一种基于粗粒度-主从式的混合并行遗传算法

为了解决串行遗传算法的收敛速度和早熟问题．人们开始研究遗传算法的并行执行，并取得了很好的结果。本文提出了一种基于分布式集群环境的层次结构(粗粒度一主从式)的并行遗传算法一混合并行遗传算法。仿真表明，采用混合并行遗传算法可以有效的提高优化的速度和解的精度。     

并行遗传算法收敛性分析及优化运算

经典遗传算法（Canonical Genetic Algorihms)利用单一种群对种群个体进行交叉、变异和选择操作，在进行过程中的超级个体易产生过早收敛现象，粗粒度并行遗传算法利用多个子群进行进化计算，各子群体分别独立进行遗传操作，相互交换最优个体后继续进化。文证明了该算法的搜索过程是一个有限时齐遍历马尔柯夫链，给出粗粒度并行遗传算法全局最优收敛性证明。对于旅行商问题TSP（Traveling Salesman Problem)利用粗粒度并行遗传算法进行了求解，以解决经典遗传算法的收敛到局部最优值问题。仿真结果表明，算法的收敛性能优于经典遗传算法。     

基于混合遗传算法求解非线性方程组

将非线性方程组的求解问题转化为函数优化问题，且综合考虑了拟牛顿法和遗传算法各自的优点，提出了一种用于求解非线性方程组的混合遗传算法。该混合算法充分发挥了拟牛顿法的局部搜索、收敛速度快和遗传算法的群体搜索、全局收敛的优点。为了证明该混合遗传算法的有效性，选择了几个典型的非线性方程组，从实验计算结果、收敛可靠性指标对比不同算法进行分析。数值模拟实验表明，该混合遗传算法具有很高的精确性和收敛性，是求解非线性方程组的一种有效算法。     

基于大值堆的自调整粗粒度并行遗传算法模型

一般粗粒度并行遗传算法（CGGA）的性能受诸多因素的影响表现不尽如人意。以降低通信代价为主要目标，受物种金字塔模型的启发，设计了一种双阈值限制下的自调整堆结构，并对其堆调整具体操作进行了改进，以期望改进后算法中种群间的通信代价大幅度降低，优化收敛速度，提高算法效率。通过对遗传算法的几个典型测试函数通信量的分析和实验表明，基于该模型的并行遗传算法在降低通信代价、提高收敛速度、优化最终解方面收效明显。     

基于混合智能学习算法的函数优化研究

为了改善人工神经网络在优化计算中的一些缺陷和提高遗传算法的局部搜索能力及收敛性能,提出了一种混合智能学习算法,采用遗传算法和误差反向传播算法(BP算法)相结合,将BP算法以一个算子的形式插入到遗传算法中,以提高利用人工神经网络和遗传算法进行优化计算的搜索能力和收敛性能;通过对实例函数的优化计算,对插入BP算子的遗传算法和传统遗传算法的优化结果进行了比较分析,结果表明BP算子的插入对遗传算法的优化性能、收敛速度和收敛精度有较大改善.     

多核集群系统下的混合并行遗传算法研究

为应对传统遗传算法在处理大规模组合优化问题面临的进化速度缓慢,难以达到实时要求的严峻挑战,提出了一种在多核PC集群系统上实现“粗粒度一主从式”混合并行遗传算法的模型:通过把“粗粒度一主从式”并行遗传算法映射到多核PC集群上,结合消息传递和共享存储两种并行编程模型,在节点间使用消息传递模型(MPI),对应的遗传算法为粗粒度并行遗传算法,在节点内使用共享存储模型(OpcnMP),对应的遗传算法为主从式并行遗传算法,用MPI和OpenMP混合编程的方式以进程和线程两级并行在多核集群上实现具体的混合并行遗传算法。理论分析和实验结果表明,提出的实现模型有较好的性能,可大大改进传统遗传算法的缺陷。为利用并行遗传算法在普通多核PC集群上处理大规模组合优化问题提出了一种有效、可行的解决方案。     

一种改进多亲遗传算法的并行模型研究

通过分析传统遗传算法和多亲遗传算法的不足，提出了一种多亲遗传算法的改进算法：基于共享存储器的多亲遗传算法，并对其进行了理论分析，讨论了GA的并行模型特点后，结合粗粒度并行模型和群体分组的并行方式，提出了一种MGASM的并行模型，该模型有利于改进MGASM的性能，提高其搜索效率。将MGASM-PPGA应用到了数据聚类问题中，进行了仿真实验，获得了理想的实验结果。     

一种快速收敛的遗传算法*

本文针对传统遗传算法收敛速度慢的缺点，提出了一种改进的快速收敛算法，并以八皇后问题为例进行了数值模拟，实验结果表明这种改进的遗传算法在收敛速度上大大优于传统遗传算法．     

非线性方程组求解的一种新方法

针对现有的非线性方程组求解方法不能同时收敛到所有解的问题,提出了一种混合小生境遗传算法的求解新方法.采用确定性拥挤小生境创造出种群的小生境进化环境,克服遗传算法的遗传漂移现象,维持种群的多样性,使算法能同时收敛到多个解;以拟牛顿算法作为遗传算法的局部搜索算子进行精确搜索,进一步提高算法收敛速度和精度.选择了几组典型的多解非线性方程组进行了求解验证,结果表明所设计的混合小生境遗传算法能在解的定义域内同时收敛到所有解,收敛速度快、精度高,是求解非线性方程组全局解的一种有效方法.     

