自适应遗传算法交叉变异算子的改进

标准遗传算法采用固定的交叉率和变异率,对于求解一般的全局最优问题具有较好的鲁棒性,而对于解决较复杂的优化问题则存在早熟及稳定性差的缺点。传统的自适应遗传算法虽能有效提高算法的收敛速度,却难以提高优良解的多样性,算法的鲁棒性仍有待改善。文章提出了一种改进的自适应遗传算法,对交叉算子和变异算子进行了优化,实现了交叉率和变异率的非线性自适应调整。实验结果表明,相比传统的自适应遗传算法,新算法具有更快的收敛速度和更可靠的稳定性。     

基于种群相异度的改进遗传算法及应用

提出了一种基于种群相异度的改进遗传算法。该算法采用了启发式交叉策略，并且能够根据种群的相异度自适应地调节种群的交叉规模、变异规模以及变异个体中各个基因的变异率，从而能够避免种群早熟收敛，加快进化速度。将其应用于PID控制器的参数优化中，并与传统的遗传算法相比较，仿真结果证明了其有效性。     

自适应遗传算法在特征选择中的改进及应用

传统遗传算法在求解全局问题具有很强的鲁棒性,但由于传统遗传算法固定的交叉率和变异率,使得传统遗传算法在求解复杂问题上存在早收敛及搜索后期运行效率低等缺点。针对此问题,提出了基于个体寿命的变种群自适应遗传算法,对种群规模,交叉率及变异率作了优化调整,使其能够根据进化的实际情况自动调整。实验结果表明,相比传统遗传算法,这个算法在全局优化能力及收敛速度上均有显著提高。     

基于模糊推理动态调整遗传算法交叉率和变异率的方法

标准遗传算法的交叉率和变异率是随机选择的.在指出这种选择具有盲目性的基础上,提出了利用模糊推理动态调整交叉率和变异率的改进遗传算法,并通过模糊神经网络参数优化的实例对该改进算法与标准遗传算法进行比较.实验结果表明新算法对交叉率和变异率有效地进行动态控制,不仅保留了标准遗传算法的优点,又加强了全局搜索能力和加快了收敛速度,是一种很有前途的算法.     

一种改进的自适应遗传算法

遗传算法作为一种模仿生物自然进化过程的随机优化算法,对求解一般的全局最优问题具有较好的鲁棒性,而对于解决较复杂的优化问题则存在早熟及稳定性差的缺点。传统的自适应遗传算法虽能有效提高算法的收敛速度,却难以增强算法的鲁棒性。该文提出了一种改进的自适应遗传算法,对交叉率和变异率进行了优化,实现了交叉率和变异率的非线性自适应调整。实验结果表明,相比传统的自适应遗传算法,新算法具有更快的收敛速度和更可靠的稳定性。     

改进遗传算法在最小错误图像分割法中的应用

传统自适应遗传算法有可能使问题求解陷入局部最优解,而求得错误的图像分割阈值。为了得到最优的图像分割阈值,提出了改进遗传算法在最小错误图像分割法中的应用。改进的算法重新构建了交叉率和变异率的计算公式,使得交叉率和变异率在任何情况下都不为零。算法使用误差最小函数作为适应度函数,采用选择、交叉、变异等遗传操作搜索最优分割阈值。实验结果表明,改进遗传算法应用到最小错误图像分割法中,减少了运算时间,提高了分割准确度。     

改进的自适应遗传算法在人体行为识别中的应用

为提高传统自适应遗传算法优化的BP神经网络对人体行为的识别率,提出了一种改进的自适应遗传算法优化的BP神经网络预测方法。该算法使用新的动态变化的交叉和变异分布指数计算公式来优化传统的二进制交叉和多项式变异操作,根据种群集中和分散的剧烈程度自适应地增大或减小交叉和变异的概率,极大地弥补了传统的交叉和变异操作所造成的破坏优良个体的缺陷。通过搭建遗传算法优化的BP神经网络模型,对3000组不同人体行为的加速度数据进行测试,实验结果显示,经过改进后,算法的准确率从92.31%提升到了96.47%。     

遗传算法中交叉和变异概率选择的自适应方法及作用机理

在指出了传统遗传算法中交叉和变异概率的选择具有盲目性的基础上, 提出了遗传算法中交叉和变异概率选择的改进措施, 对其作用机理进行了深入的分析, 指出改进算法体现了自适应策略. 用一个非常复杂的数学函数对新算法进行了测试, 结果表明改进算法克服了传统遗传算法难以解决的早熟和局部收敛的问题.     

