遗传算法的收敛性研究

遗传算法的收敛性分析是遗传算法研究中的重要问题,直接关系到遗传算法的实际应用价值。给出遗传算法全局收敛性的定义,描述当前遗传算法收敛性分析的主要模型,对自适应遗传算法、并行遗传算法、小生境遗传算法等典型遗传算法的收敛性进行分析,给出相关的研究结果,并指出遗传算法收敛性研究的未来发展方向。研究结果对提高遗传算法收敛性具有参考价值。     

十进制编码遗传算法的模式定理研究

根据遗传算法中采用的编码策略,可将遗传算法分为两大类：二进制编码遗传算法和十进制编码遗传算法．二进制遗传算法的数学基本定理是模式定理,但对于十进制编码遗传算法是否也存在其模式定理是待探讨的问题．本文在十进制数编码遗传算法的理论基础上,给出十进制编码遗传算法的相应概念并引入符号基因表和模式不变位的概念,根据十进制编码遗传算法的简单遗传算子对其模式的影响,推导出十进制编码遗传算法的模式定理．     

元胞遗传算法的收敛性分析和收敛速度估计

元胞遗传算法是空间结构化种群的遗传算法,将遗传操作限制在相邻个体之间进行,限制优势基因的扩散速度,保持种群的多样性,改善遗传算法的性能。但是,目前有关元胞遗传算法收敛性的分析还较缺乏。文中根据元胞遗传算法的特性,建立元胞遗传算法的吸收态 Markov链模型,证明元胞遗传算法的收敛性。提出元胞遗传算法的首达最优解期望时间的估算方法,并估计标准同步元胞遗传算法首达最优解期望时间的上下界。     

适应值共享拥挤遗传算法

保持遗传算法在演化过程中的种群多样性,是将遗传算法成功应用于解决多峰优化问题和多目标优化问题的关键。适应值共享遗传算法和拥护遗传算法分别从不同角度改善了遗传算法的搜索能力,是寻找多个最优解的常用算法。将这两种算法的优点加以结合,提出适应值共享拥护遗传算法。数值测试结果表明,该算法比标准适应值共享遗传算法和确定性拥挤遗传算法具有更强的搜索能力。     

量子遗传算法及其在多用户检测中的应用

量子计算与遗传算法相结合的量子遗传算法是当今计算智能领域的一个前沿课题。文章从研究遗传算法在并行实现上的困难和改进方法出发,探讨了量子计算与遗传算法结合的理论基础,分析了量子遗传算法的理论和结构,最后提出了一种基于量子遗传算法的多用户检测方法。仿真结果表明,基于量子遗传算法的多用户检测器抗多址干扰的能力明显优于经典遗传算法多用户检测器。     

基于分裂算子的遗传算法和自适应遗传算法

针对遗传算法所存在的早熟和收敛速度慢等问题,基于低等生物的分裂生殖现象,提出了分裂算子的概念,并将该算子引入到传统遗传算法和自适应遗传算法中,对这两种遗传算法进行了改进。通过一系列多峰函数测试实验,将改进算法分别与基本遗传算法和自适应遗传算法进行比较,证明引入分裂算子后的遗传算法和自适应遗传算法不仅有效地收敛到全局最优解,而且提高了收敛速度。     

遗传算法在人工智能领域中的应用

该文介绍了遗传算法的基本概念、基本遗传算法的特点和基本遗传算法的求解步骤,同时也介绍了遗传算法在机器学习、并行处理、人工生命以及遗传算法与进化规则及进化策略的结合的发展动向,最后讨论了基于遗传算法的人工神经网络学习中的应用研究,具体论述了遗传算法在学习神经网络权重和学习神经网络拓扑结构的应用方法。     

基于混沌遗传算法的区域交通计算机控制配时优化

充分发挥混沌理论和遗传算法各自的优势,开发了混沌遗传算法,混沌遗传算法能有效地改进遗传算法的收敛速度慢、早熟收敛和有可能陷入局部最优点的缺陷。分析了城市交通这个复杂大系统的混沌性,并将混沌遗传算法成功应用于城市区域交通计算机控制信号配时优化。采用TSIS5.1进行了仿真,仿真结果表明:混沌遗传算法比遗传算法的收敛速度大大加快,且车辆平均延误和平均停车率都比遗传算法和固定周期法有明显的降低。     

量子遗传算法研究进展

针对量子遗传进行了研究,介绍了量子遗传算法的发展、基本理论和方法,从量子门的改进、加入新算子、量子遗传算法的并行性、混合量子遗传算法四个角度论述了量子遗传算法的改进方法,并总结了量子遗传算法的应用领域。最后提出了量子遗传算法的发展方向。     

