基于动态自适应技术遗传算法的智能组卷策略

为克服经典遗传算法求解智能组卷时存在的盲目搜索、收敛速度慢和个体易"早熟"等缺点,文章提出了基于动态自适应技术遗传算法.利用求解问题的特征改进经典遗传算法的多个关键部分,采用动态自适应技术,提高算法的寻优速度.实验结果表明,采用改进式的自适应遗传算法实现的组卷策略具有收敛速度快、搜索精度高、鲁棒性强等特点,具有很好的性能与实用性.     

精英策略个体优势遗传算法研究

针对遗传算法存在的局部搜索能力差、早熟收敛和进化后期收敛速度慢的问题,提出了一种改进精英策略的个体优势遗传算法（Individual Advantages Genetic Algorithm,IAGA）。IAGA通过在精英子种群更新中不断增加精英个体数量和多样性,在保持算法全局收敛性的同时,增强算法在最优解区域的局部搜索能力。引入半粒子群变异算子,提高了算法前期向全局最优解靠拢的速度;引入个体优势算子,提高种群优势个体的多样性,有效改善了进化后期收敛速度慢的问题;与已有同类算法相比,平衡了收敛速度和全局收敛性之间矛盾的同时,进一步提高了收敛速度和精度。     

基于强化学习的多策略选择遗传算法

为解决传统遗传算法早熟收敛和收敛速度慢的问题,提出一种基于强化学习的多策略选择遗传算法MPSGA。通过使用不同的选择策略将整个种群划分为3个子种群并分别进化,能提高种群的多样性,有效避免遗传算法的早熟收敛问题。将种群的多样性和算法的运行机制相结合,根据种群多样性的变化运用强化学习算法动态地优化各子种群间的比例参数,从而将种群多样性保持在合适的范围,一定程度上解决了收敛速度和全局收敛性之间的矛盾。实验结果表明,该算法在收敛精度和搜索效率上都表现出较好的性能。     

基于改进遗传算法的动态路径规划研究

在静态路网模型的基础上构建时间依赖的动态路网模型数据库,进行动态路径规划问题研究。针对传统遗传算法在解决此问题中存在的“早熟收敛”、局部搜索能力差等问题,对其进行下列改进：结合随机选择和趋于终点方向的种群初始化策略,在保持初始种群多样性的同时提高其个体质量;根据空间邻近关系选择交叉位置点,有效保留父代优良基因,同时避免“早熟收敛”;采用节点适应度的局部搜索策略,根据路段所属道路等级、转弯类型、实时路况以及与局部路段终点的夹角四个影响因子,构建当前节点邻接节点的适应度,提高局部搜索能力。研究结果表明,改进后的遗传算法具有更好的收敛效果和收敛稳定性,满足行进中的动态最优路径规划对求解精度和效率的要求。     

基于动态搜索策略的人工蜂群算法

为避免人工蜂群算法陷入早熟,提出一种基于动态搜索策略的人工蜂群算法,新算法改进了人工蜂群算法的搜索策略,将两种不同的搜索策略组合成新的搜索策略,以便动态利用两种不同搜索策略的优点,平衡了算法的局部搜索能力和全局搜索能力。基准函数的仿真实验表明,新算法收敛速度快、求解精度高、鲁棒性较强,适合求解高维复杂的全局优化问题。     

遗传算法的有效基因块保护策略*

遗传算法是一种结合全局搜索和局部搜索两种特性的自适应搜集随机算法,但存在早熟性收敛和收敛速度慢两方面问题。由于遗传算法运行过程中最小诱导模式普遍存在于个体中,同时在遗传算法运行后期,个体中存在很多属于收敛优化解或全局最优解的基因块。通过分析和论证,建立了保护属于最小诱导模式或优化解的有效基因块的控制策略。该策略可与其他杂交算子和变异算子结合,为遗传操作中父代个体包含的非有效基因块基因座上的基因提供更多进化机会,从而提高这些基因座上的有效基因数量,维持有效的种群多样性,较好地抑制了GA的早熟现象,提高了算法收敛速度和全局寻优能力。     

