改进的量子遗传算法及应用

针对量子遗传算法在函数优化中迭代次数多,容易陷入局部最优解等缺点,提出新的量子遗传算法.该算法的核心是采用新的量子旋转门调整策略对种群进行更新操作,有效保证了种群的多样性,可以避免算法陷入局部最优解,提高了算法的全局寻优能力.同时能以更快的速度收敛于全局最优解.通过对典型复杂函数测试,计算结果表明,提出的算法优化质量和效率都要优于传统遗传算法和一般量子遗传算法.     

用于曲线拟合的种群再分布遗传算法

针对简单遗传算法在曲线拟合应用中局部搜索能力差、收敛精度低的特点,提出了一种新的基于种群再分布的改进遗传算法。该算法在遗传算法进行的过程中,根据最优解的优劣,调整种群在最优解附近的分布,从而增强了算法的局部搜索能力。实验证明,该方法对于曲线拟合问题能取得优于简单遗传算法和传统数值迭代方法的结果。     

遗传算法在井口定位问题的应用研究

采用遗传算法对丛式井组井口定位问题进行了研究．先推导了较有价值的求解本问题最优解的算法，包括目前采用的经验法和基本的穷举法。然后应用遗传算法求解个目标靶井情况下到各顶点距离最短的最优解，结果具有较好的收敛性．     

一种改进的遗传算法: Fam ily GA

分析了影响遗传算法性能的因素，在遗传算法(GA)的基础上设计了一种新的家族遗传算法(FGA)．该算法改造了选择和变异算子，其目的在于提高收敛速度、避免早熟．同时，该算法提出在优良解附近构造最优家族，在此微型空间中进行精确搜索，确保了算法收敛速度和解的精度．最后给出4个典型函数的模拟例子，由对比实验结果可以看出，FGA提高了收敛速度及解的精度，说明该算法具有应用的潜力．     

基于遗传算法的平面图画图算法

提出了一种基于遗传算法的新的平面图画图算法，算法将平面图画图问题转化为约束优化问题，用遗传算法求解目标函数的最优解的近似值，从而得到平面图的平面直线画法．新算法的优点是：方法简单，易于实现，画出的图形美观．实验结果表明：算法画出的图形要比文献[8]中的算法画出的图形美观，而其收敛性则要高于标准遗传算法．     

遗传算法与蚂蚁算法的融合

遗传算法具有快速随机的全局搜索能力，但对于系统中的反馈信息利用却无能为力，当求解到一定范围时往往做大量无为的冗余迭代，求精确解效率低．蚂蚁算法是通过信息素的累积和更新收敛于最优路径上，具有分布式并行全局搜索能力，但初期信息素匮乏，求解速度慢，算法是将遗传算法与蚂蚁算法融合，采用遗传算法生成信息素分布，利用蚂蚁算法求精确解，优势互补，仿真表明取得了非常好的效果。     

基于遗传的免疫算法在函数优化中的应用

通过对传统免疫算法的研究,在此算法的基础上提出了一种改进的免疫算法一基于遗传的免疫算法,该算法把遗传算法的思想引入到免疫算法中．通过把遗传算法和免疫算法的思想结合起来,既保证了抗体的多样性又保留了群体中较优抗体,避免了免疫算法搜索速度慢和遗传算法易出现未成熟收敛、限于局部最优解的缺点,得到了全局最优解。并且将提出的基于遗传的免疫算法应用到函数优化中。     

基于水平集的遗传算法优化的改进

现有的遗传算法大多数没有给出收敛性准则，且存在早熟收敛和收敛速度较慢的难题，为此提出一类新型遗传算法．该算法首先从被优化函数的因变量出发，引入了水平集的新概念，对每一代种群进行分类，把与目标相关的所有信息有机地结合在一起，从而提高了算法的优化速度；其次通过对变异算子进行改进，提高了种群的多样性，有效地避免了遗传算法的早熟收敛；同时还证明了变异算子能提高种群多样性以及新算法能收敛于全局最优解，最后给出了算法的收敛准则．实验表明，该算法正确有效，搜索效率与精度均优于其他方法．     

基于素描的遗传算法

传统遗传算法容易陷入局部最优解，本文借鉴美术中“素描”的思想，对传统的遗传算法进行了改进，提出了基于素描的新型遗传算法．该算法模拟人的素描行为，构造参数控制下的选择算子，再通过参数的调节来选择个体，并依据最优个体对选择算子进行修正，以达到动态调整群体进化过程中的种群多样性和收敛速度之间的矛盾，从而有效地避免了传统遗传算法中早熟现象，显著地提高了GA对全局最优解的搜索能力和收敛速度．这将使GA在众多实际的优化问题上将具有更广泛的应用前景．仿真结果表明，该算法正确有效，且性能优于现有的其它方法．     

基于改进遗传算法的资源优化配置研究

当前在解决资源优化配置问题时往往使用贪婪算法、遗传算法等.但贪婪算法只能选择一个最优度量标准,所以只能获得度量意义下的最优解而不是该问题的最优解,而如果直接使用遗传算法又存在搜索空间过大、耗时过长的问题.提出了一种新的算法.先基于贪婪算法获得问题的初始解空间,然后对初始解空间进行冲突检测与消解,最后运用改进的遗传算法进行优化获得最优方案.测试算例表明大大缩小了遗传算法的搜索空间,在保证获得最优解的条件下加快了收敛速度并有效防止了种群的退化.提出的算法在突发事务的处理方面具有一定的意义.     