嵌套式模糊自适应遗传算法

针对简单遗传算法(SGA)收敛速度慢和早熟收敛现象,将模糊逻辑理论应用于遗传算法,并采用两级嵌套的遗传算法,随主遗传算法GA1求解优化问题的进化进程用模糊控制的方法自适应地调整遗传算法的交叉概率和变异概率;利用另一个遗传算法GA2优化模糊规则库,实现了一种嵌套式模糊自适应遗传算法(NFAGA)。仿真结果表明,这种算法的全局搜索收敛速度和解的质量明显优于SGA和一般的自适应遗传算法(AGA)。     

Scalable Parallel Genetic Algorithms

Genetic algorithms, search algorithms based on the genetic processes observed in natural evolution, have been used to solve difficult problems in many different disciplines. When applied to very large-scale problems, genetic algorithms exhibit high computational cost and degradation of the quality of the solutions because of the increased complexity. One of the most relevant research trends in genetic algorithms is the implementation of parallel genetic algorithms with the goal of obtaining quality of solutions efficiently. This paper first reviews the state-of-the-art in parallel genetic algorithms. Parallelization strategies and emerging implementations are reviewed and relevant results are discussed. Second, this paper discusses important issues regarding scalability of parallel genetic algorithms.     

Gradual distributed real-coded genetic algorithms

A major problem in the use of genetic algorithms is premature convergence. One approach for dealing with this problem is the distributed genetic algorithm model. Its basic idea is to keep, in parallel, several subpopulations that are processed by genetic algorithms, with each one being independent of the others. Making distinctions between the subpopulations by applying genetic algorithms with different configurations, we obtain the so-railed heterogeneous distributed genetic algorithms. These algorithms represent a promising way for introducing a correct exploration/exploitation balance in order to avoid premature convergence and reach approximate final solutions. This paper presents the gradual distributed real-coded genetic algorithms, a type of heterogeneous distributed real-coded genetic algorithms that apply a different crossover operator to each sub-population. Experimental results show that the proposals consistently outperform sequential real-coded genetic algorithms     

遗传算法在分布式OS-CFAR检测系统优化中的应用

针对一个3传感器分布式OS-CFAR检测系统，本文分别使用了基本遗传算法和改进的遗传模拟退火算法、小生境遗传算法进行优化搜索，给出了一组不同检测条件下的准最优搜索结果。结果表明，对于这一优化问题，遗传模拟退火算法和小生境遗传算法都具有较好的适应性，其中小生境遗传算法在搜索质量、稳定性和搜索速度上相对更好一些，是一种较理想的多传感器分布式OS-CFAR检测系统参数优化算法。     

遗传算法研究综述 *

介绍了遗传算法的基本工作原理和主要特点 ,讨论了遗传算法的理论、技术、存在问题及改进方法 ,概述了遗传算法的常见应用领域 ,分析了近五年国内对遗传算法的研究现状。最后 ,进一步探讨了遗传算法的未来研究方向。     

并行遗传算法与神经网络,模糊系统的结合

遗传算法是模拟自然界生物进化过程的计算模型。本文介绍了并行遗传算法的不同分类及不同并行策略，又将遗传算法分别与神经网络、模糊系统结合起来进行并行处理，并在曙光１０００系统上实现。算法分析表明，并行遗传算法可以有效地提高收敛速度。     

基于生态种群捕获竞争模型的进化遗传算法

将协同进化的思想运用到遗传算法，是对遗传算法的一大改进和拓展，借鉴此思想，提出了一种生态种群捕获竞争的协同进化模型和基于此模型的改进的进化遗传算法(PCGA)。实验结果表明，该算法在改善未成熟收敛和提高收敛速度方面都具有良好的性能。     

遗传算法的性能分析研究

回顾了遗传算法的理论研究状况,介绍了NoFreeLunch定理,描述了遗传算法的通用框架,构造了遗传算法的性能分析矩阵,并通过模拟实验分析了一系列遗传算法的性能.实验表明,这种评价算法性能的方法切实可行,可操作性好,具有一定的通用性.     

基于多目标遗传算法的工程资源优化配置

为了使工程资源能够在工程应用中最大程度的优化配置, 利用遗传算法模拟自然进化过程求得最优解的特点, 对遗传算法和多目标优化问题的理论基础和模式定理的进行了分析, 讨论了遗传算法在解决多目标优化工程资源问题过程中的优势, 最后将多目标遗传算法应用于具体工程资源配置实例予以实现. 仿真优化结果表明: 遗传算法在工程资源优化配置过程中更具有先进性, 可靠性和优化性.