一种多策略结合的改进文化算法

为了更有效地抑制文化遗传算法的早熟收敛现象和提高收敛速度,提出了一种多策略结合的文化遗传算法。该算法在信念空间,使用与文化算法不同的接受函数、影响函数和更新函数,在群体空间,针对种群采取多种群化,并采用自适应的交叉变异操作且多种群之间加入竞争机制的遗传算法,这样使得改进后的算法具有更强的全局寻优能力和局部寻优能力,有效避免陷入局部最优,抑制了早熟收敛,提高了收敛效率。用上述算法对几个典型函数进行优化,实验证明了多种群自适应的文化遗传算法的有效性和可行性,新的算法不易陷入早熟收敛,此外全局搜索能力和局部搜索能力得到有效平衡,收敛率高。     

量子遗传算法的变尺度混沌优化策略研究*

针对量子遗传算法（QGA）易陷入局部极值、具有早熟收敛等问题,分析了QGA的流程,从全局搜索和局部搜索两个层面探讨了QGA的改进策略,提出了一种新的算法。该算法利用混沌运动的遍历性和随机性进行全局搜索,同时利用梯度信息对QGA的量子更新过程环节进行优化。典型函数测试分析表明,该方法的综合性能明显优于量子遗传算法及遗传算法。     

基于Elitism策略的改进免疫遗传算法求解TSP问题

TSP问题是一类典型的NP完全问题。作者结合Elitism策略提出了一种新的改进免疫遗传算法。该算法既保留了遗传算法的全局随机搜索的优点,又避免了免疫遗传算法的早熟、收敛速度慢等缺点。经仿真实验对比,在求解TSP问题时,该文提出的新算法具有收敛速度快及动态收敛性好的优点。     

改进遗传算法的医学图像配准

采用遗传算法的医学图像配准时,遗传算法存在收敛速度慢,易早熟的问题,有可能导致误配.提出改进遗传算法(IGA),该方法将外推搜索和黄金分割搜索与标准遗传算法(SGA)相结合,既提高了遗传算法的收敛速度,又有效地防止了早熟.实验结果表明,改进算法具有更好的有效性和精确性.     

基于新变异策略的动态自适应差分进化算法

针对差分进化算法在复杂优化问题求解时后期收敛速度慢、易陷入局部最优和参数设置繁琐等问题,提出一种基于新变异策略的动态自适应差分进化算法p-ADE.首先,新变异策略中通过利用种群的全局最优解和目标个体的历史最优解引导种群搜索方向,为下一代个体的生成引入更多有效的方向性信息,避免差分向量中个体随机选择导致的搜索盲目性.其次,为加快收敛速度、提高算法稳定性、避免参数设置的繁琐与不精确,提出一种参数动态自适应调整策略,动态平衡算法局部搜索与全局搜索间的关系,有效调节个体在进化过程中的变异程度.在10个Benchmark函数上的实验结果表明,p-ADE相对于多种先进DE优化策略和全局优化算法在收敛精度、速度和鲁棒性上均具有明显优势.     

具有自适应搜索策略的灰狼优化算法

灰狼优化算法(Grey Wolf Optimization,GWO)是一种新型的群智能优化算法。与其他智能优化算法类似,该算法仍存在收敛速度慢、容易陷入局部极小点的缺点。针对这一问题,提出了具有自适应搜索策略的改进算法。为了提高算法的收敛速度和优化精度,通过适应度值控制智能个体位置,并引入了最优引导搜索方程;另一方面,为提高GWO的种群多样性,改进算法利用位置矢量差随机跳出局部最优。最后对10个标准测试函数进行了仿真实验,并与其他4种算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。     

基于小生境混合遗传算法的PID参数整定

针对遗传算法过早收敛、易陷入局部极值以及进化后期收敛速度慢的不足,将小生境技术、遗传算法、Powell算法相结合,采用自适应的结合策略,提出了一种小生境混合遗传算法(NHGA).对两个经典测试函数的优化结果表明,与小生境遗传算法相比,算法在能够保持解的多样性的同时,能够明显的提高了收敛速度和精度,有效的避免过早收敛.将算法用于PID参数整定,分别针对高阶对象和时滞对象,以及采用不同的性能指标,算法都能迅速得到最优的PID参数.仿真结果表明了该算法的有效性和优越性.     

