基于双种群遗传算法的四旋翼飞行器PID参数整定方法

针对四旋翼飞行器的PID控制器参数整定问题,提出使用双种群遗传算法对控制器参数进行寻优;四旋翼飞行器的PID参数调整困难,由于通道间的耦合关系使常规的参数调整方法失效,提出结合双种群遗传算法,寻找最优的PID参数组合,实现飞行器控制;结合动力学模型并加以适当简化,设计了PID控制器,使用双种群遗传算法整定参数,进行了数据仿真实验;结果表明,双种群遗传算法能够提高单种群遗传算法5%的性能,获得的参数控制效果更好。     

基于双种群演化的遗传算法研究

针对标准遗传算法（SGA）在实际应用中出现的早熟收敛问题，引入了双种群演化的遗传算法，同时设计了适应双种群的特殊算子。文章首先阐述了遗传算法的基本原理和操作步骤，然后描述了双种群遗传算法的原理和特殊算子的设计；对“运动员参赛项目排序”这样一个实际问题进行了具体说明并分别使用标准遗传算法和双种群遗传算法进行了对比求解。实验证明：这种方法收敛效率较标准遗传算法有了很大提高，并保持了种群的多样性。     

基于虚拟种群辅助搜索的改进型遗传算法

针对现行各种改进型遗传算法容易早熟收敛,并且难跳出局部最优的问题,提出一种基于虚拟种群技术的改进型遗传算法.该改进型遗传算法不改变遗传算法中选择、交差、变异等核心算子的参数值,从而有效避免了种群进化过程中因控制遗传算子参数的策略设置不当而引起的算法收敛速度慢的问题.通过虚拟种群与实际种群间的信息交换,隐式地增大了实际种群的多样性.仿真结果表明,在种群规模相同的情况下,虚拟种群遗传算法能以最少的代数跳出局部最优,并在最小的代数收敛于全局最优.     

基于强化学习的多策略选择遗传算法

为解决传统遗传算法早熟收敛和收敛速度慢的问题,提出一种基于强化学习的多策略选择遗传算法MPSGA。通过使用不同的选择策略将整个种群划分为3个子种群并分别进化,能提高种群的多样性,有效避免遗传算法的早熟收敛问题。将种群的多样性和算法的运行机制相结合,根据种群多样性的变化运用强化学习算法动态地优化各子种群间的比例参数,从而将种群多样性保持在合适的范围,一定程度上解决了收敛速度和全局收敛性之间的矛盾。实验结果表明,该算法在收敛精度和搜索效率上都表现出较好的性能。     

一种基于自主计算的双种群遗传算法

针对多种群遗传算法在处理复杂多峰函数优化问题时效率低下、容易早熟收敛等缺点,提出一种基于自主计算的双种群遗传算法。双种群包括一个主种群和一个协助种群,协助种群通过系统的内、外监视器动态地向主种群传递优良个体和调整迁移间隔,以帮助主种群进化,并改进适应度函数防止迁移者过早死亡以保持种群多样性。实验结果证明,该算法优于标准遗传算法和双种群的多种群遗传算法。     

遗传算法在多目标柔性Job—Shop调度中应用

针对Job-Shop调度问题,提出了一种双染色体的遗传算法编码新方法,采用对染色体的分离交叉重组操作生成更多的优秀个体,设计了多种群、遗传参数自适应调整来提高种群的多样性.使用优势档案群保存当代最优Pareto解.最后给出仿真结果,与经典的遗传算法求得的结果比较,证明了该算法的有效性和先进性.     

