一种基于排序操作的进化算子自适应遗传算法

提出了一咱基于排序操作的进化算子自适应的遗传算法,该算法中,每个体按适应值大小进行排序,个体的选择、交叉、交异算子的概率根据个体排序值来自适应地确定,其中选择概率还随进化过程而调节,利用Ｍａｒｋｏｖ链的分析法证明了该算法的全局收敛性,最后,实验结果表明该算法同传统的遗传算法相比不仅能收敛到全局最优解,而且具有交快的收敛速度。     

改进遗传算法解决TSP问题

针对基本遗传算法收敛速度慢,易早熟等问题,提出一种改进的遗传算法。新算法利用贪婪思想产生初始种群来加快寻优速度,用贪婪思想来引导交叉操作,在交叉操作之前,把当前较差的一半种群替换成随机种群,最后用改进的变异算子和进化逆转操作进行寻优,利用新的遗传算法求解基本的旅行商问题。仿真结果表明,改进的遗传算法具有全局搜索能力强、收敛速度快的特点,优化质量和寻优效率都较好。     

基于进化稳定策略的单亲遗传算法求解组卷问题

在组卷问题中为了解决传统遗传算法易陷入早熟收敛的问题，在单亲遗传算法基础上，引入基于进化稳定策略．该策略的核心突变算子的构造，有目标地对最优个体进行突变操作，以达到快速扩大搜索空间、稳定群体中个体多样性的目的。实验结果表明，由该算法产生的试卷是令人满意的。     

一种新的解决组合优化问题的自适应柯西进化规划ACEP

 本文在快速进化规划基础上,提出了一种解决组合优化问题的自适应柯西进化规划ACEP.该算法融合了柯西变异的优点,通过调整参量r来适当的改变搜索的步长,相对于经典进化规划CEP和快速进化规划FEP只需一半的种群数量便可快速到达问题的最优解,最后0/1背包问题的对比实验结果表明了其优越性.     

蜜蜂双种群进化机制背景下云自适应遗传算法分析

主要分析了蜜蜂双种群进化机制背景下云自适应遗传算法卡,通过观察和分析我国传统雌雄蜜蜂在竞争和交叉中优秀群种遗传基因的蜂后交叉机制,针对优秀群种种植蜂后交叉机制计算进行研究,在当前计算机技术水平下,应该要如何提高传统雌雄锋竞争和交叉的质量,不断将优秀群种遗传基因扩散,最后,提出一种基于蜜蜂双种群进化机制的云自适应遗传计算方法,通过函数优化实验和暴雨强度公式参数优化的仿真研究,指出这种机制算法的可行性和可靠性。     

大规模优化问题的差分进化策略对比实验研究

差分进化算法（ Differential Evolution,DE）有多种进化策略,并在求解各种优化问题时存在较大性能差异,求解大规模优化问题时不同策略间差异尤其明显。利用标准测试函数集对常用5种差分进化策略进行对比实验研究,分析这些策略的求解效果,总结求解大规模优化问题的不同差分进化策略适用性,为大规模优化问题的差分进化求解的策略选择提供帮助。     

遗传算法求解TSP问题

对遗传算法求解TSP问题进行了完整的描述。介绍几种交叉算子和变异算子,并对其作了比较。提出对算法的交叉概率、变异概率进行自适应调整以维护群体多样性,防止算法过早收敛。     

带局部搜索的动态多群体自适应差分进化算法及函数优化

 提出将一种改进的差分进化算法——带局部搜索的动态多群体自适应差分进化算法(DMSDELS)应用于函数优化.该算法将种群中的个体随机动态分成多个子群体,以增强个体间的信息交换;变异操作中,选择最优个体为基向量,差分向量的方向选择有利于搜索的方向,以提高收敛速度;变异尺度因子F与交叉概率CR采用自适应机制,以平衡局部搜索与全局搜索;部分优秀个体搜索达到指定代数进入局部搜索,以加快收敛.通过对13个benchmark典型复杂函数进行测试,并与其他七种优化算法进行比较,仿真结果表明:DMSDELS算法具有较高的搜索精度和收敛性,且具有较强的跳出局部最优解能力.     