基于反向学习的自适应差分进化算法

为解决差分进化（DE）算法过早收敛与搜索能力低的问题,讨论对控制参数的动态调整,提出一种基于反向学习的自适应差分进化算法。该算法通过反向精英学习机制来增强种群的局部搜索能力,获取精确度更高的最优个体;同时,采用高斯分布随机性提高单个个体的开发能力,通过扩充种群的多样性,避免算法过早收敛,整体上平衡全局搜索与局部寻优的能力。采用CEC 2014中的6个测试函数进行仿真实验,并与其他差分进化算法进行对比,实验结果表明所提算法在收敛速度、收敛精度及可靠性上表现更优。     

自适应小生境遗传算法在系统级综合中的应用

多目标遗传算法是解决SoC系统级综合问题的有效途径之一,但现有的遗传算法只能求得非劣解集前沿的一部分,局部搜索能力差,收敛速度较慢。该文通过结合小生境技术,根据种群往代的多样性信息,自适应地确定子种群的规模和交叉、变异的概率,提出一种自适应小生境遗传算法,有效提高解集的覆盖率,加快收敛速度。以视频编解码的系统级综合为例,证明该算法可以较快地产生较多非 劣解。     

Evolving neural network using real coded genetic algorithm for permeability estimation of the reservoir

In this work we investigate how artificial neural network (ANN) evolution with genetic algorithm (GA) improves the reliability and predictability of artificial neural network. This strategy is applied to predict permeability of Mansuri Bangestan reservoir located in Ahwaz, Iran utilizing available geophysical well log data. Our methodology utilizes a hybrid genetic algorithm–neural network strategy (GA–ANN). The proposed algorithm combines the local searching ability of the gradient–based back-propagation (BP) strategy with the global searching ability of genetic algorithms. Genetic algorithms are used to decide the initial weights of the gradient decent methods so that all the initial weights can be searched intelligently. The genetic operators and parameters are carefully designed and set avoiding premature convergence and permutation problems. For an evaluation purpose, the performance and generalization capabilities of GA–ANN are compared with those of models developed with the common technique of BP. The results demonstrate that carefully designed genetic algorithm-based neural network outperforms the gradient descent-based neural network.     

精英交叉二进制蝙蝠算法求解0-1背包问题*

针对基本蝙蝠算法收敛速度慢,易早熟的问题,提出了一种精英交叉二进制蝙蝠算法。该算法借鉴精英策略和遗传算法中的交叉机制,按照一定比例选择蝙蝠群中的精英个体进行交叉,将得到子蝙蝠群和父蝙蝠群进行混合择优,保证蝙蝠群的多样性和优秀性,提高了全局搜索能力;为提高局部搜索能力,算法在对每个个体计算适应度值时加入贪心策略;另外,通过对蝙蝠群最优解进行动态监测,适时对种群进行柯西变异,使算法具有跳出局部极值的能力。通过对5个实例的仿真计算比较表明,该算法与改进贪心遗传算法,贪心二进制蝙蝠算法和病毒协同蝙蝠算法相比,无论是收敛速度还是寻优能力都表现优异,为求解0-1背包问题提供了一个实用的算法。     

具有自适应全局最优引导快速搜索策略的人工蜂群算法

针对人工蜂群算法存在开发与探索能力不平衡的缺点,提出了具有自适应全局最优引导快速搜索策略的改进算法.在该策略中,首先采蜜蜂利用自适应搜索方程平衡了不同搜索方法的探索和开发能力;其次跟随蜂利用全局最优引导邻域搜索方程对蜜源进行精细化搜索,以提高其收敛精度和全局搜索能力.14个标准测试函数的仿真结果表明,相比其他算法,所提出的改进算法有效平衡了算法的开发与探索能力,并提高了其最优解的精度及收敛速度.