基于个体相似度的双种群遗传算法

针对标准遗传算法搜索精度低、容易陷入局部最优解的缺陷,提出一种基于个体相似度的双种群遗传算法。将竞争算子和第二个种群引入标准遗传算法中,在主种群内部利用海明距离计算个体之间的相似度,进行种群内部竞争,保留"种子"个体,而与其相似的个体参与种群之间的交流,从而保持种群多样性。使用经典测试函数对该算法进行了仿真实验,结果表明,该算法能有效抑制"早熟"现象,其全局搜索能力和搜索效果都有了明显的提高。     

改进多种群杂交遗传算法在作业车间调度的研究

通过提出应用最广泛的混合型作业车间的调度问题以及遗传算法的基本原理,并结合生产车间调度问题的特点,对传统单种群遗传算法改进了改进。新遗传算法中加入辅助种群,保证种群的多样性,解决单个种群的遗传算法容易陷入局部收敛而出现早熟的情况。并应用实例对比分析,表明算法在车间调度系统的有效性和合理性。     

遗传算法种群多样性的分析研究

种群的多样性是遗传算法法进化的前提条件，本文提出用种群方案方差和熵两个量来全面刻画遗传算法中的种群的多样性，分析了选择，交换和变异三个主要算子对种群方差和熵的影响，同时比较了编码机制对种群多样性的影响，得出一些重析结论。     

改进多种群杂交遗传算法在作业车间调度的研究

通过提出应用最广泛的混合型作业车间的调度问题以及遗传算法的基本原理,并结合生产车间调度问题的特点,对传统单种群遗传算法改进了改进。新遗传算法中加入辅助种群,保证种群的多样性,解决单个种群的遗传算法容易陷入局部收敛而出现早熟的情况。并应用实例对比分析,表明算法在车间调度系统的有效性和合理性。     

基于种群多样度的变参数遗传算法的研究

该文针对基本遗传算法（SGA）所存在的缺陷——早熟现象进行了分析，并在此基础上提出了基于种群多样度的变参数遗传算法（VPGA）。该算法从概率角度分析了遗传操作算子的作用，搜索范围以及多样性的影响，依据种群的多样度对遗传算法的参数进行自动调节，抑制早熟现象。并应用两种遗传算法对评价遗传算法性能的四个著名测试函数进行了仿真测试，仿真结果表明该算法相对于基本遗传算法的优越性和抑制早熟现象的有效性。     

进化设计中拓扑搜索和参数的协同优化算法

为了解决基于遗传编程(GP)的动态系统进化设计过程中拓扑和参数协同优化的问题，讨论了基于GP的进化设计种群拓扑多样性保存策略，提出了一种拓扑适应值共享-拥挤协同搜索算法。该算法避免计算小生境半径、通过自适应适应度函数来惩罚拓扑子群，保证了拓扑多样性和阻止局部收敛的发生。实验结果表明，该算法保证了动态系统进化设计中拓扑和参数同步搜索的平衡，有效地克服了局部收敛，能确保获得理想的设计结果。     

基于灾变遗传算法的超分辨率图像恢复

采用简单遗传算法进行超分辨率图像恢复时,往往由于种群多样性的不足而导致早熟收敛,得到的图像恢复质量不理想。针对该问题,提出了一种基于灾变遗传算法求解高分辨率图像最优估计的方法。在简单遗传算法的基础上,该算法以适应值方差作为灾变的判断条件,将共轭梯度算法作为灾变算子重新构建种群,从而增加了种群多样性。同时对灾变条件和灾变规模进行了分析,并且给出了根据进化代数自适应调节灾变条件的方法。仿真实验表明了该算法的有效性。     

基于可进化性的自适应遗传算法

针对传统遗传算法容易陷入局部最优解的问题,提出一个基于可进化性的自适应遗传算法。将个体可进化性作为适应度函数的参数加入到随进化代数动态调整的非线性适应度函数中,动态调整整个种群的交叉与变异概率以逸出局部最优。实验结果表明,该算法可改善适应度不高但具有较好进化能力个体的生存概率,且提高了种群多样性与搜索效率。     

