验证,结果表明,改进后的算法提高了全局收敛能力,在收敛速度和精度上优于传统的人工蜂群算法,可有效解决无人机的航迹规划问题。     

基于混沌的多策略优化麻雀算法及应用

针对原始麻雀搜索算法在寻优过程中出现多样性降低,难以跳出局部最优,以及收敛精度不够等问题,提出一种基于混沌的多策略优化麻雀算法.首先,通过Circle混沌映射进行种群初始化,生成分布更加均匀的麻雀种群,增加种群的多样性;其次,引入自适应比例,对发现者的种群规模占种群总规模的比例进行动态变化,平衡算法的全局搜索与局部挖掘能力;然后引入Levy飞行改进发现者位置更新方式,提高算法的搜索范围与局部搜索能力,并且加快收敛于最优值的速度;最后,选择逐维变异与反向学习相融合的方式来扰动当前全局最优位置,通过贪婪算法来筛选出变异前后的最优值作为当前全局最优值,从而提高算法跳离局部最优的能力.本次选择12个基准函数和Wilcoxon秩和检验进行验证,并于六种其他算法进行对比,证明了以上多种策略对于算法的性能提升明显.同时,将该改进算法应用于工程实践中,本文选择压缩弹簧设计优化问题,验证所提改进算法在工程设计中的可行性与优越性.     

自适应遗传算法的改进研究

未成熟收敛问题是导致遗传算法性能下降的重要原因。为了提高算法的性能,对IAGA自适应遗传算法[1]进行了改进,提出了一种新的自适应交叉概率公式和自适应变异概率公式,从而促使算法跳出局部最优解,改善了算法的未成熟收敛问题。仿真结果表明,相对IAGA自适应遗传算法,新算法的全局收敛性更强,性能更优越。     

基于改进遗传算法含风电场的配电网无功优化研究

针对基本遗传算法容易陷入"早熟",编程实现比较复杂,且交叉率与变异率大多依靠经验值等问题,提出了一种基于GA的改进的遗传算法,交叉概率与变异概率采用随个体适应度的值变化而变化的自适应取值方法,并且对控制变量采用随机多点交叉方式.研究了含风电场并网后对配电网网损的影响,分析了双馈风机的无功出力能力,将双馈风机作为控制变量参与到系统的无功优化中.并对风场的随机性与间歇性的特点,引入了风场随机出力的场景模型.以网损最小为目标函数,应用改进的GA算法对含风电场的IEEE33节点配电系统中进行了无功优化计算,并和基本遗传算法进行了对比,结果表明改进的GA有更好的全局寻优能力和搜索性能,证明了该算法的有效性.     

基于自适应SAGA的测试数据自动生成

结合遗传算法（GA）的并行搜索结构和模拟退火（SA）的概率突跳性，并结合使用自适应的交叉算子和变异算子，提出了一种高效的自适应的SAGA混合优化算法。在自主开发的结构性测试工具WBoxTool中，使用自适应SAGA混合优化策略进行测试数据自动生成，并通过实例对基本遗传算法、自适应遗传算法和自适应SAGA进行了比较，结果表明自适应SAGA具有更强的搜索能力，可以更快的发现全局最优解。     

一种改进的基于遗传算法的聚类分析方法

C－均值聚类收敛速度快，但是它容易陷入局部最优，且对初始解很敏感。遗传算法是一种全局搜索方法，但是它收敛速度慢。为了在搜索能力和收敛速度两方面都取得较好的效果，本文提出了一种改进的基于遗传算法的聚类分析方法。实验结果表明：本文提出的算法在聚类分析中搜索到全局最优解（或近似全局最优解）的能力要优于经典遗传算法及C－均值聚类算法；且通过对变异概率的巧妙设置，提高了算法的自适应能力。     

基于改进麻雀算法的最大2维熵分割方法

为了提高最大2维熵分割的性能,提出了基于改进麻雀算法的最大2维熵分割方法,可减小运算量并且缩短计算时间.首先,融合反向学习策略和自适应t分布变异,引入精英粒子,以扩大算法搜索范围,增加算法后期局部搜索能力;其次,使用萤火虫机制,对最优解进行扰动变异,进一步增加种群多样性;最后,采用提出的改进麻雀算法寻找图像最大2维熵,...     

