基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能。对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能,对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

一种求解图着色问题的优化组合遗传算法①

图着色算法是一种典型的NP-完全问题。在逆序算子、对偶算子和矩阵遗传算子的性能研究基础上,采用自然数与二进制相互转换的编码方案,应用图着色问题的约束条件建立适应度评价函数,将具有良好局部搜索性能的矩阵遗传算子与具有良好局部搜索性能的逆序与对偶组合算子优化组合应用,构造了一种用于求解图着色问题的优化组合遗传算法,保证了算法的全局收敛性。与基本遗传算法相比较,实验结果表明,该算法对图着色问题有较好的求解性能。     

基于阀值逆序算子的优化组合遗传算法

针对遗传算法局部搜索能力差的缺点，模拟生物染色体中基因排列的有序性，对阀值逆序算子进行了研究，它与传统逆序算子相比，能较好地提高群体性能提高，减少了对种群多样性的破坏，改善了遗传算法的局部搜索性能，与具有全局搜索性能好的遗传算子组合，弥补了阀值逆序算子对全局搜索性能的影响，构造了一种基于阀值逆序算子的优化组合遗传算法。从理论上证明了该算法的收敛性，实验结果表明，该优化组合算法具有更好的寻优能力，对应用串型编码的遗传算法解决一般的优化问题时，具有很好的借鉴意义，阀值可根据求解问题特征和局部搜索强度而选定。     

应用布尔遗传算子求解N皇后问题

应用回溯法求解规模较大的N皇后问题时,时间开销巨大。从提出布尔遗传算子角度,增强遗传算法局部搜索性能,与具有良好全局搜索性能的矩阵遗传算子组合应用,对N皇后问题求解。采用自然数和二进制互换的编码方式,应用N皇后的约束条件构造适应度函数,保证了算法的全局收敛性。通过与回溯法和相关遗传算法比较,实验证实了该方法应用于求解N皇后问题,具有良好的搜索效率和求解质量。     

扩散遗传算法及其应用研究

针对遗传算法在局部搜索能力方面的缺陷,提出了一种基于扩散算子的遗产算法(简称扩散遗产算法)。该算法中包含的扩散算子是变异算子,其主要作用是在遗传搜索中进行局部搜索。用扩散遗传算法和实数编码遗传算法分别训练用于解XOR问题的神经网络,对比结果表明,论文提出的算法兼具强的全局搜索能力和局部搜索能力,因此,该算法可以不借助其它局部搜索算法而单独作为神经网络训练算法,从而简化训练算法,提高训练效率。该算法对提高遗传算法搜索效率和求解精度具有重要的意义。     

遗传算法的一种新颖编码研究

提出了一种新的基于N进制分部编码算子的遗传算法．该编码算子首先将每个基因值用N进制的浮点数表示，然后将其分为整数部分和小数部分，分别重新编码组成染色体；相应的选择、交叉、变异算子采用符号编码的思想，充分利用N进制浮点数的特点进行设计．在遗传算法开始阶段，该编码算子进行整数部分和小数部分的遗传操作，使得遗传算法在早期具有很强的全局搜索能力，避免陷入局部极值；在后期进行小数部分的遗传操作，使得遗传在后期具有很强的局部搜索能力，能够很快地搜索到全局极值．通过理论分析，证明了N进制分部编码算子与传统的浮点数编码和二进制编码算子相比具有优越性，并通过典型函数的仿真进行了验证．     

基于蜂群遗传算法的0-1背包问题

针对0-1背包问题,本文提出了基于蜂群遗传算法的优化求解方案。该算法包括两个种群,一个主要用于全局搜索,另一个主要用于局部搜索;每个个体采用二进制编码;采用最优个体交叉策略;对当前解的处理措施是将还未装入背包且性价比最好的物品装进背包,直至不能装为止;不符合约束条件的解采用诱变因子指导变异处理;遗传算子包括单点交叉算子、简单变异算子、主动进化算子和抑制算子。本算法充分发挥了遗传算法的群体搜索和全局收敛的特性,快速地并行搜索,有效地克服了经典遗传算法容易陷入局部最优问题。数值实验表明,该算法在求解0-1背包问题中取得了较好的效果,同样可以应用于其它的组合优化问题。     

