基于梯度拥挤度的多样性保持策略的MOEA

为了在多目标演化算法解决问题时保证解集的多样性,提出了一个有效的梯度拥挤度多样性保持策略,以及基于该保持策略的多目标演化算法;设计了多样性的熵度量准则,以及多样化种群初始策略.实验证明,提出的算法在种群多样性保持方面取得了较好的效果.     

CEA:基于弱势种群保护抗早熟的聚类淘汰算法

传统基因表达式编程算法(GEP)决定个体遗传权时过分依赖适应度,忽略了个体间相互关系,造成GEP算法易早熟而影响进化效率.为克服该问题,从理论上研究了造成GEP早熟的原因,并根据研究结果提出弱势种群保护抗早熟的聚类淘汰算法CEA(cluster-elutriate Algorithm);定义β-cluster及相关概念;用种群所含不同簇的数量来度量种群的多样性达到保护弱势种群.利用概率手段详细分析了个体参与下一代的机率.实验表明,基于CEA的算法能很好的防止GEP函数发现时的早熟现象,且极大地提高了函数发现效率.     

基于种群年龄分层模型的线性遗传编程算法

针对常规线性遗传编程算法易发生早熟收敛与膨胀的不足,提出了一种改进的线性遗传编程算法——种群年龄分层模型的线性遗传编程算法。算法采用种群年龄分层模型对种群进行分层提高种群的整体多样性,并进一步采用双层锦标赛提高各分层子种群局部的多样性,以种群多样性的提高减少算法早熟收敛的发生频率;算法采用种群分层的方法限制长度较长个体的数量,从而减轻种群的膨胀程度。在5个符号回归基准函数进行测试的结果表明,所提方法能够有效减少早熟收敛的发生频率,同时有效控制种群的膨胀程度。     

基于改进GA的云计算任务调度策略

针对传统遗传算法在云计算任务调度过程中的收敛速度慢和易早熟等问题,提出了一种基于遗传优化算法的双适应度函数改进算法.该算法采用任务完成时间和任务完成成本为双适应度函数,引入个体相似度概念来提高种群质量;采用并列选择法进行选择操作,并且采用自适应规则约束交叉和变异操作,提高种群个体质量,加速进化策略可以有效地避免早熟.结果表明,改进的遗传算法有效地加快了云任务作业调度的收敛速度,并改善了易早熟等现象.     

基于竞争协同进化的改进遗传算法

针对标准遗传算法中的早熟收敛现象,提出一种基于竞争协同进化的改进遗传算法.该算法根据个体与对手竞争的表现来衡量个体的生存能力,生存能力由个体所击败对手的数量和优秀程度决定,个体在击败更多更优对手的努力中逐步进化.函数优化实验结果表明,该算法收敛速度快,且能有效保留种群多样性,与标准遗传算法及其他多种群遗传算法相比,能有效减轻早熟收敛现象.     

基于熵测度的自适应遗传算法

针对基本遗传算法SGA在搜索过程中易陷入局部最优解的问题,提出了基于熵测度的自适应遗传算法,并分析了熵测度下种群个体被选概率的极限行为。理论分析和对比实验表明,基于熵测度的自适应选择策略能根据种群性状来动态地调整选择压力,从而调整算法的开采和探索能力的平衡,提高算法的全局优化性能。     

改进的基因表达式编程算法在演化建模中的应用

为了克服传统基因表达式编程易早熟收敛、种群多样性难以保持、演化效率不高、拟合度不高等缺陷,给出了基于表现型的种群多样性测度,并提出了基于排挤小生境的改进基因表达式编程算法. 该算法将小生境半径内的早熟个体通过罚函数排挤出去,使其它优良个体得以更大概率进化,并使各个个体之间保持一定的距离. 分别对一元函数和多元复杂函数进行演化建模实验. 结果表明,改进的算法能在演化过程中能保持丰富的群体多样性,能够有效避免过早收敛,具有更高的成功率、更高的收敛速度和拟合精度.     

自适应调整差分进化算法在优化问题中的应用

差分进化算法在求解优化问题时,进化后期由于种群多样性急剧下降,算法全局搜索能力被削弱,极易陷入局部最优解而"早熟"收敛.针对该问题定义了算法停滞系数和个体相似系数.根据算法停滞系数自适应调整算法的缩放系数.同时,根据个体相似系数判定种群普通个体与最优个体的相似性,并以此为基础对相似个体实施基因重构操作,从而避免种群个体严重趋同造成的种群多样性下降问题.将改进算法应用于标准测试函数和车辆路径问题的优化.模拟计算结果表明:改进算法的优化结果优于标准差分进化算法,改进的差分进化算法具有更强的全局寻优能力,适于求解复杂优化问题.     

