浮点数编码小生境遗传算法的研究

小生境在增加遗传算法群体的多样性，提高遗传算法的局部搜索能力方面具有良好的性能。迄今为止，有关小生境遗传算法的研究都是基于二进制编码，缺乏以浮点数编码为研究对象的相应成果。而浮点数编码在提高遗传算法的性能和遗传算法的推广应用中，具有其它编码所无法比拟的优势。本文以浮点数编码为研究对象，研究小生境遗传算法的机理，分析在遗传操作中小生境的生成、合并和分离的动态过程，探索其方法。本文的研究和实验结果表明，浮点数编码小生境遗传算法的性能是可靠的，方法是可行的。     

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。     

浮点数编码遗传算法及其在电站机组组合优化中的应用

对遗传算法进行浮点数编码并设计相应的遗传操作,得到浮点数编码的遗传算法ＦＧＡ。仿真实例表明：与ＡＧＡ相比,ＦＧＡ不易陷入局部极值,收敛速度快,且能得到较高的优化精度。ＦＧＡ应用到电站机组组合优化问题中,得到良好的结果。     

一种基于矩阵遗传算子的优化组合遗传算法

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码具有对搜索空间表示精细、容易位值计算的特点,提出矩阵遗传算子,实现群体性对样本空间探索,从而增强遗传算法的全局搜索性能,与具有良好局部搜索性能的遗传算子组合应用,构造了基于矩阵遗传算子的优化组合遗传算法,保证了算法的全局收敛性.实验结果表明,该算法具有更好的整体寻优能力,对利用基于二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义.     

遗传算法采用进化方向算子的几种策略

提出了采用实数编码情况下应用进化方向算子的几种策略，包括单亲进化方向算子、双亲进化方向算子以及无轮盘赌选择的双亲进化方向算子策略，并进行了数值仿真。仿真结果表明，灵活使用方向进化算子以及遗传操作可大大提高遗传算法的全局搜索能力。     

基于阀值逆序算子的优化组合遗传算法

针对遗传算法局部搜索能力差的缺点，模拟生物染色体中基因排列的有序性，对阀值逆序算子进行了研究，它与传统逆序算子相比，能较好地提高群体性能提高，减少了对种群多样性的破坏，改善了遗传算法的局部搜索性能，与具有全局搜索性能好的遗传算子组合，弥补了阀值逆序算子对全局搜索性能的影响，构造了一种基于阀值逆序算子的优化组合遗传算法。从理论上证明了该算法的收敛性，实验结果表明，该优化组合算法具有更好的寻优能力，对应用串型编码的遗传算法解决一般的优化问题时，具有很好的借鉴意义，阀值可根据求解问题特征和局部搜索强度而选定。     

混流车间调度问题的多对染色体遗传算法求解

混流车间调度问题有很强的工程背景，一直是调度领域的研究热点。针对简单遗传算法在求解混流车间调度问题时存在的早熟收敛和易陷入局部极值点的现象，提出了多对染色体遗传算法。多对染色体提供了保留低适应度个体中的有用的染色体的功能，这一染色体构成最优解的部分染色体，以增强算法的搜索能力，提高搜索精度；连锁互换交叉算子可以增加个体的多样性，扩展解的搜索空间，进而增强算法的抗早熟能力。仿真实验表明，多对染色体遗传算法比简单遗传算法提高了全局收敛性能，是解决混流车间调度问题的有效方法。     

一种多搜索策略的多生物序列比对自适应遗传算法

多生物序列比对是用来计算生物序列间相似性的重要工具，本文在引入熵来度量种群多样性的基础上，提出了一种多搜索策略的自适应遗传算法，其交叉和变异概率随着熵的变化进行自动调整，并且综合考虑了利用动态规划算法来设计遗传操作算子．实验结果表明，这个算法具有较强的全局搜索能力和局部搜索能力，并且能有效的克服未成熟收敛问题．     

求解全局优化问题的混合智能算法

把序列二次规划作为遗传算法的一个局部搜索算子,嵌入到实数编码遗传算法中,构成一种基于序列二次规划和实数编码遗传算法的高效的混合智能算法。该方法充分利用序列二次规划法的强局部搜索能力和遗传算法的全局收敛性,使得混合算法的全局收敛性得到改善并且减少了计算量。数值实验结果表明,混合算法是高效可靠的。     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能,对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