一种整数编码的改进遗传算法

遗传算法作为一种优秀的寻优算法,编码策略是其基础。因二进制编码和实数编码均存在一定的不足,该文提出一种整数编码的最优化遗传算法。为了提高收敛效率和避免算法的早熟收敛,该文采用了截断选择机制和混合杂交、邻近变异等操作算子,并引入邻域搜索技术来提高算法的局部搜索能力。仿真计算表明了该算法具有令人满意的全局最优性能和统计稳定性。     

基于跳跃基因算子的改进实数遗传算法

为了避免遗传算法在求解数值优化问题时出现搜索能力差、多样性缺失等弊端,提出一种基于实数编码的改进遗传算法(IRCGA).算法集成两个特别设计的算子:模拟二进制跳跃基因算子(SBJG)和多方向交叉算子(MX).SBJG算子以染色体为操作对象,本质上模拟了二进制跳跃基因操作中的插入运动,即利用一种随机的方式将选定的染色体块插入到染色体位点,实现种群内部染色体间的转位,为种群提供额外的遗传多样性;MX算子通过增加交叉方向的方式扩大算子的搜索区域,从而提升后代个体质量与算法的搜索能力.在11个实例的基础上进行对比实验,结果表明,采用改进算子能够明显提升算法在求解数值优化问题时的性能,同时,相比于其他先进有效的算法,IRCGA具有较强的搜索能力且能够维持一定的种群多样性,从而验证了改进算法的有效性和可行性.     

遗传算法的混合算子策略

在一般遗传算法中，求最优解时既可避免早熟收敛，又能提高收敛速度是困难的，因为算法中使用了单独一组交叉算子／变异算子。本文提出一种新的基于混合算子的遗传算法执行策略。在求解旅行商问题（TSP）中，为了提高局部搜索能力和收敛速度，给出了一种基于边重组的启发式交叉算子。仿真实验表明了这种算法的有效性。     

Genetic Threading

The biological function of proteins is dependent, to a large extent, on their native three dimensional conformation. Thus, it is important to know the structure of as many proteins as possible. Since experimental methods for structure determination are very tedious, there is a significant effort to calculate the structure of a protein from its linear sequence. Direct methods of calculating structure from sequence are not available yet. Thus, an indirect approach to predict the conformation of protein, called threading, is discussed. In this approach, known structures are used as constraints, to restrict the search for the native conformation. Threading requires finding good alignments between a sequence and a structure, which is a major computational challenge and a practical bottleneck in applying threading procedures. The Genetic Algorithm paradigm, an efficient search method that is based on evolutionary ideas, is used to perform sequence to structure alignments. A proper representation is discussed in which genetic operators can be effectively implemented. The algorithm performance is tested for a set of six sequence/structure pairs. The effects of changing operators and parameters are explored and analyzed.     

遗传算法

遗传算法(GA)是基于进化和遗传原理的问题求解系统,该算法是由美国密执安大学John Holland教授于1975年正式提出的。Holland创建了一个用二进制字串表示的电子有机体(染色体),然后使用适应比例选择的遗传进化原理进行繁殖(包括随机杂交和变异),用于高效地搜索巨大的求解空间。所谓的遗传程序设计语言,也应用了相同的原理,但往往利用基于树的内部数据结构来代替比特串作为“染色体”。计算系统性能价格比的不断改进使得遗传算法对某些类型的优化问题颇具吸引力。尤其是对于连续和离散相混合的组合优化问题,遗传算法相当成功。与梯度搜索方…     

Genetic neuro-nester

In this paper, the integration of artificial neural networks and genetic algorithms is explored for solving uncured composite stock cutting problem, which is an NP-complete problem. The input patterns can be either rectangular or irregular, and the proposed approach can accommodate any orientation and size restrictions. A genetic algorithm is used to generate sequences of the input patterns to be allocated. The scrap percentage of each allocation is used as an evaluation criterion. The allocation algorithm uses the sliding method integrated with an artificial neural network, based on the adaptive resonance theory (ART1) paradigm, to allocate the patterns according to the sequence generated by the genetic algorithm. The results obtained by this approach give packing densities on the order of 80–95%.     

