多蜂群进化遗传算法

提出一种多蜂群进化型遗传算法。在该算法中,种群的最优个体作为蜂王与被选的每个个体（雄蜂）,以概率进行交叉操作,增强了对种群最优个体所包含信息的开采能力。为避免算法早熟,被选雄蜂部分来自于其他蜂群,同时引入蜂王对其他蜜蜂的抑制机制,以提高蜂群的生物多样性。实验结果表明,多蜂群进化遗传算法是一种提高遗传算法性能的有效改进算法。     

自适应引导进化遗传算法

该文提出一种自适应引导进化遗传算法。算法中采用佳点集方法产生初始种群,结合保留精英个体策略,对种群进行分割,各子种群并行交叉变异,且其中一个子种群为随机产生的。为提高算法收敛速度,分别对各子种群中较优个体进行优秀基因位统计,据此对其它个体采取一种自适应引导变异操作。通过将算法运行过程建模为有限齐次马氏链,证明了算法的全局收敛性和收敛快速性。实验结果表明,自适应引导进化遗传算法较其它的遗传算法在收敛速度和准确度上都有较大提高。     

基于混沌遗传算法的非均匀应变分布重构研究

针对基本遗传算法在解决实际最优化问题时可能存在的收敛速度慢、易于陷入局部最优解等问题,提出从适应度排序标定和混沌算子嵌入两方面进行算法性能的改进。前者避免了传统适应度值计算方法中较小目标函数值导致的具有过大适应度值的个体对种群进化方向的影响,使得种群始终能够保持恒定的进化压差促进最优解的搜索;后者则增强了遗传算法局部搜索的能力,从而提高了近似最优解向全局最优解转化的可能性。在此基础上,建立了一种基于混沌遗传算法的光纤布拉格光栅(FBG)轴向非均匀应变分布重构方法,仿真算例表明,混沌遗传算法有效改善了非均匀应变分布重构算法的收敛性能,提高了重构的精度。讨论了算法中相关参数的设置对非均匀应变分布重构精度的影响。     

基于遗传算法的亚100nm SOI MOSFET模型参数提取

为了简化亚100nm SOI MOSFET BSIMSOI4的模型参数提取过程,实现全局优化,使用了遗传算法技术,并提出了保留多个最优的自适应遗传算法.该算法通过保留最优个体的多个拷贝,对适应度高和适应度低的个体分别进行诱导变异和动态变异,在进化起始阶段和终止阶段分别执行随机交叉和诱导交叉,既具有全局优化特性,又加速了局部搜索过程,提高了最终解的质量.不同种群数和进化代数条件下的参数提取实例表明,该算法提取精度高、速度快,全局优化稳定性好;适当增加种群数,有利于加速算法的全局收敛过程.     

基于自适应遗传算法的关联运输调度问题

利用引入了混沌扰动的一种改进的自适应遗传算法来解决一类关联运输调度问题IVRP(IncidentVehicleRoutingProblem)模型。虽然M.Srinivas提出的自适应遗传算法既保护了最优个体又加快了较差个体的淘汰程度,但不容易跳出局部最优解,相邻进化代数间的参数缺乏连续性,所以,提出了一种新的自适应遗传算法,为避免近亲繁殖提出了改进策略,同时考虑到变异概率的大小可能导致破坏种群模式或减弱抑制早熟的能力,设计了相关的自适应变异概率。研究表明,该改进的算法在解决关联物流运输调度问题具有有效性和适用性。     

改进的基于蜜蜂进化型遗传算法和蚁群系统混合的元件贴装优化

针对PCB板的表面贴装技术(Surface Mount Technology,SMT)优化问题,提出一种基于蜜蜂进化型遗传算法和蚁群系统的混合智能算法(the Hybrid Intelligent Algorithm based on Bee Evolutionary Genetic Algorithm and Ant Colony System,BAHA).该算法的关键有4点:①通过两个种群的融合实现信息共享,提高算法的收敛速度;②采用改进的OX的交叉算子,合理保留优秀个体基因的排列顺序;③加入局部搜索算子,在当代最优解附近进行更加精细的搜索;④信息素重置防止陷入局部最优解.用TSP30问题、eil51问题与相关文献进行对比测试,仿真结果表明BAHA收敛速度快,寻优能力强.通过对5种不同PCB板的元件贴装顺序进行优化计算,结果表明,BAHA能有效的提高贴装效率.     

