一种基于混沌领域搜索的自适应遗传算法*

提出一种基于混沌领域搜索的自适应混沌遗传算法,该方法在遗传进化的过程根据种群相对多样性对每代个体引入混沌领域方法搜索有效基因,并有效地结合遗传算法善于全局优化和混沌局部搜索能力强等特点。计算结果表明,该算法可以显著提高计算效率,具有较大的实用价值。     

基于动态入侵的自适应遗传算法研究

根据生物入侵的思想,将入侵的概念引入到遗传算法中,提出了一种新的基于动态入侵自适应遗传算法。在选择操作结束后,根据当前的种群类型自适应调整入侵率;根据种群所属的种群类型和种群的平均适应度值,确定染色体交叉概率;根据个体的所属类型和变异基因位置自适应调整变异概率。最后将该算法应用到函数优化问题,实验结果表明,改进后的算法在种群的多样性,收敛速度以及算法效率方面有了一定的改进。     

求解带时间窗车辆路径问题的混沌遗传算法

针对遗传算法随机性大、末成熟收敛等缺点,提出了将混沌搜索技术和遗传算法相耦合的混沌遗传算法来求解带时间窗的物流配送车辆路径问题(VRPTW)。该算法将混沌变量映射到优化变量的取值范围中,把得到的混沌变量进行编码生成初始种群,然后在遗传操作进行之后对优秀个体增加混沌扰动,促进种群的进化收敛速度,得到最优解。实例计算结果与其他算法比较表明,该算法在求解VRPTW问题时,搜索效率高,能以较快的速度收敛于全局最优解,为求解VRPTW问题提供了一种新方法。     

粒子群优化算法的收敛性分析及其混沌改进算法

分析了粒子群优化算法的收敛性,指出它在满足收敛性的前提下种群多样性趋于减小,粒子将会因速度降低而失去继续搜索可行解的能力;提出混沌粒子群优化算法,该算法在满足收敛性的条件下利用混沌特性提高种群的多样性和粒子搜索的遍历性,将混沌状态引入到优化变量使粒子获得持续搜索的能力.实验结果表明混沌粒子群优化算法是有效的,与粒子群优化算法、遗传算法、模拟退火相比,特别是针对高维、多模态函数优化问题取得了明显改善.     

基于混沌遗传算法的组播路由优化研究?

在采用混沌遗传算法优化多目标QoS组播路由时,为克服Logistic映射收敛速度不快,而使传统混沌遗传算法优化效果不好的缺陷,将Tent混沌遗传算法引入QoS组播路由问题的求解中。该算法利用Tent混沌映射优越的区间均匀搜索能力,对通过遗传优选出的个体再次进行混沌优化,优化出适应度最高的个体进行交叉变异,从而保证足够多的下一代,以致算法不会陷入早熟。仿真结果表明,该算法优于Logistic混沌遗传算法,有效地改进了搜索效率,且收敛速度更快、更稳定。     

基于遗传理论的复杂网络模糊聚类算法

研究基于模糊聚类的遗传算法应用于复杂网络社区挖掘,该算法将聚类融合引入到交叉算子中,利用父个体的聚类信息产生新个体,避免了传统交叉算子单纯交换字符串而忽略聚类内容所带来的问题。该算法采用混沌序列策略进行种群生成,使初始种群中的个体具有一定聚类精度并有较强的多样性,并将局部搜索机制用于变异算子,有效地缩小搜索空间,加快算法收敛速度。该算法与当前具有代表性的社区挖掘算法进行比较,并在仿真网络和现实网络上验证测试,实验结果表明了该算法的可行性和有效性。     

一种改进的混沌优化算法

为了克服遗传算法的早熟现象以及混沌优化的搜索时间过长的缺点,将遗传算法、混沌优化和变尺度方法相结合,提出了一种改进的混沌优化算法.该算法利用混沌的随机性、遍历性和规律性来避免陷入局部极小值,从而也克服了遗传算法中的早熟现象,同时引入了变尺度方法提高该算法的搜索速度.本文还给出了算法的收敛性分析.对典型测试函数的仿真结果表明此算法优于变尺度混沌优化和遗传算法.     

