一种具有空间平滑技术的遗传算法研究

1 引言遗传算法从开始提出到现在,经过众多学者经过十几年的研究、发展,已广泛地应用到各个领域。但在遗传算法应用过程中,容易发生“早熟”现象。所谓“早熟”现象是指在找到最优解或近优解之前,遗传算法的迭代过程导致主导“基因”固定的一种染色体基因的确定现象。一般地认为,导致“早熟”现象的因素有这样几个方面:①选择算子选取不合理造成基因缺陷;②交叉算子构造不理想,引起模式缺陷;③遗传算法的参数选择不科学等。为了避免“早熟”现象的产生,提高遗传算法的搜索能力,许多学者围绕以上几个方面进行了深入的探讨、研究,取得了许多有意义的成果和方法。但     

遗传算法的进化策略的改进

遗传算法一般采用逐代进化的策略 ,这种进化方式容易导致早熟现象 ,提出了“世纪进化”和“用户终止进化”策略 ,在一定的程度下可以提高遗传算法的求解效率。     

基于Nash均衡的自适应遗传算法

文章针对遗传算法中存在算法“搜索能力”和“收敛能力”的矛盾问题,提出了在遗传算法中引入博弈理论,将“搜索能力”和“收敛能力”看成博弈中的两个参与者,利用Nash均衡理论协调处理这一对矛盾,达到“双赢”目的,即在保证全局最优的同时提高收敛速度。通过理论分析和实例表明该算法的优越性。     

基于DNA遗传算法的曲面最短路径问题

DNA遗传算法采用遗传算法的整体结构，借助生物学DNA技术，利用DNA双螺旋结构和碱基互补配对原则进行编码运算，继承了遗传算法全局搜索的能力，提高了算法的有效性和收敛速度，避免了经典的遗传算法容易出现的“早熟收敛”和“收敛速度慢”的难题，求解了曲面最短路径规划问题。数值仿真实例证明了该算法的有效性和实用性。     

基于混沌“微变异”自适应遗传算法

遗传算法可以较好地解决复杂的组合优化问题,但也存在两方面不足:一是搜索效率比其他优化算法低;二是容易过早收敛,陷入局部最优.对此,提出一种混沌“微变异”遗传算法.利用混沌优化算法具有随机性和遍历性的特点,解决遗传算法容易陷入局部最优解的早熟问题,使得新算法同时具有较强的局部搜索能力和完成全局寻找最优解的能力.同时,对遗传算法的选择算子增加了混沌扰动,对交叉算子和变异算子进行自适应调整,对适应度函数进行改进,使遗传算法整体性能得到提高.最后,通过经典函数验证表明,混沌“微变异”遗传算法比一般的混沌遗传算法和经典遗传算法的进化速度更快,搜索精度更高.     

基于网格和Hamming距离的伪并行遗传算法

为了克服简单遗传算法“早熟”现象及慢速收敛性,提出基于网格和Hamming距离的伪并行遗传算法,即用随机选取的决策变量把整个搜索空间网格划分,在每个网格内用基于Hamming距离的随机化方法初始化子种群,同时引入多遗传算予和无约束移民策略和替换策略。该算法在一定程度上克服了引发算法早熟的“超级个体”和“封闭竞争”问题。测试实例说明,相比其他遗传算法,该算法更有效地抑制了“早熟”现象,其运行速度和精度也得到了相应的提高。     

基于量子遗传算法的移动机器人的一种路径规划方法

以人工势场法和栅格法为基础,考虑到遗传算法的“收敛速度慢”和“早熟收敛”问题,提出了一种基于量子遗传算法的机器人路径规划方法。该方法采用栅格法进行路径规划,利用人工势场法控制移动机器人,利用量子遗传算法选择最优或次优个体,并且引入双适应度评价函数评价进化个体,为最优或次优个体进入下一代提供了保障。仿真实验表明,该方法的寻优能力及稳定性均优于遗传算法和量子遗传算法,且具有更好的收敛性以及更强的连续空间搜索能力,适于求解复杂优化问题。     

多核集群系统下的混合并行遗传算法研究

为应对传统遗传算法在处理大规模组合优化问题面临的进化速度缓慢,难以达到实时要求的严峻挑战,提出了一种在多核PC集群系统上实现“粗粒度一主从式”混合并行遗传算法的模型:通过把“粗粒度一主从式”并行遗传算法映射到多核PC集群上,结合消息传递和共享存储两种并行编程模型,在节点间使用消息传递模型(MPI),对应的遗传算法为粗粒度并行遗传算法,在节点内使用共享存储模型(OpcnMP),对应的遗传算法为主从式并行遗传算法,用MPI和OpenMP混合编程的方式以进程和线程两级并行在多核集群上实现具体的混合并行遗传算法。理论分析和实验结果表明,提出的实现模型有较好的性能,可大大改进传统遗传算法的缺陷。为利用并行遗传算法在普通多核PC集群上处理大规模组合优化问题提出了一种有效、可行的解决方案。     

