改进自适应遗传算法在函数优化中的应用研究

为了改善传统自适应遗传算法的收敛速度以及局部收敛问题,根据种群适应度的集中程度,以种群的最大适应度、最小适应度以及适应度平均值这3个变量为基础,设计了改进的自适应交叉概率和变异概率来调整整个种群的交叉概率和变异概率,提出了一种基于种群适应度集中程度的改进自适应遗传算法.将该算法应用于函数优化中,仿真结果验证了其具有"快速收敛"的特点,且在很大程度上可避免遗传算法的早熟现象.     

基于自适应遗传算法的图像匹配

为了解决图像匹配中计算速度慢和匹配精度不高的缺陷，提出了一种基于自适应遗传算法(AGA)的匹配方法，该算法与传统遗传算法的不同在于其交叉概率和变异概率随个体的适应度值而变化，避免了后者易陷入局部极值的缺陷，从而增强了算法的快速性和全局收敛性能．图像与模板的相关值是一多峰值函数，模板匹配实质上是多峰值寻优过程．将AGA应用到图像匹配，是以相关值为适应度函数，通过选择、交叉、变异等遗传操作，对遗传个体进行迭代寻优，找出图像中的最佳匹配点．实验结果表明，基于该算法的图像匹配具有运算量小、匹配精确等优点，且算法稳定．     

基于群体列突变遗传算法的遍历性

通过分析遗传算法过早收敛的原因,提出了一种基于群体列突变的遗传算法,分析了这种遗传算法交换和突变操作的特性,证明该遗传算法能够进行遍历搜索.该算法克服了遗传算法的局限性,通过群体列突变能够避免过早收敛,并找到最优解.     

自适应遗传优化BP网络的研究与应用

针对遗传算法易出现种群多样性被破坏、早熟收敛的问题,在Srinivas的自适应遗传算法(AGA)的基础上,引入种群多样性的度量参数,提出一种改进的自适应遗传算法(MAGA),利用种群多样性和适应度的变化趋势调整交叉和变异概率,继而提出基于MAGA优化BP(back-propagation)神经网络的流量分类方法(MAGA+BP),兼顾了MAGA和BP算法分别在搜索全局和局部最优解方面的优势. 在剑桥大学共享的网络流量数据上进行了仿真实验,结果表明,MAGA较好地维持了种群的多样性,克服了AGA早熟收敛的问题,搜索到最优解的适应度提高了10.17%, MAGA+BP方法对流量数据具有较好的分类效果.     

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。     

基于自适应遗传算法的复合材料层合板铺层顺序优化设计

分析了杂交概率和突变概率对遗传算法收敛性的影响,提出了一种自适应遗传算法,并利用该方法研究了复合材料层合板的铺层顺序优化设计问题。算例结果表明,提出的复合材料层合板铺层顺序优化设计方法能够明显的提高计算效率。     

基于距离测度的实数编码自适应遗传退火算法

提出一种基于距离测度的实数编码自适应遗传退火算法,根据个体的距离密集度自适应地确定其交叉概率和变异概率.空间距离密集度越高的个体,其交叉概率和变异概率也越高.算法引入模拟退火机制,在遗传进化过程中的每一代,对最优个体进行邻域局部寻优,利用模拟退火进一步改善算法的收敛性能.对带边界约束函数优化问题进行了仿真计算,结果表明该算法有效.     

遗传算法应用于系统在线辨识研究

研究了遗传算法在系统辨训识的应用,根据系统辨识自身的特点,设计了自适应选取遗传算法适值函数的方法,该方法的计算量要比排序选择操作的计算量小得多,在种群进化中采用自适应交叉、变异概率,以此对一差分方程描述的系统进行参数在线辨识。领导结果说明了该策略能够有效地避免算法非成熟收敛。     

Stochastic analysis and convergence velocity estimation of genetic algorithms

1　ＩＮＴＲＯＤＵＣＴＩＯＮＴｈｅｅｓｔｉｍａｔｉｏｎｏｆｃｏｎｖｅｒｇｅｎｃｅｖｅｌｏｃｉｔｙａｎｄ ｐａｒａｍｅｔｅｒｉｚａｔｉｏｎｏｆ ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓ(ＧＡ)ａｒｅｔｗｏｉｍｐｏｒｔａｎｔｔｈｅｏｒｅｔｉｃｐｒｏｂｌｅｍｓ,ｂｕｔｔｈｅｒｅａｒｅｆｅｗｓｔｒｉｃｔｔｈｅｏｒｅｔｉｃｒｅｓｕｌｔｓ[1] .Ｔ .Ｂ ｃｋ[2 ,3] ｏｂｔａｉｎｅｄｔｈｅｅｓｔｉｍａｔｉｏｎｏｆｃｏｎｖｅｒ ｇｅｎｃｅｖｅｌｏｃｉｔｙｏｆｓｉｍｐｌｉｆｉｅｄＧＡｂｙａｐｐｌｙｉｎｇｏｒ ｄｅｒｓｔａｔｉｓｔｉ…     

自适应遗传算法在建筑结构优化中的应用

遗传算法易搜索到全局最优解，但局部寻优能力差且易发生早熟、随机漫游现象. 基于对本文所采用的基本遗传算法的原理和实施过程介绍的基础上，针对其缺陷提出改进措施：利用混沌序列的“遍历性、随机性、规律性”的特点生成初始种群；采用最优个体储存、最差个体替换策略. 在改进遗传算法的基础上，又引入自适应的交叉、变异概率公式，幅度系数调节交叉率、变异率形成自适应遗传算法. 通过十五杆平面桁架的数值算例，自适应遗传算法的优化结果、优化进程与基本遗传算法、改进遗传算法进行了对比，验证自适应遗传算法的优越性能.     