一种新的遗传模拟退火算法的软硬件划分方法

针对嵌入式系统软硬件划分问题,在分析遗传算法和模拟退火算法的主要优缺点的基础上,提出了一种新的小生境技术改进的遗传模拟退火算法（NGSA）,在遗传算法中融入模拟退火思想,同时引入小生境技术,保持群体的多样性;并采用Metropolis 法则形成新群体,改善群体的质量。实验结果证明该算法具有很强的爬山能力和全局搜索能力,与遗传算法（GA）和模拟退火算法（SA）相比适应度明显提高。     

基于数论佳点集的遗传算法初始种群均匀设计

文章利用数论中的佳点集理论和方法,给出了遗传算法初始种群生成的一种具有良好多样性的均匀分布设计.通过对遗传算法机理的研究,发现初始种群的分布状态不仅直接关系到遗传算法的全局收敛性,还影响算法的搜索效率,所以对初始种群进行科学合理设定是应用遗传算法进行寻优计算的一个重要问题.基于优化设计思想,提出应用佳点集均匀设计方法确定遗传算法的初始种群.这种方法具有简单易行、种群多样性好、更适合多维情况等特点,实验结果验证了该方法可以有效地改善算法的全局收敛性,提高搜索效率.     

基于改进遗传算法的图像恢复方法

通过对遗传算法在进行图像恢复时存在的早熟现象的研究,指出了在图像恢复中早熟现象产生的原因是种群多样性的迅速减少引起的.针对应用遗传算法进行图像恢复时存在的局限性,提出了一种改进的遗传算法.该算法通过加入随机种群弥补种群中减少的多样性,通过改进变异算予使算法加速向最优解收敛.实验结果表明,该算法不论以峰值信噪比为标准,还是以人的主观感觉判断,都明显优于简单遗传算法.而且,该方法能较好地抑制早熟现象,恢复效果对图像的模糊程度依赖性小,可以恢复严重模糊的图像.     

A novel approach in parameter adaptation and diversity maintenance for genetic algorithms

In this paper, we propose a probabilistic rule-driven adaptive model (PRAM) for parameter adaptation and a repelling approach for diversity maintenance in genetic algorithms. PRAM uses three parameter values and a set of greedy rules to adapt the value of the control parameters automatically. The repelling algorithm is proposed to maintain the population diversity. It modifies the fitness value to increase the survival opportunity of chromosomes with rare alleles. The computation overheads of repelling are reduced by the lazy repelling algorithm, which decreases the frequency of the diversity fitness evaluations. From experiments with commonly used benchmark functions, it is found that the PRAM and repelling techniques outperform other approaches on both solution quality and efficiency.     

基于基因水平多样性的微种群教与学优化算法

种群多样性对微种群教与学优化算法的性能有极大影响。为进一步提高其性能,提出一种基于基因水平多样性的微种群教与学优化算法(MTLBO-GLD)。该算法从基因水平上对种群多样性进行监测;并使用混沌搜索和余弦函数分阶段进行扰动以增加种群多样性。所提算法与八种元启发式算法(四种微种群算法和四种非微种群算法)在13个测试函数上进行性能比较。实验结果表明,MTLBO-GLD的整体性能要显著好于其他八种对比算法。     

基于改进NSGA-II的车间排产优化算法研究

针对NSGA-II算法在处理车间排产优化问题中出现的子代种群多样性差、收敛能力差等问题,提出了一种改进NSGA-II的车间排产优化算法。改进NSGA-II算法主要对传统NSGA-II算法的交叉和变异环节,提出新的改进自适应交叉和变异算子,通过对个体拥挤度与种群平均拥挤度进行对比,并结合种群迭代进化过程,将遗传概率与种群个体及种群进化迭代次数关联,避免盲目导向性,提高种群的收敛速度;提出新的均匀进化精英保留策略,通过自适应分层次选取种群个体,解决子代种群多样性差的问题。针对车间排产问题,选择“最大化最小交货提前期”和“最小化最大理想加工时间偏差”作为目标函数,运用改进NSGA-II算法进行实际工程的仿真分析,对比改进前后算法优化的结果,验证了算法的有效性,同时证明了其应用于实际生产排产调度问题的价值参考性。