通过遗传算法进行系统级软硬件划分

介绍采用遗传算法解决软硬件划分问题，具体讨论在遗传算法实现过程中的编码和解码，适应值函数的选取，选择，交叉，变异算子的实现、收敛准则的决定等问题的处理，与已发表文献的处理方法进行比较，最后通过随机实验取得好的结果。     

基于粗粒度模型的蚁群优化并行算法

为了改进蚁群优化算法的收敛速度,研究了一种基于粗粒度模型的并行蚁群优化算法,该算法将搜索任务划分给q个子群,由这些子群并行地完成搜索,可使搜索速度大幅度提高。实验结果表明,用该算法求解TSP问题,收敛速度比最新的改进算法快百倍以上。     

改进的并行遗传模型的构建及应用

遗传算法在处理一些复杂问题时效果不理想。该文在保证算法收敛和最大限度地搜索模型空间的基础上,对遗传算子采取相应策略进行改进,并通过界约束增加解的稳定性。为了提高计算效率,采用并行遗传算法,将并行计算机的高速并行性和遗传算法固有的并行性相结合,选择合适的迁移拓扑结构和迁移策略,构建并行模型。给出了改进后并行遗传算法(PGA)的设计流程图及详细算法描述,在叠前地震反演的实际应用中,取得了良好的效果。     

基于粗细粒交叉的搜索算法

针对一种新的群集智能--自由搜索优化的不足,提出了基于粗细粒交叉的搜索算法.该算法定义了粗粒交叉和细粒交叉两种算子.通过粗粒交叉,有利于产生新的优秀个体.提高算法的全局搜索能力}采用细粒交叉,在搜索半径内产生更多的优良基园,提高局部搜索能力.典型函数的实验结果表明:新算法的收敛速度、收敛精度,鲁棒性和稳定性大大优于基本自由搜索优化和标准微粒群算法.     

一种新并行遗传算法及其应用

基于量子计算的概念和原理,本文提出一种新并行量子遗传算法,即粗粒度并行量子遗传算法(CGPQGA)。该算法的核心是引入层环粗粒度并行计算模型和一种新进化策略。由于CGPQGA只需迁移搜索到的最佳个体到各个子群体,因而算法的通信开销很小。通过用CGPQGA设计控制器的应用实例表明,CGPQGA优于常规并行遗传算法,能加速子群体中最佳个体的迁移,收敛速度快,全局寻优能力强,同时具有勘探和开采的能力。     

改进粗粒度并行遗传算法在网格任务调度中的应用

现有并行遗传算法采用随机方法划分子种群,算法收敛性能不高,并且不可避免的破坏种群的较优模式;为了改进这些缺陷,设计了一种新的多点交叉算子,提出了一种改进的粗粒度并行遗传算法;取资源数为6,任务数为50,种群的规模为60,遗传代数为600;采用相同的控制参数进行仿真实验;仿真实验表明,与传统并行遗传算法相比较,提出的改进算法在收敛速度和寻优空间方面有很大的提升。     

基于模拟退火并行遗传算法的Otsu双阈值

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。     

基于多种群遗传与思维进化的混合算法

多种群遗传算法（MPGA）搜寻最优解的能力受初始种群分布的影响,在解决复杂函数优化问题时存在早熟收敛风险,而思维进化算法（MEA）存在局部搜索精度低和全局收敛速度慢的问题。针对两者的不足,提出一种MPGA和MEA混合的优化算法MPGA-MEA。为参与MEA趋同操作的各子群体设置不同的控制参数,独立进行遗传搜索,同时利用移民算子增强子群体的互动,实现协同进化,直至子群体成熟。在此基础上,释放劣质子群体,并选择全局公告板中记录的优质个体执行交叉和变异操作,产生中心个体,对应生成的临时子群体参与新一轮的迭代寻优。基于不同测试函数的仿真结果表明,该混合算法相较于MPGA和MEA,MPGA-MEA对高维多峰函数的寻优能力得到明显提升。     

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.     

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。     

基于并行遗传算法的Otsu双阈值医学图像分割

传统遗传算法用于搜索某些函数极值时精确度较低且稳定性较差。针对该问题,提出了一种基于并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。100 次阈值计算实验结果表明,提出的分割算法与传统遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显优于基于单种群的遗传算法的Otsu双阈值医学图像分割。