优化的变尺度混沌遗传算法

混沌优化算法和遗传算法的结合产生了变尺度混沌遗传算法（MSCGA）。该算法在不改变GA搜索机制的同时,根据搜索进程,不断缩小优化变量的搜索空间及调节系数,引导种群进行新一轮进化,从而产生更优的最优个体,改善了GA的性能。但是通过分析其本质,发现其中存在很大的重复性操作,没有考虑它们之间在优化过程中的某种相似之处。文章中对此算法进行讨论并对其进行优化。计算机仿真表明：优化后的算法具有更好的快速寻优能力。     

混沌蜜蜂双种群进化遗传算法

利用混沌运动的遍历性、随机性和规律性等特点,提出混沌蜜蜂双种群进化遗传算法。该算法在基于蜜蜂双种群进化遗传算法的基础上,利用混沌优化进行改善初始种群质量和利用混沌退化变异算子代替常规算法中的变异算子,避免搜索过程陷入局部极值。实验结果表明,该算法计算速度快、收敛性好,提高了常规遗传算法的收敛速度和优化效果。     

一种基于混沌迁移的伪并行遗传算法及其应用

为了解决遗传算法寻优过程中的早熟收敛问题 ,本文提出了一种基于混沌迁移策略的伪并行遗传算法 ,该算法针对实时性要求不高的优化问题采用串行的算法结构实现分解型并行遗传算法的“独立进化、信息交换”思想 .在并行进化的个体异步迁移过程中 ,引入了混沌迁移序列引导个体迁移过程 ,利用其遍历性和随机性 ,保证了子种群之间能够进行充分高效的信息交换 .仿真研究和在库存优化方面的应用研究表明 ,这种算法具有很强的全局搜索能力 ,寻优效率高 ,有效克服了标准遗传算法的早熟收敛问题 .     

多峰值全局优化的混合算法

根据遗传算法在较小的可行区域内一般有较好的求解结果这一事实,提出了一种混合算法。该算法先利用区间算法求解全局优化问题来得到包含所有最优解的小区间,随后运用遗传算法进行后续过程。算法能够有效缩小一个较大的可行区域空间,提供高适应值的初始种群,求出多峰值问题的全部最优解,提高算法的求解精度同时避免陷入局部最优。最后数值实验说明了算法的有效性。     

融合云模型和反向学习的克隆选择算法

为了进一步改善高维对象优化时免疫克隆算法的种群多样性,提高算法全局优化能力和搜索效率,提出了融合云模型和反向学习的克隆选择算法。引入云模型概念,使用正向云发生器产生云变异因子,进而对克隆后种群进行变异;利用反向学习策略,对变异前后的种群求反向解,进而实现种群抗体选择;通过马尔可夫链理论证明了算法收敛性。六组高维函数测试结果表明,与差分遗传算法、免疫遗传算法和自适应混沌克隆选择算法相比,该算法实现了100%的寻优,且最小收敛代数、平均收敛代数及迭代代数标准差分别平均减少33.7%、19.8%、29.1%,从而验证了其强优化能力、高搜索效率和好稳定性。     

基于遗传算法的肝脏CT图像分割算法研究

遗传算法是一种基于生物选择与遗传机制所形成的一种全局优化、随机搜索算法,对处理一些传统搜索算法解决有难度的复杂问题比较适合,具有巨大发展潜力。论文首先介绍了遗传算法的基本原理以及它的主要特点和性质,重点叙述了基于遗传算法的图像分割方法,并通过应用遗传算法选取合适的阈值,进而采用最大熵原则对人体肝脏CT图像进行了分割算法处理,得到图像分割处理的实验结果,并对实验结果进行了分析。     

一种基于累积适应度遗传算法的SVM多分类决策树

针对基于遗传算法(Genetic Algorithm, GA)的支持向量机(Support Vector Machine, SVM)多分类决策树算法(GA-SVM)中全局优化缺陷的问题,通过重新定义遗传适应度函数(fitness),提出一种累积适应度(cumulative fitness),进而衍生出新算法CFGA-SVM。该算法从根节点开始逐层构造二叉树,首先对根节点基因实值编码,通过基因分裂操作产生子代种群,然后利用累积适应度筛选出新的种群,筛选出的种群并不一定是当代局部最优,但一定是所得二叉树中全局最优,从而提高分类精度,最后以此循环直至算法结束。通过在UCI的Artificial Characters数据集上的实验结果表明：CFGA-SVM较之DT-SVM与GA-SVM算法在全局优化能力、分类精度上有明显提高,进而验证了该算法的可行性与有效性,可在大规模样本的分类应用中推广。     

