基于粒子群算法的遗传算法研究

针对传统遗传算法存在的早熟收敛和易陷入局部最优解的问题,提出了一种基于粒子群算法的遗传算法,其原理是用粒子群算法来构造变异算子和进行种群分割.通过对三个典型多峰值函数的优化来评估算法性能.实验结果表明,该算法能很好地保持种群的多样性和克服早熟现象,显著提高遗传算法的收敛速度.     

基于遗传算法的机械臂逆运动学问题解决方案

提出应用遗传算法求解机械臂的逆运动学问题,将种群定义于机械臂的关节角轨迹层面,利用连续性函数实现算法的初始化算子,交叉算子和变异算子。算法仅使用表现型数据表示方式,克服了传统遗传算法在数据的基因型和表现型之间频繁地进行编码和解码操作。通过和传统遗传算法进行对比分析,验证了所提出的方法能够避免传统遗传算法求解逆运动学问题时存在的多重切换点现象,能够获得更平滑的关节角轨迹,缩短了算法的收敛时间,生成的笛卡尔轨迹具有更高的精度。     

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.     

基于变异的紧凑遗传算法

紧凑遗传算法(CGA)具有存储成本低的优点,但是其容易出现早熟。该文提出一种基于变异的紧凑遗传算法(MBCGA)。MBCGA在CGA的基础上,引进变异算子,完整地体现生态进化中的选择、遗传和变异,提高了局部寻优以及算法克服早熟的能力。试验结果表明,MBCGA保留存储成本低的优点,具有较快的收敛速度。变异算子的局部寻优作用明显。     

基于自适应退火遗传算法的车间日作业计划调度方法

遗传算法、模拟退火算法、最优个体保护法在全局收敛性、种群早熟化、收敛速度慢等方面存在应用缺陷.文中提出了自适应退火遗传算法解决车间日作业计划的调度问题.该算法针对遗传算法中组成编码串的变异概率在整个搜索过程中是固定不变的,而且取值较小,促使算法的求解过程很长,且易走向局部最小值,提出自适应变异概率的概念与理论改善遗传算法的收敛速度;针对选择算子对种群多样性的影响,提出整体退火选择的方式(Boltzmann概率选择机制)选择杂交母体,以克服种群早熟化,避免过早收敛.最后结合车间日作业计划静态调度模型给出求解算法和求解实例.     

改进算子的遗传算法在QoS多播路由优化上的应用

针对QoS多播路由问题提出了一种改进遗传算子的遗传算法,通过设计多样性维持机制的选择算子、与代数相关的交叉算子和与个体适应度相关的变异算子,有效地解决了传统遗传算法应用于多播路由优化时的早熟收敛问题。实验结果显示,在随机网络中,该算法所获得的解与最优解的相对误差不超过1．0％,算法的收敛速度和寻优能力明显优于传统遗传算法。     

一种改进的抑制早熟收敛的遗传算法

针对遗传算法运算速度低、容易陷入局部最优值、早熟收敛等缺点,提出了遗传算法算子的一些改进策略,对遗传算法的选择、交叉、变异算子以及操作方法进行了改进,采用最佳保留选择策略,改进后的交叉与变异操作,使算法始终保持了种群的多样性,同时也提高了寻优最终结果的精确性.实验表明改进的遗传算法有效的改善了遗传算法的缺点,改进后的算法明显优于传统的遗传算法,该算法具有良好的有效性和可行性.     

基于改进遗传算法的图像分割方法

提出一种应用于图像分割的改进遗传算法,算法中引入了优生算子、改进的变异算子和新个体,避免了局部早熟,提高了收敛速度和全局收敛能力。     

基于遗传算法的立体车库车位调度研究

立体车库的车位调度是一个比较复杂的问题,遗传算法是搜索立体车库最短路径的有效方法之一.对传统的GA结构加以改进,利用一种改良的OX交叉算子加快算法的收敛速度,利用变换变异算子维持群体的多样性防止算法早熟收敛.仿真实验结果验证了算法的有效性.     

自适应遗传算法交叉变异算子的改进

标准遗传算法采用固定的交叉率和变异率,对于求解一般的全局最优问题具有较好的鲁棒性,而对于解决较复杂的优化问题则存在早熟及稳定性差的缺点。传统的自适应遗传算法虽能有效提高算法的收敛速度,却难以提高优良解的多样性,算法的鲁棒性仍有待改善。文章提出了一种改进的自适应遗传算法,对交叉算子和变异算子进行了优化,实现了交叉率和变异率的非线性自适应调整。实验结果表明,相比传统的自适应遗传算法,新算法具有更快的收敛速度和更可靠的稳定性。     

基于改进遗传算法的优化计算

针对经典遗传算法在优化计算中存在的弊端,提出改进遗传算法。该算法考虑了优化问题的全局性要求—结合区间压缩方法,而这往往比局部最优理论和方法困难的多;同时通过对变异算子改进,对遗传算法早熟收敛性方面得到有效控制,最后,给出算法的收敛性证明及收敛性准则。实验表明该算法是有效的。     