Nonlinear inversion of potential-field data using a hybrid-encoding genetic algorithm

Using a genetic algorithm to solve an inverse problem of complex nonlinear geophysical equations is advantageous because it does not require computer gradients of models or “good” initial models. The multi-point search of a genetic algorithm makes it easier to find the globally optimal solution while avoiding falling into a local extremum. As is the case in other optimization approaches, the search efficiency for a genetic algorithm is vital in finding desired solutions successfully in a multi-dimensional model space. A binary-encoding genetic algorithm is hardly ever used to resolve an optimization problem such as a simple geophysical inversion with only three unknowns. The encoding mechanism, genetic operators, and population size of the genetic algorithm greatly affect search processes in the evolution. It is clear that improved operators and proper population size promote the convergence. Nevertheless, not all genetic operations perform perfectly while searching under either a uniform binary or a decimal encoding system. With the binary encoding mechanism, the crossover scheme may produce more new individuals than with the decimal encoding. On the other hand, the mutation scheme in a decimal encoding system will create new genes larger in scope than those in the binary encoding. This paper discusses approaches of exploiting the search potential of genetic operations in the two encoding systems and presents an approach with a hybrid-encoding mechanism, multi-point crossover, and dynamic population size for geophysical inversion. We present a method that is based on the routine in which the mutation operation is conducted in the decimal code and multi-point crossover operation in the binary code. The mix-encoding algorithm is called the hybrid-encoding genetic algorithm (HEGA). HEGA provides better genes with a higher probability by a mutation operator and improves genetic algorithms in resolving complicated geophysical inverse problems. Another significant result is that final solution is determined by the average model derived from multiple trials instead of one computation due to the randomness in a genetic algorithm procedure. These advantages were demonstrated by synthetic and real-world examples of inversion of potential-field data.     

遗传算法的编码机制研究

对遗传算法中的编码机制了研究，分析了二进制与十进制编码在搜索能力和保持种群稳定性上的区别。仿真结果证实了该结论。     

基因-表现型的布谷鸟算法求解旅行商问题

布谷鸟搜索（Cuckoo Search,CS）算法在求解连续优化问题时表现出了较好的性能,但现有的CS算法在求解旅行商问题（Traveling Salesman Problem,TSP）时收敛较慢且未能体现Levy飞行的特点,针对这些不足提出了一种新的基因-表现型的布谷鸟算法（Genotype-Phenotype Cuckoo Search,GPCS）,GPCS算法首先赋予每个城市一个整数部分为城市编号的随机小数编码即基因,而此基因所表现的内容由小数和整数共同决定,小数决定城市的访问次序,整数部分代表某个城市,两个部分组合起来构成Levy飞行的邻域空间,最后根据不同的飞行结果选择重定位或替换操作。实验结果表明,GPCS算法优于同类的CS算法,也优于一些其他的群智能算法,特别在求解大规模TSP时其优势更加明显。     

一种新的路径编码机制在移动机器人路径规划中的应用

针对基于遗传算法的移动机器人路径规划,本文提出了一种新的定长十进制路径 编码机制．首先,将移动机器人所处环境中的障碍物表示成多边形的形式,并对各障碍物顶 点用十进制进行任意编号,然后将移动机器人的路径编码成定长为所有障碍物顶点个数之和 的十进制染色体串．串中,非零位上的十进制值表示路径经过了相应编号的顶点,各顶点在 串中的顺序就是它们在路径中的顺序．此编码方式克服了已有的变长编码机制及定长二进制 编码机制需特殊遗传操作算子和特殊解码的缺陷,使得算法更加简单有效．     

Improved genetic algorithm based on multi-layer encoding approach for integrated process planning and scheduling problem

Integrated process planning and scheduling (IPPS) is of great significance for modern manufacturing enterprises to achieve high efficiency in manufacturing and maximize resource utilization. In this paper, the integration strategy and solution method of IPPS problem are deeply studied, and an improved genetic algorithm based on multi-layer encoding (IGA-ML) is proposed to solve the IPPS problem. Firstly, considering the interaction ability between the two subsystems and the multi-flexibility characteristics of the IPPS problem, a new multi-layer integrated encoding method is designed. The encoding method includes feature layer, operation layer, machine layer and scheduling layer, which respectively correspond to the four sub-problems of IPPS problem, which provides a premise for a more flexible and deeper exploration in the solution space. Then, based on the coupling characteristics of process planning and shop scheduling, six evolutionary operators are designed to change the four-layer coding interdependently and independently. Two crossover operators change the population coding in the unit of jobs, and search the solution space globally. The four mutation operators change the population coding in the unit of gene and search the solution space locally. The six operators are used in series and iteratively optimized to ensure a fine balance between the global exploration ability and the local exploitation ability of the algorithm. Finally, performance of IGA-ML is verified by testing on 44 examples of 14 benchmarks. The experimental results show that the proposed algorithm can find better solutions (better than the optimal solutions found so far) on some problems, and it is an effective method to solve the IPPS problem with the maximum completion time as the optimization goal.     

