改进的模糊遗传算法及在信息过滤中的应用

为了改进传统遗传算法在求解复杂问题上存在早收敛及搜索后期运行效率低等缺点,提出了一种应用于文本分类和信息过滤的模糊遗传算法.首先应用了年龄概念来控制种群规模,使得遗传操作过程更接近于自然进化过程,然后引进参数的模糊调整过程,对遗传算法的参数种群规模,交叉率及变异率3个方面进行动态调整,改进了遗传算法的搜索性能.实验结果表明,相比传统遗传算法,该模糊遗传算法在全局优化能力及收敛速度上均有显著提高.     

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。     

一种改进的自适应遗传算法

遗传算法作为一种模仿生物自然进化过程的随机优化算法,对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,却难以增强算法的鲁棒性。该文提出了一种改进的自适应遗传算法,对交叉率和变异率进行了优化,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。     

遗传算法控制参数优化策略研究

提出了新的遗传算法控制参数优化策略，包括变异率、交叉率调整策略，动态收敛准则以及二进制编码下最优种群规模的确定方法。研究结果可用于提高GA运行效率及克服早熟现象。     

基于模糊推理动态调整遗传算法交叉率和变异率的方法

标准遗传算法的交叉率和变异率是随机选择的.在指出这种选择具有盲目性的基础上,提出了利用模糊推理动态调整交叉率和变异率的改进遗传算法,并通过模糊神经网络参数优化的实例对该改进算法与标准遗传算法进行比较.实验结果表明新算法对交叉率和变异率有效地进行动态控制,不仅保留了标准遗传算法的优点,又加强了全局搜索能力和加快了收敛速度,是一种很有前途的算法.     

一种双变异率的改进遗传算法及其仿真研究

针对标准遗传算法收敛速度慢,寻优能力差,易陷入局部最优等问题,提出了一种双变异率的改进遗传算法。在进化过程中,引入广义海明距离这个概念,当由广义海明距离控制的交叉操作产生个体数不足种群规模时,对原种群进行局部小变异,这样在避免近亲繁殖的同时又可扩大搜索空间,增加种群多样性,有效地抑制了早熟收敛;随后进行的全局大变异保证整个过程全局收敛。仿真实验用典型的测试函数验证了此算法能显著提高解的质量和收敛速度。     

直觉模糊小生境的自适应遗传算法求解旅行商问题

提出一种基于直觉模糊距离测度的小生境技术,结合模糊控制的自适应遗传算法求解旅行商问题。运用个体在遗传算法迭代寻优中的适应度值,通过直觉模糊集的距离测度确定个体之间的相似性,使用共享函数和惩罚函数对适应度低的个体进行惩罚和淘汰,维护了种群个体的多样性;建立模糊推理系统,以自适应调节遗传算法迭代中的交叉率和变异率,使遗传算法能在局部寻优和全局寻优之间达到平衡,弥补遗传算法易早熟收敛和后期寻优能力差的缺陷;通过求解TSPLIB中的多组实例并进行对比,结果表明所提算法的收敛速度、优化精度、效率均具有明显优势。     

基于种群相异度的改进遗传算法及应用

提出了一种基于种群相异度的改进遗传算法。该算法采用了启发式交叉策略，并且能够根据种群的相异度自适应地调节种群的交叉规模、变异规模以及变异个体中各个基因的变异率，从而能够避免种群早熟收敛，加快进化速度。将其应用于PID控制器的参数优化中，并与传统的遗传算法相比较，仿真结果证明了其有效性。     

基于改进自适应遗传算法的物流配送路径优化研究

针对物流运输中带软时间窗车辆路径优化问题,提出一种改进的自适应遗传算法。为消除遗传算法初始种群随机性强,个体分散的缺陷,采用精英保留选择方法,加快算法的收敛速度,同时提出了交叉概率和变异概率自适应调整的交叉和变异方法,进化过程中交叉概率和变异概率根据适应度、进化代数和进化过程中个体未改变数目个数来自适应变化,提高算法的局部搜索能力,有效避免了算法出现未成熟收敛的情况。将新的自适应遗传算法(New Improved Adaptive Genetic Algorithm,简称NIAGA)应用于该路径优化问题的求解,实验结果表明改进后的自适应遗传算法在求解物流配送路径优化问题上有明显优势。     

基于遗传算法求解应急决策系统中的最优路径

提出了一种将模拟退火算法和遗传算法相结合的进化算法GASA,利用Boltzmann机制 接收交叉和变异后的个体,避免遗传算法中存在的早熟收敛问题,增强了算法的全局收敛性,并对遗 传算子(选择、交叉、变异算子)进行重构,引入新的交叉算子和变异算子能根据种群的进化情况动态 调整遗传算子,加速进化后期搜索效率。实验表明,将此算法用于应急决策系统的最优路径的求解中 与传统算法相比,能加速进化速度和全局寻优能力,提高应急决策效率。     

指针网络改进遗传算法求解旅行商问题

针对遗传算法在求解旅行商问题时,受限于初始种群质量而存在收敛速度慢、易陷入局部最优等问题,提出一种基于指针网络改进遗传算法种群模型。通过经改进指针网络生成初始种群取代原种群,并结合基于汉明距离轮盘赌策略对种群个体进行择优,形成个体质量和种群多样性高的新种群。实验在TSPLIB标准库上多组实例进行测试,并和研究进展种群改进算法和多种主流启发式算法进行多项系数对比。结果表明,经过优化后算法的收敛速度和寻优能力有显著提高,能够有效用于改善遗传算法在旅行商问题上的应用。     