改进自适应遗传算法的结构优化设计

介绍了离散变量的结构优化设计方法——遗传算法(Genetic Algorithms)的来源和运行参数。考虑到遗传算法在运算过程中表现出的缺点以及交叉率和变异率的选取对遗传算法的搜索能力和搜索效果的影响,同时为了提高遗传算法的收敛性,避免发生早熟收敛,对遗传算法进行了改进,引入一种基于个体适应度值的自适应遗传算法。并通过算例表明这种改进自适应遗传算法较基本遗传算法是更有效的,提高了算法的运行效率和计算精度。     

遗传算法中群体多样性评价指标的研究

本文针对遗传算法中早熟问题进行了分析,提出了评价群体多样性的两个性能指标,在此基础上结合模糊逻辑调节遗传算法的交叉和变异概率.对一组函数优化问题对标准算法和优化算法进行测试,测试结果表明基于模糊逻辑控制的遗传算法的性能要优于标准遗传算法.证明本文提出的群体多样性的评价指标是有效的.     

Fuzzy adaptive genetic algorithm based on auto-regulating fuzzy rules

There are defects such as the low convergence rate and premature phenomenon on the performance of simple genetic algorithms (SGA) as the values of crossover probability (P _c) and mutation probability (P _m) are fixed. To solve the problems, the fuzzy control method and the genetic algorithms were systematically integrated to create a kind of improved fuzzy adaptive genetic algorithm (FAGA) based on the auto-regulating fuzzy rules (ARFR-FAGA). By using the fuzzy control method, the values of P _c and P _m were adjusted according to the evolutional process, and the fuzzy rules were optimized by another genetic algorithm. Experimental results in solving the function optimization problems demonstrate that the convergence rate and solution quality of ARFR-FAGA exceed those of SGA, AGA and fuzzy adaptive genetic algorithm based on expertise (EFAGA) obviously in the global search.     

基于均分法的小生境遗传算法

为了避免遗传算法种群中个体过早陷入局部最小,在以往随机初始种群的基础上提出一种均分法,使得初始种群随机平均地分为若干个子种群,形成小生境,这样既维持了种群的多样性,也使得种群中的个体不会过早出现早熟现象,更提高了算法的收敛速度.同时采用了自适应技术控制交叉和变异的概率,使得算法能更快速地找到最优解.仿真结果表明,与传统的遗传算法优化RBF网络相比较,新算法的迭代次数更少,精度更高,大大提高了收敛速度.     

一种改进的自适应遗传算法

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法.针对传统遗传算法和自适应遗传算法存在"早熟"现象及收敛速度慢的不足,提出了一种改进的自适应遗传算法,并对交叉概率和遗传概率进行改进.仿真结果说明了改进的自适应遗传算法比传统遗传算法和自适应遗传算法在收敛性能和搜索能力上都有很大的提高.     

一种自适应遗传算法研究

首先提出一个刻画进化种群多样性的函数，考虑种群多样性与进化代数的关系，提出一个作用函数，在此基础上，提出一种自适应遗传算法，该 算法中交叉和变异操作的点数随种群多样性函数和作用函而变化，多峰值函数优化结果表明，该算法可以有效地解决早熟收敛问题，更易达到全局最优解。     

基于混合免疫协同进化算法的模糊-PI优化控制

针对遗传算法诸如局部搜索能力差、早熟收敛、“退化”现象等问题，在协同进化算法(CA)的基础上融入传统的单纯形算法，同时引入免疫算子来防止“退化”现象，提出了混合免疫协同进化算法(HICA)，并设计了一种自适应交叉、变异算子以提高算法的运算效率；应用HICA对模糊 PI控制器的各个参数进行协同优化，设计了体现控制器综合性能指标的目标函数，仿真结果表明：提出的基于HICA模糊 PI控制优化方法可以获得满意的控制效果.     

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.     

基于自适应遗传算法的粗糙集属性约简方法

针对遗传算法在全局优化问题中出现的早熟收敛和后期收敛速度较慢的现象,提出了一种基于自适应遗传算法的粗糙集属性约简方法。该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,优化了各个个体被选择的概率。实验表明,该方法能够明显地改善全局寻优能力,并大大加快了收敛速度。     

基于多工况分析的焦炉加热过程火道温度模糊控制

对于焦炉加热这一复杂工业过程,提出一种包括协调层和优化控制层的多工况火道温度优化控制方法。协调层根据对焦炉加热过程工艺参数的分析,采用多信息融合的二次决策方法,由荒煤气的温度识别焦炉加热过程的实时工况,针对不同的工况选择合适的优化控制模型。基于工况分析,在优化控制层采用一种基于自适应遗传算法的多目标模糊优化控制方法,针对不同工况下的模糊控制器量化因子和比例因子调节困难的问题,采用精英保留和赌盘算法相结合的选择策略,以及具有自适应交叉概率和变异概率的遗传算法对模糊优化控制模型的参数寻优,有效地提高了遗传算法的全局搜索能力和收敛速度,并且通过对控制精度、能量消耗和调节时间等各项指标适当加权,构造适应度函数,使优化后的模糊控制模型达到满意程度。采用具有多工况火道温度智能优化控制结构的方法取得了良好的控制效果,为焦炉加热过程的优化控制问题的解决提供了一条新的途径。