一种整数编码的改进遗传算法

遗传算法作为一种优秀的寻优算法,编码策略是其基础。因二进制编码和实数编码均存在一定的不足,该文提出一种整数编码的最优化遗传算法。为了提高收敛效率和避免算法的早熟收敛,该文采用了截断选择机制和混合杂交、邻近变异等操作算子,并引入邻域搜索技术来提高算法的局部搜索能力。仿真计算表明了该算法具有令人满意的全局最优性能和统计稳定性。     

改进非支配排序精英遗传算法的篦冷机参数优化

为优化篦冷机控制参数,提高换热效率,将传热和粘性耗散引起的修正熵产数分别作为目标函数,利用遗传算法对篦冷机参数进行多目标优化.为增加多目标遗传算法的种群多样性,提高算法的局部搜索能力,对传统的非支配排序精英遗传算法(NSGA-Ⅱ)进行部分功能改进.构建多种群、多交叉算子的操作模式,根据子种群对最优解集的贡献量自适应调节子种群规模,利用局部搜索算法提高算法的局部搜索能力.通过标准多目标优化问题验证所提出算法的有效性,并根据优化得到的篦冷机熵产数的最优解集,给出冷却风机功率最小的最优控制方案,通过与生产线的实际数据进行对比验证其优化效果.     

求解多校区排课问题的基因对交叉遗传算法

国内很多高校或中学都建设了新校区,形成了多校区同时运行的格局。为了更好地解决多校区排课时的冲突问题,通过改进编码、交叉、变异算子,改进适应度函数设计,使遗传算法更好地适用于多校区的排课环境。提出的算法采用了二维资源片十进制编码方式,既方便初始种群产生和检测冲突,又减小时间复杂度。通过采用基于基因对交叉和资源变异算子,保证了每次的交叉、变异都有实际意义,以减小交叉、变异后产生硬性冲突的概率,提高进化效率,缩短进化时间。以某高校为例,使用C#和Matlab7.0等工具,通过编码、初始种群的生成、适应度函数设计与计算和遗传进化,实现了对多校区排课系统进行优化。实验结果表明,改进后的遗传算法提高了在排课应用中的可行性,更能适用于多校区排课。     

基于多种编码的多群体遗传算法

为了有效地克服标准遗传算法（SGA）中的早熟收敛现象,提出了一种基于多种编码的多群体遗传算法,该方法是采用3个群体同时进行进化的策略,其中,第1个 本是采用浮点数编码方法,以使该群体具有较强的局部搜索能力,第2个群体是采用二进制编码方法,以使该群体具有较强的全局搜索能力。第3个群体为“精华种群”,用于保存算法在进化过程中产生的优秀个体,在进化过程中,还通过引入“移民”策略来交换3个群体中的优秀个体,以有效地增加群体的多样性,该算法不仅不易陷入局部收敛,还具有较强的跳出局部收敛的能力,且收敛速度较快,通过对一系列典型复杂多模函数进行的优化计算试验,结果证实了该方法的有效性和优越性。     

Crew pairing optimization by a genetic algorithm with unexpressed genes

We propose a genetic algorithm to solve the pairing optimization problem for subway crew scheduling. Our genetic algorithm employs new crossover and mutation operators specially designed to work with the chromosomes of set-oriented representation. To enhance the efficiency of the search with the newly designed genetic operators, we let a chromosome consist of an expressed part and an unexpressed part. While the genes in both parts evolve, only the genes in the expressed part are used when an individual is evaluated. The purpose of the unexpressed part is to preserve information susceptible to be lost by the application of genetic operators, and thus to maintain the diversity of the search. Experiments with real-world data have shown that our genetic algorithm outperforms other local search methods such as simulated annealing and tabu search. Received: June 2005/Accepted: December 2005