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.     

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。     

基于EGA与Alopex算法的非可微函数混合全局优化算法

遗传算法是一种全局化算法,能以较大概率搜索到全局最优解。本文将Alopex算子嵌入到保留最优个体遗传算法（EGA）中,对非可微或求导困难函数从而得到既能以较大概率搜索全局极值,又能进行局部细致搜索的混合全局优化算法;并对其全局收敛性和计算效率作了证明与分析。数值计算结果表明该算法优于求解函数优化的EGA和Alopex算法。     

基于异构多种群的一种改进遗传算法

针对简单遗传算法存在的问题，基于提高遗传算法搜索效率和收敛性，提出了一种基于异构多个种群的改进的遗传算法IMGA。该算法首先利用多个异构子种群并行进化的结果初步确定较好解，进化到一定时间后，把得到的优质解按照新的变异算子进一步寻找最优解。仿真结果验证了算法的良好性能。     

基于混合遗传算法的多目标问题规划

遗传算法在问题优化中的应用已有了许多研究，但对于大型多目标规划问题而言，由于其问题特性和计算量大而限制了遗传算法的应用。为探索新的问题求解方法，提出了一种基于遗传算法和梯度算法的问题优化混合算法。用梯度法每次迭代得到的结果来改进遗传算法的群体，而用遗传算法的最优个体与梯度算法的迭代解相比较，选择其中的最优点作为梯度法下一步迭代的初始点。通过保持迭代过程的最优解，加快了搜索速度，并保证收敛于全局最优解。算例表明该方法兼具遗传算法的全局搜索能力和梯度算法的局部搜索的特点，且具有良好的工程适应性。     

阵列天线波束赋形的混合遗传算法优化

本文提出了一种应用于阵列天线波束赋形优化的混合遗传算法.该算法将简化的步长加速法作为一个局部搜索算子,融入到基于实数编码的遗传算法中.局部搜索算子的引入,使得新算法同时具有了传统遗传算法在全局搜索时的鲁棒性和步长加速法在局部搜索中搜索较快的优点.文中分别利用该算法对16元直线阵列进行了平顶波束和余割平方波束赋形优化,仿真结果表明了该算法在阵列天线波束赋形优化问题上的应用是有效的.     

多无人机协同搜索多目标的路径规划问题研究

多无人机协同搜索多目标的多旅行商航路规划问题(MTSP)是无人机协同作战的关键技术之一。在协同搜索背景下,多架无人机从同一个基地出发搜索附近的可疑目标,以最快速完成任务为目的,建立MTSP模型,提出一种聚类算法和遗传算法进行分步组合的优化算法。第一步,利用K-means聚类算法将MTSP问题分解成多个独立的TSP问题;第二步,改进遗传算法,引入2-opt算法作为优化算子,重新设计选择算子和交叉算子,分别求解多个TSP问题。通过具体算例验证了该算法的合理性,并同常用的分组遗传算法比较,分步组合优化算法具有更高的计算效率,求解结果更为可靠,尤其在求解大型MTSP问题时,优势更为明显。     

一种快速求解TSP问题的遗传算法

文章受求最短路径算法的启发，提出一个启发算子用于遗传算法求解TSP问题，通过50，144，150等城市的TSP问题求解，表明该算法求解速度快并且解的质量也非常好。     

一种新的区间-遗传算法

针对传统区间优化算法求解高维问题耗时的缺点,本文将区间算法和遗传算法进行融合,给出了一种区间-遗传算法,该算法保留了传统区间优化算法简单、对问题本身信息要求不高的优点.重要的是在每次迭代中区间算法为遗传算法的搜索提供可靠区域,同时遗传算法为区间算法的区间分裂提供了一个方向、为区间删除给出了问题全局最优解的一个上界.最后给出了算法的收敛性证明,数值实验表明该算法相比传统区间优化算法有较高执行效率.     

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.     

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.     