改进遗传算法及其在电抗器优化设计中的应用

提出了一种新的改进遗传算法，描述了其自适应交叉概率、变异概率等算子的设计；将其应用于电抗器的优化计算中并获得良好的优化效果。     

一种用于最优路径规划的改进遗传算法

设计了一种专门适用于路径规划的改进遗传算法．该算法根据最短路径问题的具体要求，将传统遗传算法中的编码、交叉、变异等操作均重新进行了定义，并且在进化过程中还能够自适应调节交叉和变异概率．仿真研究表明：改进的遗传算法具有较快的搜索速度和较高的搜索成功率，为实际车载导航系统中最优路径规划问题的解决提供了一种新方法．     

改进的IGA在建筑造型创新设计中的应用

交互式遗传算法(IGA)通过人机交互以用户对个体的评估代替传统的适应度函数,在艺术设计等偏向于人类主观感受的领域具有很高的应用价值和广泛的现实意义。文中针对IGA中人的疲劳问题,提出了将根据配对个体之间的相似度值自适应地确定交叉率的方法引入IGA。通过这种方法,可以提高遗传寻优计算的效率,加快IGA的收敛速度,有效缓解用户疲劳。将该方法应用于建筑造型的创新设计中,证明该方法的巨大潜力。     

一种算子操作概率的自适应策略

在分析传统遗传算法易发生早熟收敛的基础上，本文提出了一种改进算法IGA。IGA采用一种新的交叉率变异率自适应变化的策略，防止在进化初期种群不发生变化造成算法早熟。数值计算结果表明，利用改进策略的IGA搜索整体性较强，可以有效地避免早熟现象产生，提高全局优化能力。     

参数可变自适应遗传算法在军事地形图矢量化中的应用

针对纸制军事地图矢量化问题进行研究,提出一种基于自适应遗传算法的军事地形图矢量化方法,并在生成新的个体后,增加个体修正操作,提高个体的适应度。在该算法中,提出一种即考虑进化代数对算法的影响,又考虑到每代不同个体适应度作用的自适应交叉概率和变异概率。通过与传统方法的实验比较,证明该方法的可用性和有效性。     

一种新的调节交叉和变异概率的自适应算法

提出一种新的基于模糊控制策略的交叉和变异概率自适应调节算法.该算法以相邻两代群体之间平均适应度函数和标准差的差值作为输入,以交叉和变异概率的变化量作为输出.并提出了与输入相对应的自适应归一化算子以及新的基于启发式知识的模糊规则,用于交叉和变异概率的调节.对3种不同测试函数的数值仿真研究表明,与其他2种自适应模糊控制算法相比,该调节算法可使遗传算法具有更快的搜索速度和更高的搜索质量.     

用改进的遗传算法训练神经网络构造分类器

针对基本遗传算法存在容易早熟和局部搜索能力弱等缺陷,提出了改进的遗传算法,引入交叉概率和变异概率与个体的适度值相联系,改进了操作算子,而且在交叉操作后又引入模拟退火机制,提高遗传算法的局部搜索能力。同时,用改进的遗传算法和基本的遗传算法训练神经网络构造分类器,实验结果表明,改进的遗传算法在最好个体适度值和最好分类准确性等方面性能更好。     

改进型动态自适应克隆选择算法

克隆选择算法是目前应用较广的一种智能优化算法,但它在选择时具有一定的盲目性。为了克服它的这个不足,论文提出了一种改进型动态自适应克隆选择算法。在该算法中,首先根据抗体的亲和度将抗体群动态分为记忆单元和一般抗体单元,然后再借助抗体的亲和度修正抗体的变异概率并根据修正后的变异概率进行变异操作,紧接着以球面杂交方式对种群进行调整以产生新的种群。上述策略使得该算法在选择时具有一定的针对性,从而加快了它的全局搜索速度,仿真结果验证了所提算法的有效性、可行性。     

数据仓库中新型动态实视图选择调整算法

现有的静态实视图选择算法存在搜索空间太大、时间复杂度高以及未考虑查询的概率和分布等诸多缺点,并且当源数据发生变化时,这种变化不能立刻反映到数据仓库,不适合在线运行。针对上述问题在候选视图生成算法和IGA算法的基础上,对算法进行了动态调整,从而得出了新型物化视图动态调整算法CNUMV。经实验证明该算法降低了视图的搜索空间和时间复杂度,更重要的是该算法考虑到了各视图之间相互依赖关系对视图收益的影响,从而使算法能够动态地在线调整,并且用实验证明了CNUMV算法的优越性,达到了预期的目的。     

改进型遗传算法及其性能分析

本文受模拟退火技术的启发引入了一种新的改进型遗传算法,在二进编制编的基础上,研究了交叉位置等概率选取交叉操作的不利影响。在此基础上提出了一种每个基因位叉概率自适应变化的新的交叉操作模拟结果表明,新算法的收敛性能远远高于标准遗传算法。