基于自识别交叉算子和自适应变异算子的遗传算法研究

为有效地解决遗传算法收敛速度和局部最优解的矛盾,本文提出了一种具有自识别交叉算子和基于海明距离的动态变异算子的遗传算法.自识别交叉算子保证父代的优良模式遗传到下一代,加快了算法的收敛速度;而动态变异算子扩大了搜索范围,增强了算法跳离局部最优解的能力.实验证明,两种改进算子的有效结合保证算法能以较快速度收敛于全局最优解.     

基于自识别交叉算子和自适应变异算子的遗传算法研究

为有效地解决遗传算法收敛速度和局部最优解的矛盾,本文提出了一种具有自识别交叉算子和基于海明距离的动态变异算子的遗传算法。自识别交叉算子保证父代的优良模式遗传到下一代,加快了算法的收敛速度;而动态变异算子扩大了搜索范围,增强了算法跳离局部最优解的能力。实验证明,两种改进算子的有效结合保证算法能以较快速度收敛于全局最优解。     

基于粗糙集理论与遗传算法的迷宫问题求解

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,对标准遗传算法进行了改进和优化.采用粗糙集理论与遗传算法相结合的方法,由栅格的可行性构建初始决策表,用粗糙集方法对其进行简化,并对遗传算法的初始种群进行训练,直接由粗糙集训练获得一系列可行路径,再利用遗传算法求解最优路径,并在交叉和变异算子中设计了自适应算子,从而减少了遗传算法的种群规模,提高了进化效率.计算机仿真结果表明该算法在收敛速度和输出全局最优解的概率相对于标准遗传算法都有了显著提高.     

改进的遗传算法在多热源选址中的应用

多热源选址问题是一个多变量、多约束条件的线性规划问题。文中以遗传算法的基本思想为基础，对变异、选择算子作了改进，并采取了字符编码技术，有效地压缩了约束条件，用二次选择的策略加快了收敛进程，从而求得了多热源选址的全局最优解。     

求解TSP的变异算子的设计及优化应用

通过选择合适的算子和参数,遗传算法(GA)可以有效求解旅行商问题(TSP)。GA通常可以获得满意解,但容易陷入早熟,因而较难求得全局最优解。传统的变异算子在求解该问题时性能并不理想,甚至会引起反作用。文章通过实验分析多种变异算子在求解TSP时的表现,提出了一个改进的破坏重建变异法,并利用该方法对算法进行优化。经仿真实验测试,该方法效果明显。     

自适应免疫遗传算法在认知决策引擎中的应用

提出一种自适应免疫遗传算法,设计自适应免疫遗传算子。该算法利用交叉率和变异率自适应调整策略,既防止交叉变异中的个体退化,又保证种群的多样性,并能快速收敛到全局最优解。仿真分析表明,与遗传算法等其他算法相比,该算法具有收敛速度快、平均适应度高、稳定性好等优点,能满足认知引擎参数优化的需要。     

基于小生境伪并行遗传算法的自主机器人路径优化

提出了一种新的遗传算法——小生境伪并行遗传算法(NPPGA)，用于对自主机器人运动路径进行优化。这种遗传算法是对小生境遗传算法和并行遗传算法的一个有效改进，该方法兼顾了对局部最优解和全局最优解的搜索，维持了群体的多样性，避免了早期收敛现象的发生；同时也增强了自然群体进化的并行性，加快了搜索进程。实验结果表明，该方法是有效可行的，通过合理选取选择、交叉、变异及小生境算子，能得到机器人路径规划最优解。     

基于改进遗传算法的自动组卷问题研究

为了解决传统遗传算法在自动组卷中容易出现未成熟收敛和收敛速度慢等问题,提出了一种基于改进遗传算法的自动组卷方法。采用分段二进制编码策略,对每个子空间进行初始种群选择,保证了初始种群舍有丰富的模式,从而增加搜索收敛于全局最优的可能性。并对交叉算子和变异算子进行了优化,实现了交叉和变异概率随解的变化而自适应调整。实验结果表明,改进的遗传算法能有效地解决自动组卷问题,提高了收敛速度和组卷的成功率。     

基于小生境遗传算法的移动机器人路径优化

针对标准遗传算法存在收敛性慢和局部最优解的缺陷,结合移动机器人行走特点,提出一种基于预选择机制小生境技术的改进遗传算法中移动机器人路径规划方法.该方法兼顾对局部最优解和全局最优解的搜索,维持群体的多样性,避免了早期收敛现象的发生;同时也增强了自然群体进化的并行性,加快了搜索进程.计算机仿真结果表明,该算法在收敛速度和输出全局最优解概率方面相对于标准遗传算法有了显著提高.     