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

自适应差分进化算法的研究及其在聚丙烯牌号切换优化中的应用

针对常规差分进化算法易"早熟"的问题,提出了自适应的差分进化算法,该算法在计算过程中自适应地调整变异率,使得种群在初期保持个体多样性,避免早熟,到后期保留优良信息,加快全局搜索速度;同时该算法还引入了扰动交叉算子,有助于在搜索过程中保持群体的多样性.测试表明,新算法的寻优性能有明显改善,并成功地应用于聚丙烯牌号切换优化问题.     

基于改进遗传算法的连续函数优化

为了进一步避免连续函数优化过程中的早熟收敛和搜索迟钝,在简单遗传算法基础上提出了划分寻优区间、基于排序和最佳保留的轮盘赌选择算子,可以用来提高遗传算法的运行效率和收敛速度,达到了既能够选出最好个体又能够保证种群多样性的效果;同时采用择优交叉算子和二元变异算子,这样既保证了种群的收敛性,又可在陷入局部最优时为种群引入新基因。仿真实验表明,与简单遗传算法相比,改进后的遗传算法能有效地提高遗传算法的收敛速度和避免陷入局部最优。     

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.     

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．     

A novel genetic algorithm preventing premature convergence by chaos operator

ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ(ＧＡｓ),ａｓａｋｉｎｄｏｆｓｅａｒｃｈｉｎｇａｎｄｏｐｔｉｍｉｚｉｎｇａｌｇｏｒｉｔｈｍ,ｉｓｂａｓｅｄｏｎｔｈｅｐｒｉｎｃｉｐｌｅｓｏｆｎａｔｕｒａｌｅｖｏｌｕｔｉｏｎ[1].Ｉｔｈａｓｂｅｅｎｅｓｔａｂｌｉｓｈｅｄａｓａｖｉａｂｌｅａｎｄｒｏｂｕｓｔｔｅｃｈｎｉｑｕｅｆｏｒｓｅａｒｃｈｉｎｇａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｃｒｏｓｓａｄｉｖｅｒｓｅｄｏｍａｉｎｏｆｄｉｓｃｉｐｌｉｎｅｓ.Ｈｏｗｅｖｅｒ,ｗｈｅｎａｐｐｌｙｉｎｇＧＡｔｏｓｏｌｖｅｌａｒｇｅｓｃ…     

改进的基因表达式编程算法在演化建模中的应用

为了克服传统基因表达式编程易早熟收敛、种群多样性难以保持、演化效率不高、拟合度不高等缺陷。给出了基于表现型的种群多样性测度,并提出了基于排挤小生境的改进基因表达式编程算法．该算法将小生境半径内的早熟个体通过罚函数排挤出去．使其它优良个体得以更大概率进化,并使各个个体之间保持一定的距离．分别对一元函数和多元复杂函数进行演化建模实验．结果表明,改进的算法能在演化过程中能保持丰富的群体多样性,能够有效避免过早收敛．具有更高的成功率、更高的收敛速度和拟合精度．     

基于混合遗传算法的电子市场双边协商求解

双边协商是电子市场交易过程中重要环节，目标是寻求使买卖双方效用最大的协商方案。在构建电子市场双边协商的决策模型的基础上，提出了一种求解双边协商问题的十进制编码、实施保留最优策略和基于种群熵的混合遗传算法。该算法能够避免二进制编码的缺点，有效地提高收敛速度、克服早熟现象，并容易引入领域知识。算例说明了该混合遗传算法的高效性。     

Diversity controlled multiobjective particle swarm optimization

For solving the premature in traditional multiobjective particle swarm optimization,a multi-objective particle swarm optimization based on diversity control is proposed.The proposed algorithm utilizes a diversity metric,which is based on weight vectors,to evaluate the population diversity in each generation and control the evolution process of the algorithm adaptively.To maintain population diversity,an adaptive mutation strategy based on Steffensen’s method is adopted to update the repository population.With the purpose of balancing the population diversity and convergence,the global best positions of particles areselected adaptively.This algorithm is compared with several widely used multiobjective evolutionary algorithms on a set of benchmark test problems in the experimental part.Statistical results demonstrate the effectiveness of the proposed algorithm.     

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。     

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。