Characteristic analysis and prevention on premature convergence in genetic algorithms

The identification and characteristics of premature convergence in genetic algorithms (GAs) are investigated Through a detailed quantitative analysis on the search capability and the degree of population diversity, the cause of premature convergence in GAs is recognized, and attributed to the maturation effect of the GAs: The minimum schema deduced from current population, which is the largest search space of a GA, converges to a homogeneous population in probability 1 ( so the search capability of the GA decreases and premature convergence occurs). It is shown that, as quantitative features of the maturation effect, the degree of population diversity converges to zero with probability 1, and the tendency for premature convergence is inversely proportional to the population size and directly proportional to the variance of the fitness ratio of zero allele at any gene position of the current population. Based on the theoretical analysis, several strategies for preventing premature convergence are suggest     

A combination algorithm of Chaos optimization and genetic algorithm and its application in maneuvering multiple targets data association

The most important problem in targets tracking is data association which may be represented as a sort of constraint combinational optimization problem. Chaos optimization and adaptive genetic algorithm were used to deal with the problem of multi-targets data association separately. Based on the analysis of the limitation of chaos optimization and genetic algorithm, a new chaos genetic optimization combination algorithm was presented. This new algorithm first applied the "rough" search of chaos optimization to initialize the population of GA, then optimized the population by real-coded adaptive GA. In this way, GA can not only jump out of the "trap" of local optimal results easily but also increase the rate of convergence. And the new method can also avoid the complexity and time-consumed limitation of conventional way. The simulation results show that the combination algorithm can obtain higher correct association percent and the effect of association is obviously superior to chaos optimization or genetic algorithm separately. This method has better convergence property as well as time property than the conventional ones.     

基于遗传算法优化的神经网络PID控制器

提出了一种新的改进遗传算法优化的神经网络PID控制器。该方法设计了基于性能指标的适应度函数、自适应的交叉概率、变异概率,引入移民的遗传算法,从而有效地抑制了早熟和维持种群多样性,保证了得到的优化参数为最优参数。该方法为非线性被控对象的控制提供了一种最优参数控制器设计途径。仿真结果证明:利用改进遗传算法设计的控制紧闭环性能优越,鲁棒性强。     

基于小生境混沌遗传算法的水资源优化调度

水资源调度具有多目标、大规模和不确定性等特点,利用混沌遗传算法求解水资源调度问题,在一定程度上避免了局部优化并提高了求解速度,但由于损坏了种群多样性导致求解精度较低.为此提出了基于小生境的混沌遗传算法(NCGA),该算法通过小生境技术保留源中心个体的方法保护了种群多样性,同时利用混沌的随机性、遍历性及规律性与遗传算法的快速收敛性相结合,从而使该算法提高了求解速度和求解精度.将该算法应用到水资源优化调度模型中,仿真结果验证了该算法比混沌遗传算法能更合理高效地分配水资源,达到了综合效益最大化.     

一种求解TSP问题的改进遗传算法

旅行商问题(Traveling Salesman Problem TSP)是一个典型的组合优化问题,但应用基本遗传算法求解TSP问题时存在许多不足.结合TSP问题的特点,提出一种改进的遗传算法:应用贪心策略初始化种群,用2-opt对其进行优化,使得在初始个体中就包含较优子路径,在一定程度上加快算法收敛性,防止早熟和近亲繁殖.对交叉算子和变异算子进行改进后,既能维持种群的多样性,也保留了父代个体大部分优良性能.应用改进的算法对20个城市的TSP问题进行求解,结果表明该算法求解速度快而且求解的质量较好.     

基于混沌遗传算法的多目标QoS组播路由优化

针对遗传算法易发生早熟收敛的缺点,提出了一种既满足时延、时延抖动及带宽等约束,又能使通信代价最小的混沌遗传算法。该算法利用混沌扰动算子对种群进行扰动操作,增加种群的多样性,抑制遗传早熟收敛的发生,提高收敛速度。仿真结果表明了该算法的有效性、快速收敛性及稳定性。     

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.     

一种基于信息熵的自适应遗传算法

为解决传统遗传算法容易早熟及收敛速度慢的缺陷,在分析了多样性的重要性后,提出了一种新的基于信息熵的遗传策略,该策略在保留最优个体的基础上,根据当前种群个体熵与种群熵的变化自适应调整遗传算子的各项参数,将种群的内部状态与遗传操作有机地结合起来,使得种群多样性得到保证,提高算法的全局搜索能力.试验结果表明了该方法在运行过程中能避免早熟的发生,在处理复杂问题时表现出较高的性能.     

求解非满载车辆调度问题的免疫遗传算法

非满载车辆调度问题是车辆调度问题中的一个基本问题,由于它是一个典型的NP难题,传统方法的求解结果往往不能令人满意.曾有研究将传统的遗传算法用于求解非满载车辆调度问题,但是由于遗传算法在遗传后期的波动现象,导致了迭代次数过大和准确率不高.该实验根据生物免疫系统的机理提出的免疫遗传算法,结合了遗传算法的进化操作和生物免疫中的浓度机制,通过抗体的期望繁殖率实现对抗体的促进和抑制,改善未成熟收敛.该算法是在传统遗传算法全局随机搜索的基础上,借鉴生物免疫机制中抗体的多样性保持策略,改善了传统遗传算法的群体多样性,通过与遗传算法的比较,结果表明,该算法不仅收敛,而且具有更好的全局和局部搜索能力和收敛速度.     