基于新变异算子的改进粒子群优化算法

粒子群优化算法(PSO)是一种基于群体智能的优化算法。本文在介绍PSO算法基本原理和流程的基础上,分析了该算法在处理一些复杂问题时容易出现的早熟收敛、收敛效率低和精度不高等问题,提出了一种基于新变异算子的改进粒子群优化算法(NMPSO)。NMPSO算法将产生的变异粒子与当前粒子进行优劣比较,选择较优的粒子,增强了种群的多样性,有效地避免算法收敛早熟。用5个常用基准测试函数对两种算法进行对比实验,结果表明:新提出的NMPSO算法增强了全局搜索能力,提高了收敛速度和收敛精度。     

一种基于选择的遗传算法

鉴于标准遗传算法比较容易产生早熟现象和模式欺骗而收敛于局部最优解,论文对标准遗传算法的遗传操作进行了改进,提出了基于选择的遗传算法(GA_S)。在该算法中,首次提出了基因选择算子、广义精英算子、引进选择算子、基于精英集的成长期变异等概念,并对其进行了比较详细的描述。之后,使用7个经典测试函数对其进行了大量实验。实验表明算法对早熟和模式欺骗具有较强的突破能力。     

一种基于混沌变异的双群进化规划算法

易早熟收敛是传统进化规划算法的致命缺点。该文在分析了导致进化规划算法早熟原因的基础上,提出了一种基于混沌变异的多群进化规划算法。在该算法中,进化在两个并行的子群间同时进行,一个种群使用混沌变异算子对解空间进行充分的探索,另一个种群使用指数衰减的高斯变异算子对局部进行详尽搜索,种群问的信息交换通过种群的个体交流实现。对典型算例的数值仿真表明,该算法能够改善传统的进化规划算法易早熟收敛的弱点,同时具有良好的快速收敛性和参数鲁棒性。     

带自变异算子的粒子群优化算法

针对粒子群优化算法中出现的早熟收敛问题,论文提出了一种带自变异算子的粒子群优化算法。该算法在运行过程中增加了随机变异算子,通过对当前最佳粒子进行随机变异来增强粒子群优化算法跳出局部最优解的能力。对几种典型函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟收敛问题。     

并行混合遗传算法及其在布局设计中的应用

布局问题在理沦上属于NPC问题，在工程实践上具有广泛的应用。为较好地求解该问题，该文以并行遗传算法（PGA）为基础，针对其早熟和收敛速度慢两大缺陷加以改进，给出了一种并行混合遗传算法(PHGA)．PHGA采用该文提出的压力插他排序选择算子，起到了双重作用：一是在进化初期可以防止早熟；二是在进化后期有利于加快算法的收敛。算法利用混沌初始化可提高初始群体的质量，并依自适应交叉和变异概率值对子群体进行分类，与Powell法混合可以很好地改善算法的局部搜索性能。文中通过标准函数优化和布局设计的算例验证了该算法的可行性和有效性。     

改进遗传算法在地层对比中的应用

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点,提出了一种变参数的遗传算法。该算法对种群的个体赋予寿命,并根据寿命对遗传算法的选择、交叉和变异算子以及种群规模自动调整,能够有效防止早收敛并改善遗传算法收敛性能。并用改进的遗传算法解决基于测井曲线的地层对比的问题,取得了较好效果,验证了算法可用性和高效性。     

基于自适应变异算子的差分进化算法

针对差分演化算法易于早熟、收敛速度慢和收敛精度低等问题,提出一种基于自适应变异算子的差分进化算法。给出个体向量粒子及维度层定义,并提出了基于维度层加权的异维维度选择策略,首次将加权异维学习策略引入差分演化算法中,有效地提高了种群的多样性;根据种群聚集度的思想,提出一种基于种群聚集度自适应的变异算子,该算子能依据种群个体当前的种群聚集度自适应地调整DE/best/1变异算子和加权异维学习变异算子的变异权重,加快算法收敛速度、提高其收敛精度。通过在20个典型的测试函数上进行测试,与7种具有代表性的算法相比,结果表明提出的算法在求解精度和收敛速度上具有很大优势,并显示出了非常好的鲁棒性。     

Adaptive directed mutation for real-coded genetic algorithms

Adaptive directed mutation (ADM) operator, a novel, simple, and efficient real-coded genetic algorithm (RCGA) is proposed and then employed to solve complex function optimization problems. The suggested ADM operator enhances the abilities of GAs in searching global optima as well as in speeding convergence by integrating the local directional search strategy and the adaptive random search strategies. Using 41 benchmark global optimization test functions, the performance of the new algorithm is compared with five conventional mutation operators and then with six genetic algorithms (GAs) reported in literature. Results indicate that the proposed ADM-RCGA is fast, accurate, and reliable, and outperforms all the other GAs considered in the present study.     

应用逻辑操作改善遗传算法性能

从理论上分析了传统变异算子存在的不足,借鉴数字技术的有关原理为基因增添了逻辑表达能力,引入逻辑运算规则改进的了传统的遗传算法 子,实验结果表明,改进型遗传算法收敛速度快,克服早熟能力强。