遗传操作的一般性算子及图象恢复处理

针对遗传算法中 收剑问题,设计了一种遗传操作的一般性算子,该算子能够：（１）判断群体多样性的好坏程度,以使决定交叉和变异谁是主要、辅助算子;（２）当 某代群体的多样性差时,随机独立地产生多个新种个体;（３）当接近最优解邻域时,加速向最优解收敛。本文结合退化图象的,提出子基于算子的衅象遗传恢复方法,计算机模拟和实验结果表明,该方法能够较好地解决简单遗传算法中过早收敛于非全局最佳恢复图象问题。     

基于球面多区域划分的并行量子遗传算法

论文提出一种基于球面解空间划分的量子遗传算法,引入多区域并行搜索的机制,制定了群间的染色体置换策略,设计了新的量子变异操作,并以种群退化的程度来确定变异的概率。通过理论分析证明了该算法能够以概率1收敛到全局最优解。在组合优化和连续优化问题的实验中,该算法能够以较快的速率收敛到目标值,收敛过程相对平稳,降低了早熟现象产生的概率,表现出了良好的性能。     

一种改进的基于密度的多目标进化算法

多目标密度驱动进化算法(MODdEA)利用非支配等级信息和分区密度信息求解多目标优化问题,该算法在与其他多目标进化算法的比较中有着出色的表现.在其基础上本文提出了一种改进的多目标进化算法MODdEA+,首先在该算法中基于搜索空间的分区机制提出了克隆操作,该操作不但能在进化前期增强算法的全局搜索能力,还能在进化后期提高算法的局部精化能力;其次引入一种基于Pareto信息表中个体支配及被支配信息的评价策略以使对信息表个体的排序结果更加精确;最后对变异操作进行了改进以降低出现不必要越界情况的概率.为验证改进算法的有效性,在对其进行分析的基础上针对多个测试问题将其与原算法进行了实验比较,结果表明改进算法的求解质量明显优于原算法.     

基于多算子协同进化的自适应并行量子遗传算法

量子遗传算法具有种群规模小,全局搜索能力强的特点被广泛应用于各类优化问题的求解.为了进一步提高量子遗传算法的收敛速度和搜索稳定性,克服算法的早熟问题,本文改进了基于自适应机制的量子遗传算法.在自适应量子遗传算法的基础上根据种群的适应度定义了个体相似度评价算子、个体适应度评价算子和种群变异调整算子及相应算子的计算方法,利用多算子协同评价当前种群状态并根据进化代数的变化,自适应的改变个体的变异概率,提高了算法全局寻优能力和收敛速度,降低了算法陷入局部寻优的概率.此外,为了提高算法的时间效率,将算法采用并行多宇宙的方式实现.实验结果表明,本文提出的算法在全局搜索性能、收敛速度和时间效率方面有较好的综合表现.     

基于自适应免疫遗传算法的多序列比对

针对多序列比对问题提出一种基于自适应免疫遗传算法的多序列比对方法。为了保持群体中个体的多样性，以及加快算法的收敛速度，该算法中交叉概率和变异概率根据群体的多样性自适应调整，并且在选择免疫算子时采用择优策略，将免疫算子引入到自适应遗传算法中，通过对个体接种疫苗来进一步提升个体的存活能力。     

量子概率编码遗传算法及其应用

该文提出了一种基于染色体量子概率编码的遗传算法--QCGA。与传统遗传算法不同,在QCGA中, 单个个体不再表示某一个确定解,而是解的取值概率分布,覆盖整个解空间;各个个体独立并行演化,个体间通过一个新的交叉算子实现演化信息的交换,同时设计了一个新的变异算子以增强算法的局部寻优能力。为了充分考察该算法的有效性和先进性,将其应用于典型函数优化、0-1背包问题和时间序列中频繁结构模式搜索等问题的求解。实验结果表明,与现有同类算法相比,该算法在具有很高搜索效率的同时,仍能维持很高的种群多样性, 因而适用于复杂优化问题的求解。     

基于脆弱性变换的网络动态防御有效性分析方法

有效性分析对合理制订最优网络动态防御策略至关重要.首先利用随机抽样模型从脆弱性变换角度给出入侵成功概率计算公式,用于刻画变换空间、变换周期及脆弱性数量对网络入侵过程的影响;然后针对单、多脆弱性变换两种情况,分别给出相应的入侵成功概率极限定理并予以证明,同时给出两种情况下的最优变换空间计算方法;仿真结果表明,增大单条入侵路径上依次攻击的脆弱性数量、减小变换周期可持续提高网络动态防御有效性,而增大变换空间初始可以提升网络动态防御有效性,但是由于入侵成功概率会随变换空间的持续增大而逐渐收敛,在入侵成功概率收敛时,有效性无法持续提高.     

自适应变异遗传算法及其性能分析

本文提出了一种新的自适应遗传算法,通过对二进制编码串中每一比特位赋予不同的变异概率来加快搜索过程。对几种典型函数的测试结果表明：本文算法的收敛性能优于标准遗传算法。     

基于遗传算法的改进智能优化蚁群算法

针对蚁群算法加速收敛和早熟停滞现象的矛盾,根据遗传算法的交叉算子、变异算子和粒子群算法的粒子极值,采用一种优化蚁群算法,以在加速收敛和防止早熟停滞现象之间取得更好的平衡.在利用该算法解决TSP问题中,当前解与个体极值和全局极值分别进行交叉操作,产生的解为新的位置信息.通过对50个城市问题进行实验,结果表明,该方法比一般蚁群算法具有更好的收敛速度和稳定性,适合于求解大规模的问题.