混沌遗传算法及其在函数优化中的应用

将混沌优化和遗传算法结合起来,提出了混沌遗传算法(CGA,Chaos Genetic Algorithm),并将其应用于函数优化问题的求解。通过在种群进化的不同阶段引入混沌优化操作,大大提升了遗传算法的整体性能。实验结果表明,与标准遗传算法(SGA)相比,该算法能更有效地求得全局最优解,具有更快的收敛速度。     

基于遗传粒子群算法的飞行冲突解脱

飞行冲突解脱是空中交通流量控制与优化调度中的难点。针对遗传算法求解多机飞行冲突存在搜索速度慢、易陷入局部最优与早熟收敛的问题,提出一种遗传粒子群算法解决多机飞行冲突。该算法综合遗传算法的全局搜索能力和粒子群算法的记忆功能与快速收敛特性,能够有效地解决遗传算法求解飞行冲突存在的不足。仿真验证了该算法能够得出较好的结果,无论是在搜索速度还是在求解精度上都有明显的提高。     

基于云控制的混沌多种群自适应遗传算法

针对传统遗传算法存在的早熟收敛现象,提出一种基于云控制的混沌多种群自适应遗传算法。该算法兼顾全局性和个体差异性两方面平衡,通过云控制器实现交叉率和变异率的自适应调节。在种群正常进化时,对个体实行惩强扶弱措施,在发生早熟收敛或有早熟收敛趋势时,对劣质个体实行灾变,同时采用多种群优化机制实现种群之间的同步进化。实验结果表明,与标准遗传算法和自适应遗传算法相比,该算法能够有效地避免早熟收敛问题,具有较高的收敛效率。     

基于改进遗传模拟退火算法的WSN路径优化算法*

为了更好地解决无线传感器网络（WSN）数据传输的路径优化问题,降低数据传输的能量消耗,提出了一种基于改进遗传模拟退火算法（SAGA）的WSN路径优化算法。首先根据优化目标建立数学模型,然后设计了种群的编码方式,并对遗传算法中的适应度函数、交叉算子、变异算子进行改进,使算法能够更加有效地避免陷入局部搜索;接着根据旧种群和新种群每个对应个体的不同进化程度提出了一种新的Metropolis准则,使模拟退火算法的跳变更具有规律性。实验结果显示：与其它路径优化算法相比,该算法不仅能生成更节能的数据传输路径,而且优化时间也大大降低。所以该算法是一种高效的路径优化算法。     

基于黄金莱维引导机制的阿基米德优化算法

针对标准阿基米德优化算法（AOA）在求解优化问题时存在全局探索能力弱、收敛速度慢和求解精度低等问题,提出一种多策略阿基米德优化算法（MSAOA）。首先,利用变区间初始化策略,使得初始种群尽可能地靠近全局最优解,从而提高初始解的质量;其次,提出黄金莱维引导机制,以提高算法在迭代后期的种群多样性;最后,在维持种群多样性的前提下,引入自适应波长算子,以达到提高算法搜索效率的目的。将所提算法与均衡器算法（EO）、正余弦算法（SCA）以及灰狼优化算法（GWO）在20个基准测试函数上进行比较实验。实验结果表明,所提算法具有更高的寻优精度和收敛速度,并将所提算法应用于4个机械设计实例中,再次验证了所提算法的有效性和优越性。     

基于改进细菌觅食算法的测试用例生成方法

针对测试用例自动化生成技术中效率较低的问题,尝试引入新的细菌觅食算法,并结合测试用例生成问题提出了一种基于细菌觅食算法的改进算法（IM-BFOA）。IM-BFOA首先采用Kent映射来增加细菌的初始种群和全局搜索的多样性,其次针对算法中趋化阶段的步长进行自适应设计,使其在细菌趋化过程中更加合理化,并通过实验仿真验证其合理性,最后根据被测程序构造适应度函数来加速测试数据的优化。实验结果表明,与遗传算法（GA）、粒子群优化（PSO）算法和标准细菌觅食优化算法（BFOA）相比,该算法在保证覆盖率的前提下,在迭代次数和运行时间方面都是较优的,可有效提高生成测试用例的效率。