解决全局优化问题的粒子群进化算法

针对复杂全局优化问题,提出一种粒子群进化算法(PSOEA)。针对粒子群算法容易陷入局部最优等缺点,设计一个新的变异算子,使得粒子能够在整个空间进行搜索,同时保证了算法的收敛性。用概率论的有关知识证明了算法的收敛性。仿真结果表明,对于全局优化问题,算法寻优性能优良,特别是对于超高维优化问题,该算法能获得更高精度的解。     

差分进化帝王蝶优化算法求解折扣{0-1}背包问题

帝王蝶优化算法（Monarch Butterfly Optimization,MBO）是一种新颖的群体智能算法,自从提出就在实际优化问题上表现出很好的性能.但是,帝王蝶优化算法的迁移算子采用随机选择两个个体来生成新个体,并没有记忆整个种群的最优解,容易造成全局最优帝王蝶搜索经验的丢失.根据MBO寻优过程的内在机制以及差分进化算法的变异算子能够利用个体间的差异信息,将MBO分别与目前性能最优、应用范围最广的7种差分进化（Differential Evolution,DE）变异策略相结合,实验验证了7种不同算法的性能.基于性能最优的DE/best/2/bin变异模式,提出了一种差分进化帝王蝶优化算法（Monarch Butterfly Optimization Algorithm with Differential Evolution,DEMBO）,使得算法能够记忆种群最优解并实现种群内部信息的充分共享,达到既加快收敛速度又提高解的精度的目的.在30个典型折扣{0-1}背包问题（D{0-1}KP）实例上进行了一系列实验,实验结果表明：（1）DEMBO能够在时间复杂度不变的条件下,显著提高算法的求解精度和收敛速度;（2）DEMBO在求解所有D{0-1}KP实例时,均能够获得一个近似比非常接近1的近似解.     

基于差分变异算子的改进人工蜂群算法

文章针对传统人工蜂群算法收敛速度慢、精度不高的问题,基于差分进化算法中的变异算子,对人工蜂群算法搜索方程进行改进,在种群更新过程中引入当前种群最优个体信息,以提升算法的收敛速度和局部优化能力。     

高速网络入侵防御系统中免疫算法的改进

将人工免疫原理与高速网络分流技术结合,提出了一种基于免疫原理的高速网络入侵防御算法.在对阴性选择算法改进基础上引入疫苗算子和选择算子,降低了系统二次免疫应答时间,增强了系统抗体库自我学习能力,进而改善了系统的实时性和高效性.在分析了高速网络分流技术和改进阴性选择算法的基础上,建立了基于免疫原理的高速网络入侵防御系统.仿真结果证明了该算法的有效性.     

一种新型的自适应混沌遗传算法

针对标准二进制编码遗传算法的缺陷,提出一种基于实数编码技术的新型自适应混沌遗传算法用于求解优化问题.该算法利用信息熵理论产生较好的初始群体分布,并依据概率分布函数构造杂交算子,同时结合混沌动力学特性和人工神经网络理论,设计了一种自适应混沌变异算子,使算法能有效维持群体多样性,防止和克服进化过程中的"早熟"现象,算法操作简单、易于实现.最后通过对几个经典测试函数的数值实验,验证了该算法在提高解的精度和加快收敛速度方面都有显著改善,从而为解决函数优化问题提供了一种行之有效的新方法.     

一种基于边缘分布估计的多目标优化算法

该文提出了一种基于边缘分布估计的多目标优化算法,通过在每一进化代中估计较优个体的边缘概率分布来引导算法对Pareto最优解的搜索。通过与基于拥挤机制的多样性保持技术、基于非支配排序的联赛选择、精英保留等技术的有机结合,使得算法在具有良好收敛性能的同时,具有很好的维持群体多样性的能力。通过一组典型测试函数实验对该算法的性能进行了分析,并与NSGA-II、SPEA、PAES等知名多目标优化算法进行了比较,结果表明该文算法收敛速度较快,且得到的非支配解集分布均匀,适合于复杂多目标优化问题的求解。     

应用于贴片机贴装顺序优化的遗传算法的比较和改进

元件贴装顺序优化是决定贴片机生产效率的关键问题,传统的解决贴装顺序优化问题的方法有遗传算法,蚁群算法,SS(伞布搜索法)等。使用较多的还是遗传算法。遗传算法中包含选择算子、交叉算子、变异算子,且编程思想简单,但容易出现局部最优,过早收敛等情况。在此,通过对遗传算法在贴装顺序优化应用的结果比较找到一种更适合的遗传算法,使之拥有较快的收敛速度和全局优化性。     

基于变异算子与模拟退火混合的人工鱼群优化算法

人工鱼群算法(AFSA)是一种新型的群智能随机全局优化技术.本文在分析AFSA存在不足的基础上,提出了基于变异算子与模拟退火混合的人工鱼群优化算法.该算法保持了AFSA算法简单、易实现的特点,克服了人工鱼漫无目的随机游动或在非全局极值点的大量聚集,显著提高了算法的运行效率和求解质量.通过函数和实例测试验证,表明了该算法是可行和有效的.