分区域搜索的狭义遗传算法

文章提出了分区域搜索的狭义遗传算法,讨论了狭义遗传算法分区域搜索的一些重要性质,并对其控制机理进行了分析。证明了分区域的狭义遗传算法是全局收敛的,并具有收敛速度快,搜索过程稳定性高、可控制性强等特点。最后,提出了有待研究的问题。     

基于多级搜索区域的协同进化遗传算法*

针对传统多种群协同进化算法仍然存在收敛速度慢、计算复杂性不能随进化过程有效降低等问题,提出了一种基于多级搜索区域的协同进化遗传算法,给出了一种衡量种群进化停滞的标准。通过聚类分析将搜索区域划为三个等级,对于较高等级的区域加强搜索粒度,逐步缩小搜索范围,提高了收敛速度并降低了算法复杂度。实验结果表明,该算法是求解最优化问题的一种有效方法。     

基于遗传-粒子群混合算法的测试用例生成研究

针对传统遗传算法(GA)容易产生早熟收敛和易陷入局部最优解的问题,提出了一种基于遗传-粒子群混合算法(GA-PSO)的软件测试用例自动生成算法。用混沌序列搜索产生初始种群,使所有测试用例在局部区域中再次寻找最优值,从而避免过早收敛,改进搜索最佳值的能力。仿真实验表明该混合算法具有更快的收敛速度,保持了种群的多样性,提高了全局搜索能力。     

狭义遗传算法

该文讨论了狭义遗传算法的一般框架,并对其运行机理进行了分析。由于狭义遗传算法的搜索过程不是一个遍历的Ｍａｒｋｏｖ过程,搜索空间小,Ｎ此它具有收敛速度快,搜索过程稳定性高、可控制性强等特点。最后,提出了有待研究的问题。     

基于小生境算法和聚类分析的快速收敛遗传算法

摘要：针对遗传算法中存在的早熟收敛和后期收敛速度慢的问题,在讨论种群多样性表示方法和早熟原因的基础上,提出了一种基于小生境技术和聚类分析的遗传算法快速收敛算法．利用小生境技术保持种群的多样性,有效防止早熟收敛．当种群进化到一定程度后,进行聚类分析,从而获得分布在各个极值点附近的聚类区域．在各个聚类中心处,利用局部搜索算法获得极值点;其余个体按照小生境技术在聚类区域外进一步搜索．仿真结果表明,这种算法能够有效地防止早熟收敛,可以极大提高遗传算法的搜索效率,有利于并行实现,并在一定程度上有助于骗问题的解决．     

基于正交试验设计的区域分解遗传算法

论文根据区域分解的特点,将正交试验设计应用于区域分解遗传算法中,提出了一种基于正交设计的遗传算法。该算法利用正交试验设计来进行区域组合,通过较少的区域组合达到全局搜索的目的,解决区域分解遗传算法由于区域组合所带来的工作量大的问题,从而达到提高区域分解遗传算法的效率,改善算法的性能的目的。文中最后通过数值仿真计算,验证了算法的实用性。     

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。     

基于混合遗传算法的测试数据自动生成研究

为了提高软件测试中测试数据自动生成的效率,提出了一种基于混合遗传算法的测试数据自动生成的方法.在传统的遗传算法中引入模拟退火的思想,先利用遗传算法快速搜索到近优解,再使用模拟退火算法局部寻优,实现两种算法的优势互补.实验结果表明,该算法有效避免了早熟问题,具有收敛速度快、搜索效率高等特点,能够更加快速地自动生成测试数据.     

变搜索区域多种群遗传算法

针对孤岛型多种群遗传算法存在的缺陷,提出一种变搜索区域多种群遗传算法.首先,依据各种群最优个体的分布给出搜索区域动态变化的条件和策略;其次,基于搜索区域的测度和搜索粒度给出种群规模自适应调整方法;再次,从搜索区域的测度和种群规模等角度定量分析算法的性能;最后,通过两个典型函数优化验证算法的有效性.     