改进的遗传优化BP-NN在变电站故障区域中的研究

BP神经网络（Back Propagation Neural Network,BP-NN）具有良好的自学习能力以及自适应和泛化能力,但运算过程中容易陷入局部极小值,同时隐含层节点数的选择也影响着诊断的效果。文中根据经验公式缩小隐层节点数范围,在小范围里寻找最优的隐层节点数。根据遗传算法(Genetic Algorithm,GA)具有全局寻优的特点,用遗传算法优化BP神经网络训练的初始权值阈值,可以避免BP神经网络陷入局部极小的问题。但是,传统遗传算法也有自身的缺点,其在全局寻优的过程中,易陷入“早熟”的问题。为了解决传统遗传算法“早熟”现象,文中提出了一种协同进化的遗传算法,即使用3个种群同时进化的遗传算法,协同进化遗传算法不但可以避免传统遗传算法的“早熟”问题,而且可以加强局部搜索提高运行效率。将协同进化遗传算法应用到BP神经网络中,仿真结果表明,该方法可以准确有效地诊断出变电站故障元件,提高变电站故障诊断过程中的容错性及效果。     

基于迁移策略的分布式遗传算法多用户检测器

针对简单遗传算法多用户检测器的收敛速度慢和“早熟”问题,利用解相关算法的抗多址干扰能力和分布式遗传算法的快速全局寻优优势,提出了一种基于迁移策略的分布式遗传算法解相关多用户检测器。计算机仿真结果表明:该多用户检测器的检测性能明显优于简单遗传算法多用户检测器和解相关多用户检测器,更易于实现。     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法.进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络模型.利用所建立的混合神经网络模型对渤海某海域年极值冰厚进行训练预测,并将模型预测结果与实际数据以及动态拓扑预测的结果进行对比,表明基于混沌免疫遗传算法的神经网络模型具有很高的预测精度和工程适用性.     

免疫识别器构造的多级演化

本文提出了基于多种群演化的遗传算法程序设计，通过对识别器的“自我”训练和“非我”测试来构造计算机网络安全免疫系统中至关重要的识别器，并在文章最后通过实验例子比较该算法与传统遗传算法单种群演化的效果。     

一种改进的自适应遗传算法及其在物流调度中的应用

提出了一种改进的自适应遗传算法,通过在遗传算法中引入种群分布因子以及父子间的竞争机制,从而可以避免出现“早熟”现象,提高遗传算法的搜索效率。并将该自适应遗传算法应用到非满载车辆调度问题,验证了算法的有效性。     

遗传算法在高校学分制系统中的设计与研究

本文详细介绍了一个基于遗传算法的学分制系统的设计方案：构造了“教师编码”基因结构和课表的适应度函数：设计了排课遗传算法的核心算子。     

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。     

产生多条路径上测试用例的改进遗传算法

测试用例的产生是软件测试过程中的重要环节，也是瓶颈之一。遗传算法作为一种高效的搜索寻优算法，近年来较多地用于自动化测试中产生测试用例。该文结合数据库管理系统源代码的特点，在基本遗传算法的基础上，结合“位权重”和“邻居影响”的思想，提出了用于产生多条路径上测试用例的改进遗传算法，并通过实验验证了该算法的有效性。     

遗传算法中选择策略的分析

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法。近年来，由于遗传算法求解复杂优化问题的巨大潜力及其在工业工程领域的成功应用，这种算法受到了国内外学者的广泛关注。本文介绍并讨论了最能体现遗传算法“自然选择、适者生存”特点的选择算子的多种操作策略，提出一些可以进一步改进和完善遗传算法选择算子的研究方向，可提高遗传算法的性能，从而扩大遗传算法在各个领域的应用。     

基于云遗传算法的CGF路径规划研究

为了使计算机生成兵力(CGF)能够快速、有效地进行路径规划,提出了一种将遗传算法与云模型相结合的方法.首先构建虚拟战场环境模型,然后引入云遗传算法,分析了应用云遗传算法进行CGF路径规划时必须解决的诸如遗传编码、种群初始化、个体适应度函数以及云遗传性能参数设定等基本问题.实验证明,该方法能够解决应用传统遗传算法规划路径时存在的“早熟”及“收敛速度慢”等缺陷,具有良好的适应性.     

改进型自适应遗传算法在VRPTW中的应用

在以往方法研究的基础上．分析遗传算法中不同的遗传算子及其主要运行参数变异概率和交叉概率对求解问题的影响,对传统的遗传算法进行改进,提出改进型自适应遗传算法。实验结果表明,经过改进的遗传算法能够比较有效地避免算法的“早熟”收敛,能够以更大的概率获得问题的最优解,求解质量更为优良,提高算法的性能。     

GA在特征选择中的应用与设计研究

从海量文本集中选择较优秀的特征子集是文本分类中的一个NP-难问题。而对于NP-问题,遗传算法往往能够有效地加以解决。为了克服传统遗传算法的“漂移”和“早敛”问题,首先引入了粗糙集并在此基础上详细设计了适应度函数、自适应交叉算子、自适应变异算子以及合理的终止条件。以此遗传算法为基础设计了一个特征选择算法。在复旦大学提供的语料库上进行了试验验证。实验结果表明此特征选择算法性能良好。