一种有效的最优序参量重构方法

针对模式识别中协同方法存在的问题,提出了一种协同神经网络中序参量重构的方法,该方法是利用遗传算法的全局最优搜索能力,通过对训练样本集的学习,然后再通过在序参量的构建参数空间进行全局搜索来获得最优重构参数。利用实际采样得到的样本对新算法进行的测试表明,新方法确定能找到一组序参量重构参数,并能使识别性能有较大提高。     

Pi-sigma神经网络混合学习算法及收敛性分析

将一种解决函数优化问题的混合遗传算法用于Pi-sigma神经网络的训练。这种混合算法充分利用遗传算法算法的全局搜索能力,又利用了单纯型法的局部搜索能力,因此该混合遗传算法可以使Pi-sigma神经网络更快的收敛到全局最优解,而且收敛速度比遗传算法更快。实验证明了这种算法的优越性。最后还证明了该算法可以以概率1收敛到全局最优解。     

遗传算法的一种特例——正交试验设计法

简要介绍正交试验设计法与遗传算法的基本原理,分析它们之间的内在关系,指出正交试验设计法可以认为是遗传算法的一种特例,即它是一种初始种群固定的、只使用定向变异算子的、只进化一代的遗传算法.计算结果表明,正交试验设计法可以解决一般遗传算法中的最小欺骗问题.     

基于复合形法的聚类遗传算法

针对标准遗传算法的未成熟收敛问题和局部收敛能力不佳等情况,提出一种基于复合形法的聚类遗传算法。通过使用复合形法结合聚类小生境技术对传统的遗传算法进行改进,得到基于复合形法的自适应聚类遗传算法（NCGA）。该算法使用FORTRAN语言进行编程,通过使用三种复杂的测试函数对其性能进行测试,并与自适应遗传算法（AGA）进行了性能比较,还分析了初始种群的优劣对算法性能的影响。测试结果表明：对于遗传算法的改进效果明显,在遗传算法中融入复合形操作能明显增强遗传算法的局部搜索能力,且聚类技术使得遗传算法的全局搜索能力得到显著增强,反向学习操作的添加能增强算法的稳定性。改进后的遗传算法的性能明显好于传统的遗传算法。     

自适应遗传算法在多模图像配准中的应用

提出一种改进的自适应遗传算法并应用到多模图像配准的优化过程中,解决经典遗传算法后期存在的收敛过早的问题,该方法采用进化前后期分别调整交叉概率和变异概率、二次交叉以及移民策略等来克服传统遗传算法容易陷入局部最优的缺点.实验结果表明该算法具有一定的可行性和有效性.     

基于模拟退火并行遗传算法的Otsu双阈值

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。     

一种求解离散LQ问题的遗传算法

提出了一种实用的求解离散LQ问题的改进型遗 传算法,给出了状态反馈阵K 取值范围的确定方法,设计了一种变异概率可变的变异算子, 大大提高了算法的优化速度．仿真结果表明了该算法的有效性,并且改进后的算法明显优于 简单遗传算法．     

基于Hadoop的改进型遗传聚类算法

针对经典K-means聚类算法存在易陷入局部最优解的缺点,提出并实现了一种基于Hadoop的改进型遗传聚类算法.该算法利用遗传算法具有全局性和并行性的特点去处理K-means聚类算法易陷入局部最优的缺点,在此基础上对遗传算法进行改进,然后将改进后的遗传算法与K-means算法相结合,为提高算法执行效率,将其基于Hadoop平台进行了实现.通过实验将该改进方法与经典聚类算法进行对比分析,实验结果表明该方法在聚类准确性和聚类效率上均有较大的提高.     

带密度加权的自适应遗传算法

为了改善传统自适应遗传算法收敛速度慢、易陷入局部最优解的情况,提出了带密度加权的自适应遗传算法. 该算法基于种群的分布密度,动态调整遗传算法的交叉概率和变异概率,并且在算法中使用了保留最佳个体法. 实验结果表明：该算法在破坏种群局部稳定性、跳出局部极值的同时,又能以较快的速度收敛于全局最优,提高了算法的实用性和鲁棒性.     

遗传正交试验算法及其应用

遗传算法是一种能够在较大的参数空间中搜索到问题最优解的方法,在解决非线性问题时具有全局收敛性,但收敛性能差。论文提出一种结合遗传与正交试验两种算法优点的新混合遗传算法,应用表明该算法收敛能力强、寻优能力强及能产生大量次优解,是一种值得信赖的算法。