基于寿命的变种群模糊遗传算法

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，提出了一种种群数变化的模糊遗传算法．该算法对进化种群数进行宏观调控的同时，再用个体寿命限制个体的生存期，实现对种群数的微观调控．并采用模糊控制器控制交叉率，使其能够根据进化的实际情况自动调整．实验数据表明这种方法能够有效防止早收敛，大大改善遗传算法收敛性能．     

一种改进的遗传聚类算法

给出了一种改进的基于遗传算法的聚类方法。传统的K-means算法局部搜索能力强,但是对初始化比较敏感,容易陷入局部最优值。基本的基于遗传算法的聚类算法是一种全局优化算法,但是其局部搜索能力较差,收敛速度慢。针对这两个方法所存在的问题,提出了一种改进的聚类算法。该方法结合了两个方法的优点,引入了K-means操作,再用遗传算法进行优化,并且在该方法中改进了遗传算法中的交叉算子,大大提高了基于遗传算法的聚类算法的局部搜索能力和收敛速度。     

遗传算法进化状态的测度及非随机性遗传操作方法

遗传算法作为复杂的多峰函数求解、机器学习、生产调度、大规模的组合优化、适 应控制、技能控制的最优方案寻优等的全局搜索算法，其广阔的应用前景越来越令人关注． 但是，遗传算法的基本操作是基于概率的随机性，由于未能对进化状态进行测度，适应度的 计算只能依赖于目的函数，而忽视了其与多样性变化的相关性，就难以避免退化个体和重复 个体的生成，导致“遗传漂移”或“早期收敛”．本文提出遗传算法进化状态测度及消除随 机性影响的遗传操作方法，大大提高了搜索效率，应用实例验证了该方法的有效性．     

基于切面上升的狭义遗传算法

该文提出了基于切平面上升的狭义算法,并对其全局收敛性进行了证明,其终止条件肯定就是收敛点,很好地解决了文献犤6,8犦中所遇到的问题,即能够方便地求解多元函数的优化问题。它具有收敛速度快,搜索过程稳定性好、可控制性强,控制参数易于选定等特点。     

一种可自适应调节参数的改进遗传算法

针对遗传算法在复杂问题应用中收敛速度十分缓慢的不足，本文引入收敛性因子和进程因子对种群进化的交叉概率和变异概率进行自适应调节，提出了可自适应调节参数的改进遗传算法．该算法很好地增强了遗传算法的全局搜索能力，提高了收敛速度．通过比较几个优化实例，验证了本文算法的有效性．     

基于改进的遗传算法在函数优化中的应用

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点,提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率;为了加快寻优效率,在选择算子方面将引进的选择算子与最优保存策略相结合;为了使遗传操作过程中种群数量恒定,又提出了保留亲本的策略。通过仿真实验发现,与经典遗传算法GA和IAGA相比,改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。     

一种区域转移实数遗传算法

在讨论实数遗传算法基本遗传算子及参数选择的基础上，针对算法能快速找到较好解的特点及恰当的搜索范围能保证算法找到满意解的现象，将区域划分与转移思想应用到算法结构改进中，设计了一种改进的实数遗传算法。文中对新算法进行了细致描述，并与类似方法进行了比较。最后对多个实验函数进行寻优，优化实验结果证明，新方法在寻找复杂问题的全局解、提高搜索精度方面比基本实数遗传算法有较大的改进。文章最后对新算法的优缺点进行了总结。     

遗传正交试验算法及其应用

遗传算法是一种能够在较大的参数空间中搜索到问题最优解的方法,在解决非线性问题时具有全局收敛性,但收敛性能差。论文提出一种结合遗传与正交试验两种算法优点的新混合遗传算法,应用表明该算法收敛能力强、寻优能力强及能产生大量次优解,是一种值得信赖的算法。