改进型遗传算法及其性能分析

本文受模拟退火技术的启发引入了一种新的改进型遗传算法,在二进编制编的基础上,研究了交叉位置等概率选取交叉操作的不利影响。在此基础上提出了一种每个基因位叉概率自适应变化的新的交叉操作模拟结果表明,新算法的收敛性能远远高于标准遗传算法。     

用改进的遗传算法训练神经网络构造分类器

针对基本遗传算法存在容易早熟和局部搜索能力弱等缺陷，提出了改进的遗传算法，引入交叉概率和变异概率与个体的适度值相联系，改进了操作算子，而且在交叉操作后又引入模拟退火机制，提高遗传算法的局部搜索能力。同时，用改进的遗传算法和基本的遗传算法训练神经网络构造分类器，实验结果表明，改进的遗传算法在最好个体适度值和最好分类准确性等方面性能更好。     

基于距离测度的改进自适应遗传退火算法

交叉操作和变异操作是遗传算法的两种基本操作,遗传算法的收敛速度在很大程度上与交叉概率和变异概率的选取以及交叉个体的配对策略有关.本文提出一种基于距离测度的改进自适应遗传退火算法,根据个体的距离密集度自适应地确定其交叉概率和变异概率.算法采用非等概率交叉配对策略,根据两个个体之间的距离自适应地确定交叉配对概率.此外,算法引入模拟退火机制,在遗传进化过程中的每一代,对最优个体进行邻域局部寻优,利用模拟退火进一步改善算法的收敛性能.对带边界约束函数优化问题进行了仿真计算,结果表明了该算法的有效性.     

改进遗传算法在汽车悬架系统中的应用

本文应用遗传算法模式理论，采用灰度编码，给出模式交叉、模式变异操作的定义，并提出一种新的改进遗传算法。该算法使交叉、变异操作有机结合，避免了交叉概率和变异概率的主观选择，具有收敛速度快，迭代次数少且不易陷入局部最优等优点。最后使用该方法对33自由度的汽车悬架多体模型进行实例分析并和传统优化方法、标准遗传算法和小生境遗传算法进行比较，结果明显优于其它方法。     

基于模式定理的遗传算法交叉和变异概率上限

基于模式定理的推广形式，给出含有选择、交叉操怍遗传算法一致交叉概率的上限，以及含有选择、交叉和变异操作遗传算法单点变异和一致变异概率的上限，分折了含有联赛选择、一致交叉操作遗传算法运行前期和后期对优良模式的影响，并用8位陷阱函数验证了上述结论的正确性，该结果可用于指导遗传操作与控制参数的设计。     

遗传算法交叉和变异操作的模糊优化

该文针对遗传算法存在的问题,在总结了有关交叉和变异操作的启发性知识的基础上,给出了交叉概率、交叉点位置和变异概率的模糊优化规则,提出了一种新的基于模糊控制器的遗传算法(FCGA)。对三个函数的优化结果表明:FCGA不仅能够有效克服早熟收敛,而且提高了算法的收敛速度。     

CRGA--一种基于保留全局公共模式和约束交叉位置的遗传算法

提出了一种基于保留全局公共模式和约束交叉位置的遗传算法CRGA，该算法解决了标准交叉算子容易破坏高阶、长而好的模式及其在相似个体之间低效的问题，CRGA通过对适应度高于群体平均适应度的个体模式基因值的统计来估算父个体基因值在子个体中保留的概率，从而达到对高阶、长而好的模式的保护；同时通过约束交叉位置，保证了交叉操作一定能产生新个体．实验结果表明，CRGA算法在收敛精度和收敛速度上都要明显优于基于标准交叉算子的遗传算法．     

改进的自适应遗传算法求解0/1背包问题

为提高遗传算法求解问题的性能,提出一种改进的自适应遗传算法,该算法在交叉概率和变异概率公式中引入了当代迭代次数因子,提出了基因差别比例（Ca）的概念。Ca越大的基因位发生交叉、变异的概率越大,产生新个体的可能性越大;在模式生成操作中,确定基因位的选取同样由Ca决定。仿真结果表明,此算法在求解0/1背包问题时,其寻优能力有很大提高。     

遗传算法在森林防火预警网络中的应用

将遗传算法进行改进并应用于无线传感网络的优化设计中,根据森林的实际环境建立合适的数学模型,并在此基础上给出适应度函数和传感器网络的组网策略.当有异常情况发生,能够准确及时的发出警报,并发出位置信息.针对遗传算法容易进入局部最优解的误区,把模拟退火算子加入遗传算法,同时基于以往的交叉概率和遗传概率的选取不当给寻优结果带来...     

模糊自适应遗传算法及其性能分析

遗传算法是应用比较广泛的一种随机优化算法,而交叉和变异是两个关键操作,本文针对遗传算法在应用过程中叉交概率和变异概率所存在的问题提出一种模糊自适应遗传算法,新算法利用模糊系统技术来自适应估计交叉概率和变异概率,最后,通过多峰函数优化问题的仿真结果证明了算法的实用性和有效性。     

Optimisation With Real-Coded Genetic Algorithms Based On Mathematical Morphology

The goal of this work is to propose a novel approach to function optimisation by evolutionary techniques, in particular, real-coded genetic algorithms. A new genetic crossover operator, suitable for real codification, has been designed. This operator is called morphological crossover as it is based on mathematical morphology theory. The morphological crossover includes a new genetic diversity measure that has low computational cost. This operator is presented along with the resolution of a set of optimisation problems, including neural network training. The results are compared to other optimisation approaches as gradient descent methods or binary and real-coded genetic algorithms using different crossover operators. These tests show that the properties exhibited by the proposed operator when using real-coded genetic algorithms give higher convergence speed and less probability of being trapped in a local optimum.     

