双群体伪并行差分进化算法研究及应用

为了提高差分进化算法的全局搜索能力和收敛速率,本文提出了一种双群体伪并行差分进化算法.该算法结合差分进化算法DE/best/2/bin变异方式局部搜索能力强、收敛速度快,和DE/rand/1/bin变异方式全局搜索能力强、鲁棒性好的特点,采用串行算法结构实现并行差分进化算法独立进化、信息交换的思想.为使初始化个体均匀分布在搜索空间,提高算法收敛到全局最优解的鲁棒性,提出了一种基于平均熵的初始化策略.典型Benchmarks函数测试和非线性系统模型参数估计结果表明,该方法能显著提高算法的收敛速率和全局搜索能力.     

用于全局优化的混合正交遗传算法

为提高正交遗传算法收敛速度和搜索精度,在正交遗传算法的基础上引入局部搜索策略,提出一种新的聚类局部搜索算子。利用正交算子初始化种群,保证初始群体分布的均匀性和多样性。通过正交算子在全局范围内进行全局搜索,使算法能在全局范围内收敛。采用聚类局部搜索算子对群体进行局部搜索,以增强算法的收敛速度和搜索精度。对7个高维的Benchmark函数进行测试,仿真实验结果表明,与其他算法相比,该算法具有更好的搜索精度、收敛速度和全局寻优的能力。     

一种基于有性繁殖的遗传算法

为了更有效地抑制标准遗传算法 (SGA)中的早熟收敛现象和提高收敛速度 ,提出了一种基于有性繁殖的遗传算法 .该算法借鉴了自然界最常见的有性繁殖现象 ,首先将每个个体编码为配对的双染色体码串 ,并增加性别染色体编码 ,以建立遗传个体的性别特征 ;然后 ,通过建立有性遗传进化算子来对不同性别的个体赋予不同的进化控制参数 ,以使得雄性个体具有较强的全局探索能力 ,而使雌性个体具有较强的局部快速寻优能力 ,最后通过建立对应的有性遗传交叉、变异算子 ,使得这种基于有性繁殖的遗传算法具有更强的全局寻优能力和快速收敛能力 .用该算法对一系列典型函数和其他优化问题进行了优化计算试验 ,结果证明 ,该算法不易陷入早熟收敛 ,且全局搜索能力和局部搜索能力平衡较好 ,收敛速度快 ,同时也验证了这种基于有性繁殖的遗传算法的有效性和优良性能 .     

粒子群与多种群元胞遗传混合优化算法

元胞遗传算法通过限定个体之间的相互作用邻域提高算法的全局收敛率,但在一定程度降低搜索效率。文中提出一种粒子群与多种群元胞遗传混合优化算法。首先将群体分割成多个相互之间没有邻域关系的元胞子种群,适度降低算法的选择压力,从而更好地保持种群的多样性。算法的变异操作被粒子群算法替代,使得局部搜索能力明显提高。元胞群体分割和粒子群变异较好地均衡全局探索和局部寻优之间的关系。分析混合算法的选择压力和多样性变化规律。实验结果表明,该算法在保证搜索效率较高的同时还显著提高元胞遗传算法的全局收敛率且稳定性得到明显改善。     

一种多策略结合的改进文化算法

为了更有效地抑制文化遗传算法的早熟收敛现象和提高收敛速度,提出了一种多策略结合的文化遗传算法。该算法在信念空间,使用与文化算法不同的接受函数、影响函数和更新函数,在群体空间,针对种群采取多种群化,并采用自适应的交叉变异操作且多种群之间加入竞争机制的遗传算法,这样使得改进后的算法具有更强的全局寻优能力和局部寻优能力,有效避免陷入局部最优,抑制了早熟收敛,提高了收敛效率。用上述算法对几个典型函数进行优化,实验证明了多种群自适应的文化遗传算法的有效性和可行性,新的算法不易陷入早熟收敛,此外全局搜索能力和局部搜索能力得到有效平衡,收敛率高。     

一种改进的遗传聚类算法

给出了一种改进的基于遗传算法的聚类方法。传统的K-means算法局部搜索能力强,但是对初始化比较敏感,容易陷入局部最优值。基本的基于遗传算法的聚类算法是一种全局优化算法,但是其局部搜索能力较差,收敛速度慢。针对这两个方法所存在的问题,提出了一种改进的聚类算法。该方法结合了两个方法的优点,引入了K-means操作,再用遗传算法进行优化,并且在该方法中改进了遗传算法中的交叉算子,大大提高了基于遗传算法的聚类算法的局部搜索能力和收敛速度。     

基于蜂群遗传算法的0-1背包问题

针对0-1背包问题,本文提出了基于蜂群遗传算法的优化求解方案。该算法包括两个种群,一个主要用于全局搜索,另一个主要用于局部搜索;每个个体采用二进制编码;采用最优个体交叉策略;对当前解的处理措施是将还未装入背包且性价比最好的物品装进背包,直至不能装为止;不符合约束条件的解采用诱变因子指导变异处理;遗传算子包括单点交叉算子、简单变异算子、主动进化算子和抑制算子。本算法充分发挥了遗传算法的群体搜索和全局收敛的特性,快速地并行搜索,有效地克服了经典遗传算法容易陷入局部最优问题。数值实验表明,该算法在求解0-1背包问题中取得了较好的效果,同样可以应用于其它的组合优化问题。     

一种基于全局协同与局部进化的遗传算法

改进了协同进化遗传算法中的协同操作,提出了一种基于全局协同与局部进化的两层框架模型和基于此模型改进的遗传算法（GCLEGA）,在高层,采用基于邻域的局部进化算法,旨在加强局部搜索,加速收敛速度,在底层,采用改进的多种群协同进化算法,旨在改善群体的多样性,克服未成熟收敛,两层之间通过提升操作关联,使全局搜索与局部搜索、全局收敛性与收敛速度有机地统一了起来。实验结果显示,GCLEGA在改善未成熟收敛和提高收敛速度两方面都具有良好的性能。     

一种基于密度聚类的小生境差分进化算法

针对基本差分进化算法早熟收敛的缺陷,提出了一种基于密度聚类的小生境差分进化算法。该算法基于DE/rand/2/bin变异方式全局搜索能力强、鲁棒性好和DE/best/2/bin变异方式局部搜索能力强、收敛速度快的特点,首先初始化一个没有子种群的全局种群,再在全局种群中采用DE/rand/2/bin进行迭代搜索,并对其中的个体进行聚类,当聚类簇中的个体数目达到规定的最小规模时形成一个小生境子种群,然后在各子种群中采用改进的DE/best/2/bin进行迭代搜索并重新进行聚类,从而提高进化过程中种群的多样性,增强算法跳出局部最优的能力。仿真实验表明,该方法能显著提高算法的收敛速度和全局搜索能力,有效避免早熟收敛。     

基于K-Means变异算子的混合遗传算法聚类研究

遗传算法具有良好的全局搜索能力,但有过早收敛和过慢结束的缺点。K-Means算法具有很强的局部搜索能力,但算法有对初始聚类中心敏感而易陷入局部最优解。针对上述问题,提出了基于K-Means变异算子的混合遗传算法聚类,将K-Means算法的局部搜索能力与遗传算法的全局寻优搜索能力相结合,在遗传算法中引入K-Means变异算子,采用符号编码、自适应变异、最优个体保留策略的混合遗传算法。仿真实验表明,该算法有效克服了遗传算法过慢收敛和K-Means算法陷入局部收敛的问题,从而得到更好的聚类效果。