Routine Discovery of Complex Genetic Models using Genetic Algorithms

Simulation studies are useful in various disciplines for a number of reasons including the development and evaluation of new computational and statistical methods. This is particularly true in human genetics and genetic epidemiology where new analytical methods are needed for the detection and characterization of disease susceptibility genes whose effects are complex, nonlinear, and partially or solely dependent on the effects of other genes (i.e. epistasis or gene-gene interaction). Despite this need, the development of complex genetic models that can be used to simulate data is not always intuitive. In fact, only a few such models have been published. We have previously developed a genetic algorithm approach to discovering complex genetic models in which two single nucleotide polymorphisms (SNPs) influence disease risk solely through nonlinear interactions. In this paper, we extend this approach for the discovery of high-order epistasis models involving three to five SNPs. We demonstrate that the genetic algorithm is capable of routinely discovering interesting high-order epistasis models in which each SNP influences risk of disease only through interactions with the other SNPs in the model. This study opens the door for routine simulation of complex gene-gene interactions among SNPs for the development and evaluation of new statistical and computational approaches for identifying common, complex multifactorial disease susceptibility genes.     

一种改进的抑制早熟收敛的遗传算法

针对遗传算法运算速度低、容易陷入局部最优值、早熟收敛等缺点,提出了遗传算法算子的一些改进策略,对遗传算法的选择、交叉、变异算子以及操作方法进行了改进,采用最佳保留选择策略,改进后的交叉与变异操作,使算法始终保持了种群的多样性,同时也提高了寻优最终结果的精确性.实验表明改进的遗传算法有效的改善了遗传算法的缺点,改进后的算法明显优于传统的遗传算法,该算法具有良好的有效性和可行性.     

混合遗传算法及与标准遗传算法对比研究

文章详尽地阐述了1996年Pham和Jin提出的一种运用改进繁殖机制的遗传模型,称为混合遗传算法(HGA,HybridGeneticAlgorithm),并对HGA和GA(GeneticAlgorithm)的效能进行了对比性分析。理论与实验结果表明混合遗传算法收敛性明显快于标准遗传算法。     

Genetic subsets regression

Subset regression procedures have been shown to provide better overall performance than stepwise regression procedures. However, due to the combinatorial nature of evaluating each potential subset, subset regression techniques are costly to use. To resolve this difficulty, the use of a simple genetic algorithm (GA) is proposed to reduce the number of subsets which must be evaluated. Any of a number of popular criteria, including Mallows' C_p, MSE, R², AIC, etc., can be used to drive the search strategy associated with the use of the GA. Several illustrated examples on its use are provided.     

遗传编程

对遗传编程这一进化计算方法的新分支进行了系统阐述。首先介绍了遗传编程的发展背景及其生物学基础 ;接着具体叙述遗传编程的基本工作原理 ,即个体表示方法、预备工作、个体生成及基本操作等 ;然后归纳了这种自动编程系统的属性及该方法的特点。另外还描述了遗传编程系统运行中的一些现象 ,并对相关理论进行了叙述和讨论 ,最后介绍了该领域的发展方向     

器官遗传算法

提出一种改进的遗传算法，即器官遗传算法，该算法改变经典的遗传算法在选择操作中对群体中被选中的个体的各个分量全部继承的做法，对各个分量按其所在个体的适应分别进行选择和实行交叉，变异等操作，然后将这些分量组成新一代个体，以非线性规划问题为例进行了实验结果表明该方法比使用经典的遗传算法具有更好的收敛速度。