用适应值激励机制提高遗传算法的效率

分析了传统遗传算法作为函数优化器在宏观进化机制上的局限性 ,讨论了群体的可进化性在函数优化中的作用。在此基础上提出在遗传算法中引入适应值激励机制 ,用它来动态地提高群体的可进化性。数值实验表明 ,带有适应值激励机制的改进遗传算法的搜索效率得到很大提高。     

多重群体遗传算法在多选择背包问题中的应用

在解决多选择背包问题中，引入了多重群体遗传算法作为求解方法，根据此问题的特点，制定了具体的杂交、变异方法，设计了遗传算法。在算法中以目标函数加惩罚函数为适应值评价函数，采用新陈代谢的跨世代选择策略，以更好地保持进化过程中的遗传多样性。实践表明，引入了多重群体遗传算法之后，求解此问题效率有明显的改善与提高。     

多重群体遗传算法在多选择背包问题中的应用

为了解决多选择背包问题,引入了多重群体遗传算法作为求解方法,根据此问题的特点而制定了具体的杂交、变异方法,设计了遗传算法。在算法中以目标函数加惩罚函数为适应值评价函数,采用新陈代谢的选择策略,以更好地保持进化过程中的遗传多样性。实践表明,引入了多重群体遗传算法之后,求解此问题效率有明显的改善与提高。     

自适应遗传算法

在遗传算法中约束条件贯穿于遗传运算的始终，这样必定影响运算效率。因为随着进化过程的进行，适应度较低的一些个体逐渐被淘汰，而适应度较高的个体越来越多，且都集中在最优点附近。基于遗传算法这种优胜劣汰的进化思想，该文提出一种改进的遗传算法——自适应遗传算法。其主要思想是在群体进化若干代后，将弱解空间删除，在以后的进化进程中以同样的群体大小只在强解空间进行群体的繁殖，则可加大强解空间的个体密度，提高解的精度，这样有助于性能优良的个体的产生，并且有可能缩短群体进化过程。将这种自适应遗传算法用于复杂函数的优化，算例结果表明该方法是有效和可靠的。     

基于适应值共享的多生境排挤遗传算法

针对优化多模函数时单纯使用共享和排挤机制的遗传算法所存在的缺陷,提出了基于适应值共享的多生境排挤遗传算法。基本思想是：按照共享的思想在对个体的适应值进行调整的同时,将排挤选择和相似个体中适应度最差个体被替换的策略分别应用于选择算子和群体的进化中。理论分析和数值实验表明,该算法很好地维持了种群多样性,对于各类多峰函数具有较强的搜索能力。     

基于进化个体适应值灰度的自适应交互式遗传算法

为将交互式遗传算法成功应用于复杂优化问题,有必要提高交互式遗传算法的性能。提出基于进化个体适应值灰度的交互式遗传算法,该算法采用灰度衡量进化个体的适应值评价不确定性;通过适应值区间的分析,提取反映进化种群分布的信息;基于此,给出了进化个体的交叉和变异概率。将该算法应用于服装进化设计系统,结果表明该算法在每代可以获取更多的满意解。     

元胞遗传算法的全局优化性能仿真分析

元胞遗传算法将遗传操作限制在邻域内进行,减缓了优势个体在群体中的扩散速度,具有更好的全局探索能力,在求解复杂优化问题中显示出优越性.与传统遗传算法对比,以选择压力作为分析手段,对元胞遗传算法进行定性分析.通过求解具有不同特征的函数,分析进化过程群体多样性变化.从进化过程群体分布图,直观得出元胞遗传算法具有较好的维持群体多样性能力;统计结果表明,元胞遗传算法能极大提高全局收敛率,并且求解稳定性更好.     

包含交叉和变异操作的交互式遗传算法

传统交互式遗传算法在优化隐式性能指标时会使用户产生疲劳,影响优化质量与优化效率。为此,提出一种改进的交互式遗传算法。采用二元排序确定适应值评价的不确定度,根据评价序列的最大信息差异计算种群的收敛率,通过收敛率衡量种群进化状态,基于适应值不确定度和种群收敛率设计自适应交叉算子和变异算子,给出交叉概率和变异概率的计算公式,利用包含用户偏好信息的遗传策略引导进化,从而使进化结果更加客观。将该算法应用于服装进化设计系统,结果表明,与传统交互式遗传算法( T-IGA)相比,该算法可获取更多的满意解,提高了优化效率。     

遗传算法的初步研究及改进后的遗传算法程序IGA1.0

遗传算法是近年来被广泛应用的一种非线性和并行算法。本文研究了几种改进遗传算法效率，提高搜索速度的方法，引入了两种变异的方法，并根据最大最小适应值的差值对适应值函数进行了修正，同时，对三种算子进行了重新安排以拓展搜索工在搜索过程中加入排序以提高杂交效率，同传统的遗传算法相 文的遗传算法没有使用固定的变异率和杂交率，而是让它们随着搜索过程中群体中的个体的重复情况改变，用经典的验证函数检验，这些改进提高     

基于选择压力的全局优化元胞遗传算法分析

元胞遗传算法将遗传操作限制在邻域内进行,减缓了优势个体在群体中的扩散速度,具有更好的全局收敛性,在求解复杂优化问题中显示出优越性。与传统遗传算法对比,以选择压力作为分析手段,对元胞遗传算法进行定性分析。通过求解具有不同特征的函数,分析进化过程群体多样性变化,从进化过程群体分布图,直观得出元胞遗传算法具有较好的维持群体多样性能力;从计算的统计结果,得出元胞遗传算法能极大提高全局收敛率,并且求解稳定性更好。