基于自适应免疫遗传算法的多序列比对

针对多序列比对问题提出一种基于自适应免疫遗传算法的多序列比对方法。为了保持群体中个体的多样性，以及加快算法的收敛速度，该算法中交叉概率和变异概率根据群体的多样性自适应调整，并且在选择免疫算子时采用择优策略，将免疫算子引入到自适应遗传算法中，通过对个体接种疫苗来进一步提升个体的存活能力。     

基于自适应遗传算法的关联运输调度问题

利用引入了混沌扰动的一种改进的自适应遗传算法来解决一类关联运输调度问题IVRP(IncidentVehicleRoutingProblem)模型。虽然M.Srinivas提出的自适应遗传算法既保护了最优个体又加快了较差个体的淘汰程度,但不容易跳出局部最优解,相邻进化代数间的参数缺乏连续性,所以,提出了一种新的自适应遗传算法,为避免近亲繁殖提出了改进策略,同时考虑到变异概率的大小可能导致破坏种群模式或减弱抑制早熟的能力,设计了相关的自适应变异概率。研究表明,该改进的算法在解决关联物流运输调度问题具有有效性和适用性。     

一种基于改进遗传算法的波长路由算法

WDM(波分复用)光网络中基于GA(遗传算法)的RWA(路由与波长分配)算法是目前最常见的算法,为了提高网络资源利用率并进一步降低阻塞率,提出了一种动态的、基于改进GA的DCMA-GA(双交叉变异自适应遗传算法),通过引入自适应交叉与变异概率机制来减少GA的复杂度并应用于波长分配子算法中。仿真结果表明,与经典算法Dijkstra+FF(首次命中)相比,新算法最大能降低50%的阻塞率,在波长分配方面可提高10%的性能,验证了新算法的有效性。     

一种新的卫星智能天线自适应波束形成算法“

基于遗传算法提出了一种用于卫星智能天线的自适应波束形成算法,在遗传算法的变异操作中使用双变异概率,并将其与最优保留策略和内插交叉算子结合在一起使用,以此来克服传统遗传算法的早熟收敛问题,提高全局收敛能力和可靠性.仿真结果表明,提出的自适应波束形成算法具有良好的收敛性和抗干扰性能,可抵抗卫星通信系统中干扰信号的影响.     

基于多策略SSO和改进A*算法的无人机动态航迹规划

针对无人机遇到突发威胁动态航迹规划问题,提出了一种基于多策略SSO和改进A*算法的无人机动态航迹规划方法。该方法将无人机航迹规划划分为静态航迹规划和突发威胁实时规避两个阶段:首先,对于静态航迹规划阶段,采用多策略SSO优化算法对极坐标航迹规划模型进行求解,通过引入完全弹性碰撞、自适应跳跃等机制,在有效满足飞行性能约束的同时,提高了航迹规划结果的可行性;其次,对于突发威胁实时规避阶段,采用改进A*算法对局部区域进行航迹重规划,通过拓展A*算法搜索邻域个数和引入最小"弯折"估计代价函数,在保证实时性要求的同时,能够规划出更加平滑的最优航迹。仿真结果表明,提出的方法能够有效地给出更为满意的无人机动态航迹规划路线。     