求解度约束最小生成树的新的遗传算法

针对度约束最小生成树问题的特征,设计了一种新的编码方式,并在此基础上提出了一个新遗传算法来求解该问题。该算法采用新的启发式杂交算子、变异算子和局部搜索算子,以概率1收敛到全局最优解。数值实验表明该算法优于文中提出的其他4种算法。     

混合正交遗传算法及其在函数优化上的应用

在分析和研究正交遗传算法的基础之上,依据混合优化策略及混合遗传算法的构造原则,通过对自适应正交局部搜索算子的改进提出了一种新的变异算子。该算子具备自适应全局搜索和局部搜索的能力,能够保证算法的变异概率取值为1.0时,算法的搜索效率最高;结合正交交叉算子之后,又能保证算法的交叉概率也取值为1.0时,算法的搜索效率最高;由此解决了交叉概率和变异概率参数的匹配问题。而使用的截断选择和负相关配对、最优交叉策略、精英选择和重复个体剔除策略等组合算子,一方面能够保证算法的收敛速度;另一方面也能有效地保持种群的多样性,这样在保证算法快速收敛的同时避免出现早熟现象;由此解决了＂全局最优＂和＂快速收敛＂的矛盾。因此,提出的改进型新算法在处理一些常用的测试函数上具有较高的效率。     

一种新的基于遗传操作的改进型遗传算法

交叉与变异是遗传算法的重要操作,提出了一种新的基于遗传操作的改进型遗传算法.采用最优保留和改进的轮盘赌选择方法,通过基因交叉概率控制交叉,根据高斯分布改进了交叉算子和变异算子,保证了算法的全局搜索能力、局部搜索能力及收敛速度.通过标准函数的数值实验,验证了新算法的有效性.     

应用改进的遗传算法求解TSP问题

旅行商问题,也称货郎担问题,属于完全NP问题,而遗传算法在解决组合排列问题方面占有很重要的地位.针对TSP问题,提出了一种改进的遗传算法.利用交换启发交叉算子和可变交叉概率实现局部搜索,加快算法的收敛速度,利用变换变异算子和可变变异概率维持群体的多样性防止算法早熟收敛.Java仿真实验结果表明,改进后的算法明显优于传统的遗传算法,说明该算法具有良好的有效性和可行性.     

Theoretical analysis of evolutionary algorithms with an infinitepopulation size in continuous space. Part II: Analysis of thediversification role of crossover

For pt. I see ibid., p. 102-19. In this part of the paper the authors concentrate on the unique diversification role of the crossover operator in genetic algorithms. The explorative behavior of a generic crossover operator is revealed through a detailed large-sample analysis. Recursive equations for the population distributions are derived for a uniform crossover operator in multi-dimensional continuous space, showing how the crossover operator probes new regions of the solution space while keeping the population within the feasible region. The results of this analysis can be extended to the setting of a discrete space in a straightforward manner, shedding much light on the understanding of the essential role of crossover in genetic algorithms.     

浮点遗传算法中一种新的杂交算子

为了提高浮点遗传算法在优化计算时向最优解收敛的速度, 提出了一种新的遗传算子 :代间差分杂交算子. 通过应用于非线性参数估计的仿真计算, 表明了这种杂交算子的有效性及其相对于普通杂交算子的优点.     

Evolution of Appropriate Crossover and Mutation Operators in a Genetic Process

Traditional genetic algorithms use only one crossover and one mutation operator to generate the next generation. The chosen crossover and mutation operators are critical to the success of genetic algorithms. Different crossover or mutation operators, however, are suitable for different problems, even for different stages of the genetic process in a problem. Determining which crossover and mutation operators should be used is quite difficult and is usually done by trial-and-error. In this paper, a new genetic algorithm, the dynamic genetic algorithm (DGA), is proposed to solve the problem. The dynamic genetic algorithm simultaneously uses more than one crossover and mutation operators to generate the next generation. The crossover and mutation ratios change along with the evaluation results of the respective offspring in the next generation. By this way, we expect that the really good operators will have an increasing effect in the genetic process. Experiments are also made, with results showing the proposed algorithm performs better than the algorithms with a single crossover and a single mutation operator.     

求解TSP的启发式顺序交叉算子

旅行商问题是经典的NP难组合优化问题之一.在用遗传算法求解旅行商问题时,顺序交叉算子是一种较为常用的遗传交叉算子.使用顺序交叉算子时的交叉点位置是随机指定的,不能反映关键遗传信息,导致算法执行效率较低.在顺序交叉算子的基础上,提出了一种启发式顺序交叉算子.该算子结合顺序交叉算子和启发式算法以得到双亲中交叉点位置,保留了双亲中关键的城市顺序信息.该算子改善了使用顺序交叉算子执行效率低的问题.实验结果表明了该算子的有效性.