关于生物免疫遗传算法收敛性的一般讨论研究

针对免疫遗传算法收敛性质的研究非常缺乏,提出了利用随机过程理论和引入遗传吸收率、散射率
参数进行分析的方法.通过数学建模证明了免疫遗传算法所形成的种群序列的强马尔可夫性, 利用遗传吸
收率和散射率的计算，证明了在时间趋于无穷的情况下，该免疫遗传算法的概率弱收敛性.采用遗传吸收
率、散射率和小生境技术对于防治早熟概率的详细计算和对混沌算子的分析，得到了该免疫遗传算法实际
收敛效果的量化表示.研究结果表明, 该方法能简化分析计算过程，对于算法效果的改善、算法运行时的
参数选择具有较好的指向作用.     

自适应混沌变异的万有引力搜索算法

通过引入平均粒距和混沌搜索变异,提高万有引力算法的局部搜索能力,增加物质种群的多样性.并且对变异后不可行的物质采用边界变异约束处理.实验结果表明,新算法收敛精度较高,收敛速度较快,能比较有效地避免早熟收敛问题.     

自适应混沌遗传退火的片上网络映射

针对带宽和时延约束的低能耗片上网络（NoC）映射问题,提出了一种自适应的混沌遗传退火映射算法. 该算法利用Boltzmann更新机制选择遗传个体,引入自适应混沌方法优化适应度较差个体,采用多邻域的退火策略优化较优个体. 实验结果表明,所提算法有效地避免了早熟收敛,提高了算法收敛速度,与标准遗传算法和混沌遗传算法相比,平均节能分别为45%和226%,有效地降低了NoC系统通信能耗.     

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.     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

基于正交试验的遗传算法参数优化

基本遗传算法求解优化问题的过程中存在着收敛缓慢、早熟现象以及求解的质量不高等问题. 为了解决上述存在的问题,提高遗传算法的求解质量,提出使用正交试验法优化遗传算法中的主要参数,即:种群规模N、交叉概率pc和变异概率pm. 通过使用正交试验法确定遗传参数,大大提高了算法的收敛性和求解质量. 仿真结果也表明采用正交试验法设计参数的科学性和有效性.     

Research into Optimization Algorithm Based on Immune Mechanism

Based on immune mechanism a novel optimization algorithm is presented. By defining and regulating the antibody density, the diversity of the algorithmic population is improved. Three funtions from different definitions of antibody density are deduced and compared with their convergent efficiencies. Theoretical analysis proves that the algorithm is convergent. Experimental results show that the algorithm has a better searching ability and quicker convergent speed than GA. The problem of premature convergence can be alleviated in the algorithm.     

基于知识的分层遗传算法

传统遗传算法缺乏对进化过程知识的有效提取和利用，存在早熟收敛．在遗传算法的种群进化层上，引入文化算法的信度空间，提出一种具有知识引导功能的分层遗传算法．算法由底层种群进化层和上层知识进化层构成．结合遗传操作过程，提取4类知识并给出具体定义．详细阐述了联系上下层的样本选取函数、知识更新函数和进化引导函数，并提出一种基于地势知识轮盘赌选择的新型个体替代策略．针对3组标准测试函数的仿真结果表明，4类知识在不同进化阶段对种群的影响程度不同．状况知识在进化早期起主导作用，规范知识和地势知识在某局部优势区域具有较强引导作用，历史知识引导搜索区域脱离局部较优点，从而有效避免早熟收敛，提高进化效率．     

具有年龄结构的遗传算法

结合自然规律以及遗传算法的特点 ,提出了具有年龄结构的遗传算法的框架以及实现。该算法能够通过对个体基因不同年龄的不同操作 ,克服遗传算法中存在的主要问题即过早收敛问题。该算法有效地保持群体的多样性 ,使遗传算法顺利地收敛到全局最优值。通过实际的例子说明 ,这种方法克服过早收敛问题并且相对于简单遗传算法提高了收敛速度     

基于结构和参数自适应的改进遗传算法

目的研究一种新的自适应寻优机制，以避免遗传算法早熟．方法在参数自适应基础上引入结构自适应思想。利用种群早熟判别的熵准则，当种群收敛于局部最优时，转换算法结构为先变异后交叉，同时辅之以参数自适应方法使之跳出局部最优．结果数值实验表明，算法的结构自适应可有效避免早熟，与参数自适应配合使用，能明显提高算法的全局寻优能力．结论基于结构和参数自适应的改进遗传算法是可行的、有效的．     

动态变异遗传算法

遗传算法是根据达尔文生物进化理论而提出的一种优化算法。该文提出了一种新的遗传算法,理论分析显示,它不仅能保持遗传种群的多样性,而且能快速收敛。计算机仿真实验证明了改进后的遗传算法能够有效地克服不成熟收敛、进而搜索到全局最优解,并将这种新遗传算法用于BP网络的拓朴结构的优化和连接权值的训练,实例表明了该算法的有效性和可行性。