SINR概率感知下的无人机覆盖优化

针对多无人机网络辅助灾区用户通信的场景,构建了一种基于信干噪比(Signal-to-Interference plus Noise Ratio,SINR)检测的概率感知模型,旨在最大化无人机服务区域的覆盖率,同时降低无人机额外能耗,并提升网络吞吐量。在该模型下,提出了两种改进的麻雀搜索算法,分别为Logistic高斯麻雀搜索算法(Logistic Gaussian Sparrow Search Algorithm,LGSSA)和Logistic柯西麻雀搜索算法(Logistic Cauchy Sparrow Search Algorithm,LCSSA)。首先使用Logistic混沌序列产生初始种群,以丰富种群的多样性,提高算法的全局搜索能力;然后,在LGSSA和LCSSA中分别引入高斯变异和柯西变异因子,以改善局部最优解。仿真结果表明改进后的算法可以有效地优化无人机的空中部署,大幅度提升无人机网络的覆盖率。     

基于个体排序的自适应遗传算法

针对遗传算法容易陷入局部最优的缺点,文中提出了一种基于个体排序的自适应遗传算法。在传统自适应遗传算法中,交叉概率和变异概率的自适应更新是依据个体的适应度值进行的。但是在算法后期,由于种群陷入局部极值,使得值的差异变小,更新时难以体现个体差异。借鉴序优化的思想,在所提改进算法中,将个体适应度值排序,并采用排序号替代适应度值。这种采用序差异取代值差异的方法能够增大种群中、后期的交叉概率和变异率的值,有利于避免算法陷入早熟收敛。文中对几种标准的函数进行了测试,结果表明,改进后的算法在收敛速度和收敛精度方面优于其他两种自适应改进算法。     

改进的遗传算法在加速寿命试验设计中的应用

为了提高遗传算法的搜索效率和收敛速度,本文给出了一种新的改进的遗传算法。该算法采用对群的优化来保持种群的多样性,保留历史最优个体并定期替换最优个体从而使得个体优化,对交叉概率和变异概率采用自适应的概率进行优化。通过对目标函数的测试表明,将改进遗传算法与基本遗传算法相比较,在函数最优值,平均收敛代数方面取得了令人满意的效果。     

基于球面多区域划分的并行量子遗传算法

论文提出一种基于球面解空间划分的量子遗传算法,引入多区域并行搜索的机制,制定了群间的染色体置换策略,设计了新的量子变异操作,并以种群退化的程度来确定变异的概率。通过理论分析证明了该算法能够以概率1收敛到全局最优解。在组合优化和连续优化问题的实验中,该算法能够以较快的速率收敛到目标值,收敛过程相对平稳,降低了早熟现象产生的概率,表现出了良好的性能。     

改进的生物地理学算法及其在图像分割中的应用

为了增强生物地理学优化算法(BBO)在图像多阈值分割应用中的全局搜索能力,提高其优化性能,提出一种改进的生物地理学算法(IBBO)。首先,引入多源迁移算子,该算子能更好地从搜索空间中生成新特征值,有效提高种群的多样性;其次,创建一种新型的动态变异算子,该算子能够动态地改变变异幅度,提高算法运算效率,使算法快速收敛到全局最优解;随后,将原来的精英选择算子改为贪婪选择算子,即采用优胜劣汰的策略加快算法收敛速度;最后将其应用到基于最大熵的多阈值分割中。图像分割实验结果表明,IBBO算法运行速度远远快于穷举算法,优化性能优于标准BBO算法和PSO算法。     

基于改进自适应遗传算法的MIMO 雷达阵列优化

针对传统遗传算法在全局搜索和收敛方面的不足,提出一种改进自适应遗传算法.算法改进了自适应规则,采用随迭代次数和种群适应度自适应变化的交叉、变异操作,同时采用新的选择算子和改进后的最优精英保留策略,摒弃了传统轮盘赌博选择法,增加了收敛于全局最优解的概率,加快了收敛速度.通过测试函数优化求解试验证明,改进算法能够有效提高搜索过程种群的多样性,具有更快的收敛性和更好的全局最优性.在此基础上,将改进的自适应遗传算法应用到MIMO雷达阵列优化设计,通过稀疏栅格编码,采用同时考虑副瓣电平与波束宽度的双适应函数,使优化得到的MIMO雷达方向图具有更好的综合性能,更利于实际工程应用.最后仿真实验结果进一步验证了本文改进算法的有效性.