优化反向传播神经网络的自适应遗传算法

探讨了用遗传算法优化反向传播神经网络的问题，通过对不同遗传操作的分析和改进，提出了一种能有效进行局部搜索和全局搜索的自适应遗传算法，计算结果表明，该算法能快速地求出问题的全局最优解，且具有较好的计算精度。     

模拟电路故障诊断参数估计及其遗传优化

基于Ｂａｎｄｌｅｒ（１９８２）故障诊断Ｌ１范数法，提出模拟电路故障诊断的遗传优化技术，采用直接对网络节点电压增量直接编码的方法，避免了因特连续量，人为转化为离散量而引起编码误差；为保证算法的全局收敛特性，本文的选择算子采用了最佳个体保留方法（ＥｌｉｔｉｓｔＭｏｄｅｌ）在交叉和变异操作中引入自适应策略后；改善了算法的局部寻优能力和程序的收敛时间，实例仿真表明本文算法能够快速准确地将模拟电路故障定位到     

基于遗传算法求解旅行商问题

从应用的角度讨论了基于遗传算法的旅行商问（Travelling Salesman Problem,简称TSP）的求解方法,并结合实例给出了求解过程和计算机仿真结果。在算法的仿真中,改进后的算法明显优于传统的遗传算法。这表明,该算法具有良好的可行性和实用性。     

继承优秀染色体片段的PSO算法求解TSP问题

粒子群优化算法(PSO)提出至今一直未能有效解决离散及组合优化问题,TSP问题是组合优化问题中一个典型的NP问题.文中参考了离散粒子群算法(DPSO)和遗传算法(GA)解决TSP问题的成功经验,提出了一种继承优秀染色体片段的PSO算法(ECFG-PSO).为避免早熟,在算法中加入了局部查找和二次初始化策略.实验证明ECFG-PSO算法解决TSP问题的效率和规模优于DPSO算法.     

基于TSP问题的混合遗传算法研究

文章在介绍遗传算法和混合遗传算法思想的理论基础上,分析了遗传算法的主要优缺点和改进算法的有效性原则,利用模拟退火算法的局部寻优能力提出了一种改进的遗传模拟退火算法。结合两者的优点,对其中的选择、交叉和变异操作进行了改进,并将其运用到TSP问题的求解之中。同时,给出了算法的具体实现过程,并进行了仿真实验,证明了混合算法的有效性。     

求解多旅行商问题的改进分组遗传算法

该文针对总路径长度最小的多旅行商问题,提出一种改进分组遗传算法。在该算法中,设计了一种有序分组编码,采用新编码方式的个体与多旅行商问题有效解之间具有一一对应的关系。为了减少算法的运行时间,根据编码的特点构造了一种快速交叉算子。同时,结合贪婪算法和2-opt算法设计了一种新的局部搜索算子,以提高算法的收敛精度。实验结果分析表明,所提算法能够有效地解决多旅行商问题,具有可靠的全局收敛性,较高的计算效率。     

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。     

基于改进遗传算法的隶属度函数优化研究

本文针对传统的隶属函数的不足,提出了在一个待优化模糊控制器的基础上,采用改进的遗传算法优化其隶属函数,从而使隶属函数更加合理.最后对优化后的模糊控制器进行仿真比较研究,结果表明模糊控制器经过优化后控制品质有较大的改善和提高.     

基于遗传优化的阈值选取方法

图像分割的关键性技术是阈值选取。在图像阈值选取中,最小误差法受目标大小和噪声影响小,对小目标仍具有好的分割效果,但运算量较大。本文利用遗传算法优化最小误差法获得最佳阈值。算法简单、快速、稳定性强,而且减少直接引用最小误差法的运算量,提高其性能。实验结果表明可减少50％左右的运算量。     

通过缓冲高适应度个体改进遗传算法实现的收敛特性

文中概要阐述了遗传算法的算法实现产生过早收敛的原因，提出了在常规遗传算法中增加对最优个体缓冲的改进算法，延长具有高适应度个体的生存期，进而维持较高的种群多样性，以获得更好的收敛速度和优化解，并对建立缓冲区的一些规则进行了讨论。文中以求解旅行商问题为例，对改进前后的遗传算法的运行情况进行对比分析，结论为改进算法能获得更好的收敛性能。     

一种基于单亲进化遗传求解路径优化的新算法

对配送收集旅行商问题进行了研究,并针对其传统算法局限性进行了分析,提出了一种基于单亲进化遗传新算法.运用PEGA利用父体所提供的有效边的信息,使用保留最小边的方法对个体进行进化,求得费用最低的优化路径.实验证明,该算法可以有效、快速地求得问题的全局最优解.     

人工神经网络与遗传算法的结合：进展及展望

近来，人工神经网络（ＡＮＮ）与遗传算法（ＧＡ）结合的研究引起了人们的极大注意。本文综述了这一领域的发展现状，并试图从两者的结合上分为辅助式及合作式两种结合方式，对于辅助式结合，ＧＡ不仅能为ＡＮＮ选择训练数据，也可用来选择网络的学习参数或学习规则，而且可利用ＧＡ解释或分析ＡＮＮ的结果；对于合作式结合，主要论述了ＧＡ作为ＡＮＮ的一种权重训练方法的不足和长处，同时评述了它与ＢＰ训练算法的优缺点，最后着重综述了利用ＧＡ自动优选ＡＮＮ的各种方法。