元胞遗传算法的多样性研究

探讨了元胞遗传算法中种群多样性对全局寻优/局部收敛平衡的意义,提出了基于邻域结构内元胞遗传算法的多样性度量方式,并提出了改变遗传算子的元胞遗传算法来维持进化过程种群的多样性,算法将元胞空间网格嵌入到种群空间中,模拟遗传操作在相邻个体之间进行。该算法不仅提高了全局搜索能力,且在维持种群多样性方面有一定优势。     

基于多种群并行遗传算法的融合定位

多观测系统融合定位可以提高对目标位置的估计精确度,但如何提高信息融合效率目前没有得到较好的解决。针对此问题,提出一种基于多种群协同进化的分布式并行遗传算法。该算法将子观测系统转变为多个独立并行进化的子种群,通过设定离散适应度函数,使子种群收敛于一个最优值区域,通过个体的迁移操作为目标种群提供更多的测量信息进行融合,有效提高融合估计精确度。仿真结果表明,对比于集中式融合遗传算法和分布式并行Chan融合算法,本文所提算法信息融合效果较好,定位精确度更高。     

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。     

微分进化算法的优化研究及其在聚类分析中的应用

为了使微分进化算法在进化过程中充分挖掘和利用历史数据信息,提高它的全局搜索能力和收敛速度,提出了一种基于主成分的微分进化算法PCADE。该算法将种群空间映射到主成分空间从而得到一个由主成分构成的种群空间,在进化过程中前m个主成分构成的个体可以直接进入下一代的进化,而剩余的N-m个个体则从原种群和主成分种群空间中选择出适应度值较高的个体进入下一代。实验结果表明改进算法在聚类分析中取得了较好的结果。     

最优子种群实数编码的遗传算法

提出了最优子种群实数编码遗传算法理论,通过从种群中选出适应值最高的若干数量的个体,组成该代最优子种群,将最优子种群中的个体与种群中其他个体进行交叉变异,最优子种群中的个体间也进行交叉变异,从而产生新的种群。该遗传算法使得遗传过程中落入局部最优解几乎不可能,对于多极值问题也非常有效,收敛速度也非常快。     

基于个体排序的自适应遗传算法

针对遗传算法容易陷入局部最优的缺点,文中提出了一种基于个体排序的自适应遗传算法。在传统自适应遗传算法中,交叉概率和变异概率的自适应更新是依据个体的适应度值进行的。但是在算法后期,由于种群陷入局部极值,使得值的差异变小,更新时难以体现个体差异。借鉴序优化的思想,在所提改进算法中,将个体适应度值排序,并采用排序号替代适应度值。这种采用序差异取代值差异的方法能够增大种群中、后期的交叉概率和变异率的值,有利于避免算法陷入早熟收敛。文中对几种标准的函数进行了测试,结果表明,改进后的算法在收敛速度和收敛精度方面优于其他两种自适应改进算法。     

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。     

改进的遗传算法在加速寿命试验设计中的应用

为了提高遗传算法的搜索效率和收敛速度,本文给出了一种新的改进的遗传算法。该算法采用对群的优化来保持种群的多样性,保留历史最优个体并定期替换最优个体从而使得个体优化,对交叉概率和变异概率采用自适应的概率进行优化。通过对目标函数的测试表明,将改进遗传算法与基本遗传算法相比较,在函数最优值,平均收敛代数方面取得了令人满意的效果。     

一种用于线性阵列综合的改进遗传算法

为了提高阵列综合收敛速度,实现目标函数局部最优,分析了现有的遗传算法存在的不足,提出了一种应用于线性阵列综合的改进遗传算法。该算法根据现有算法对实数编码搜索能力不强,容易陷于局部最优解的缺陷,提出了能够增强个体寻优范围的搜索方案,以跳出局部最优解,是解决问题的有效途径。仿真结果表明,改进后的算法能够使目标函数迅速跳出局部最优解,收敛速度至少增加了2¹0倍。     

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。     

An Improved Genetic Algorithm with Quasi-Gradient Crossover

The convergence of genetic algorithm is mainly determined by its core operation crossover operation. When the objective function is a multiple hump function, traditional genetic algorithms are easily trapped into local optimum, which is called premature conver- gence. In this paper, we propose a new genetic algorithm with improved arithmetic crossover operation based on gradient method. This crossover operation can generate offspring along quasi-gradient direction which is the Steepest descent direction of the value of objective function. The selection operator is also simplified, every individual in the population is given an opportunity to get evolution to avoid complicated selection algorithm. The adaptive mutation operator and the elitist strategy are also applied in this algorithm. The case 4 indicates this algorithm can faster converge to the global optimum and is more stable than the conventional genetic algorithms.     

一种矩形邻域结构的教学优化算法

为了克服原始教学优化算法在求解复杂多峰函数时全局寻优精度不高和过早收敛的缺点,提出一种矩形邻域结构和个体扰动的教学优化算法.算法将种群空间设计为矩形结构,个体的矩形邻域由矩形厚度和围绕其的矩形区域个体决定,教和学两个阶段都使用邻域最优个体引导搜索,加强了算法勘探新解和开发局部最优解的能力;为了防止算法过早陷入局部最优,增加了基于搜索边界信息引导的个体扰动阶段,使得种群即使在进化的后期仍能保持较好的多样性.对带有偏移和旋转的复杂函数进行仿真测试,结果表明新算法在求解精度和稳定性方面,在绝大多数情况下优于原始教学算法和其他一些近来的优秀改进教学算法.     

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.