一种改进的实数自适应遗传算法

研究了基于实数编码的遗传算法的改进问题．针对实数编码在搜索后期存在搜索效率低、易早熟收敛等现象．讨论了遗传算法的参数调节问题．提出一种自适应交叉概率和变异概率，既考虑了进化代数对算法的影响，又考虑到每代不同个体适应度的作用，给出一种改进的实数自适应遗传算法．最后利用3个测试函数对算法进行验证，在函数的最终值、平均运行代数、收敛概率几方面都取得了较好的结果．     

一种基于自适应遗传搜索策略的地磁匹配算法研究

针对如何进行精确地磁匹配定位问题,提出一种基于自适应遗传搜索策略的地磁匹配算法。首先选择地磁异常场作为匹配特征量;然后从染色体编码、适应度函数以及遗传操作3个方面对自适应遗传算法进行阐述,给出基于自适应遗传搜索策略的地磁匹配算法流程;最后通过仿真分析白噪声、种群大小以及进化代数对地磁匹配结果的影响。研究结果表明:当地磁测量信号含有白噪声时,定位精度可以控制在一个网格(100 m×100 m)内;当种群大小达到70和进化代数达到200代时,定位误差和匹配概率趋于稳定;该算法在定位精度和匹配概率上比传统地磁匹配算法有所提高,并且随着噪声的增加这种优势愈发明显。     

信息熵动态变异概率RNA遗传算法

约束优化问题是科学研究和工程应用的热点和难点.受生物RNA分子遗传信息表达机制和信息熵概念的启发,本文提出了一种信息熵动态变异概率RNA遗传算法来求解这类问题,算法采用碱基序列的个体编码方式,并用RNA分子再编码和蛋白质折叠操作代替传统遗传算法的交叉操作,在变异概率的设置中,借鉴信息熵对系统有序程度度量的概念,根据当前种群个体每一位的碱基分布情况对变异概率进行自适应调整.测试函数的仿真结果表明所提出的算法具有收敛速度快、搜索精度高的特点.将该算法用于求解短期汽油调合调度问题,能得到比其他几种算法更高的调合利润.     

求解作业车间调度问题的改进遗传算法

使用遗传算法求解作业车间调度问题时,为了获得最优解,提高算法的收敛速度,提出了改进遗传算法.算法以最小化最大完工时间为优化目标,初始化时将种群规模扩大为原来的两倍以增加种群多样性;迭代时使用新的适应度函数让染色体间更易区分;通过轮盘赌法完成染色体选择;用POX(Precedence Operation Crossover)交叉算子完成交叉操作;用互换法完成变异操作;通过具有自我调节能力的交叉和变异概率不断地调整概率值来提高算法寻优能力和收敛速度.仿真结果表明,改进后的遗传算法收敛速度快,寻优能力强,获得的最优解优于标准遗传算法,更适用于作业车间的加工生产.     

Drift and scaling in estimation of distribution algorithms

This paper considers a phenomenon in Estimation of Distribution Algorithms (EDA) analogous to drift in population genetic dynamics. Finite population sampling in selection results in fluctuations which get reinforced when the probability model is updated. As a consequence, any probability model which can generate only a single set of values with probability 1 can be an attractive fixed point of the algorithm. To avoid this, parameters of the algorithm must scale with the system size in strongly problem-dependent ways, or the algorithm must be modified. This phenomenon is shown to hold for general EDAs as a consequence of the lack of ergodicity and irreducibility of the Markov chain on the state of probability models. It is illustrated in the case of UMDA, in which it is shown that the global optimum is only found if the population size is sufficiently large. For the needle-in-a haystack problem, the population size must scale as the square-root of the size of the search space. For the one-max problem, the population size must scale as the square-root of the problem size.     

采用半初始化和概率扰动策略改进的遗传算法

针对遗传算法在函数寻优过程中收敛速度慢、易陷入局部最优解的问题，提出一种采用半初始化和概率扰动策略改进的遗传算法DIAGA。首先，通过引入概率扰动策略增加了算法迭代后期的种群多样性，采用半初始化从根本上改变了算法在全局最优解比较过程中的局限性；然后利用马尔可夫链理论证明了DIAGA的收敛性；最后，对六个标准测试函数进行仿真测试。仿真实验结果表明，提出的DIAGA有效摆脱了局部收敛，在搜索精度、收敛速度上具有明显优势，就多维测试函数而言，寻优精度提高了约29%。     

带密度加权的自适应遗传算法

为了改善传统自适应遗传算法收敛速度慢、易陷入局部最优解的情况,提出了带密度加权的自适应遗传算法. 该算法基于种群的分布密度,动态调整遗传算法的交叉概率和变异概率,并且在算法中使用了保留最佳个体法. 实验结果表明：该算法在破坏种群局部稳定性、跳出局部极值的同时,又能以较快的速度收敛于全局最优,提高了算法的实用性和鲁棒性.     

求解动态优化问题的多种群热力学遗传算法

多种群方法已被证明是提高演化算法动态优化性能的重要方法之一。提出了多种群热力学遗传算法（multi-population based thermodynamic genetic algorithm,MPTDGA）。该算法使用一个概率向量在热力学遗传算法迭代过程中不断演化优化与竞争学习,环境变化时分化成三个概率向量,并分别抽样产生原对偶和随机迁入三个子种群,依据这三个种群和记忆种群最好解的情况,选择新的工作概率向量进入新环境进行学习。在动态背包问题上的实验结果表明,MPTDGA比原对偶遗传算法跟踪最优解的能力更强,有很好的多样性,非常适合求解0-1动态优化问题。