交互式遗传算法的改进方法及应用

针对交互式遗传算法中收敛速度慢和容易陷入局部收敛的缺点,提出遗传算法算子的一些改进策略,即利用定位部分优良基因方法,使这些基因较好地遗传到下一代。改进的算法能有效减少无效的交叉操作,收敛速度、全局搜索能力和局部搜索能力比交互式遗传算法均得到了较大的提高。将改进的算法应用于服装设计中,实验结果证明了改进后的算法在平均收敛代数和收敛到最优解的概率都优于遗传算法。     

交互式Multi-Agent遗传算法

提出一种新的交互式Multi-Agent遗传算法.该算法使固定在网格上的相邻智能体之间进行交叉、变异、死亡与再生操作和最优智能体本身进行自学习,来提高智能体的能量,从而使得算法获得较强的全局收敛能力和局部搜索能力.用户在每代进化中,只需选择感兴趣的个体,而不用评价每个个体的适应值,使得用户的评价操作变得简单易行.函数优化和服装设计的仿真实验表明算法能以较快的进化速度收敛,并使用户总评价次数减少,从而有效缓解用户的疲劳.     

交互式遗传算法中用户评估方法研究

交互式遗传算法是针对一些应用领域存在的适应度函数难以明确表达的问题,通过用户参与遗传操作过程,对进化个体进行评估以代替计算过程的一种改进方法.但交互式遗传算法存在的一个主要问题是当遗传操作的收敛速度慢时,用户需对大量个体进行评估,尤其是在个体间相似程度较高时,容易产生疲劳现象.针对这种问题,本文提出了两种方法来提高收敛性,缩短评估过程,从而最终解决用户疲劳问题.对人脸识别问题的实验结果表明本文算法可以有效的解决用户疲劳问题.     

可视化交互式遗传算法及其在图像感性检索中的应用

提出了一种可视化IGA模型，结合GA在n维空间上快速搜索的优点和人类在2维空间上把握数据整体分布的能力，采用可视化的方法使用户主动参与搜索过程以加快遗传算法的收敛速度，从而减轻用户疲劳．采用主元分析的方法将n维空间中的个体向量映射到2维空间．并显示出来，用户可以在这个2维空间中选择一个好的个体加入遗传过程．以此来加速算法的收敛．实验证明可视化IGA较一般的IGA有更快的收敛速度，对减轻用户疲劳有很好的作用．该模型用于图像的感性检索，取得了较好的检索结果。     

面向汽车造型设计的自适应交互式遗传算法

针对汽车造型设计的方案求解问题,提出基于造型件和利用自适应交互式遗传算法的汽车造型设计方法。在自适应交互式遗传算法中,利用云模型产生自适应交叉概率,而利用个体之间的相似性和进化代数产生自适应变异概率。通过汽车造型设计实验,表明所提出求解算法可以获得满意的汽车造型设计方案,能够降低用户疲劳,具有较高的运行性能。     

基于交互式遗传算法的个性化建筑物外观设计

交互式遗传算法通过交互式的手段以用户对个体的评估来替代传统遗传算法的适应度函数设计,在艺术创作、设计等偏向于人类主观感受的领域具有很高的应用价值和广泛的现实意义。该文提出并设计了一个面向建筑物外观设计的基于交互式遗传算法的建筑设计计算机辅助系统,通过交互式手段以用户对个体评估来替代传统GA对适应度函数值进行自动计算,将两个专业领域知识的结合和互补,为建筑设计人员能够更快、更好地满足客户提出的个性化要求提供帮助。该系统从应用层次验证了算法的可行性和实用性。     

基于BP神经网络代理模型的交互式遗传算法

针对交互式遗传算法存在用户评价噪声和审美疲劳的问题,提出一种基于误差反向传播神经网络用户认知代理模型的交互式遗传算法。通过构建用户评价噪声模型,形成进化个体动态模糊区间适应值,以刻画用户认知随机不确定性;在用户认知确定阶段历史评价信息基础上,构建误差反向传播神经网络代理模型,给出一种新的适应值估计策略;通过度量均方误差,实现代理模型的管理与更新。将所提方法应用于蜡染风格图案设计,并与其他典型算法对比。结果表明,该方法能够有效优化进化个体适应值质量、降低用户审美疲劳。     

基于素描的遗传算法

传统遗传算法容易陷入局部最优解,本文借鉴美术中“素描”的思想,对传统的遗传算法进行了改进,提出了基于素描的新型遗传算法．该算法模拟人的素描行为,构造参数控制下的选择算子,再通过参数的调节来选择个体,并依据最优个体对选择算子进行修正,以达到动态调整群体进化过程中的种群多样性和收敛速度之间的矛盾,从而有效地避免了传统遗传算法中早熟现象,显著地提高了GA对全局最优解的搜索能力和收敛速度．这将使GA在众多实际的优化问题上将具有更广泛的应用前景．仿真结果表明,该算法正确有效,且性能优于现有的其它方法．     

基于半监督支持向量机的交互式遗传算法

为减轻用户疲劳并将交互式遗传算法应用于复杂的优化问题中,提出一种基于半监督支持向量机的交互式遗传算法。根据标记样本和未标记样本几何特性派生出数据依赖的核函数,以此构建半监督支持向量机,再以自训练方法进行高可信未标记样本的批量选择,实现用户评价代理模型的高泛化性能。将该方法应用于基于内容的图像检索系统,结果表明其能有效加快进化收敛的速度,提高优化成功率。     

一种基于超群体的并行遗传算法

文章首次提出了空间交配的慨念,构造了一种基于超群体的并行遗传算法。它把每一子群体(sub-group)看作一个特殊的个体,称为超个体(super-individual);该算法就是对由若干超个体组成的群体———超群体(super-group)施加遗传运算,从而实现遗传算法的并行化。它不但较好地克服了早熟问题,而且开拓遗传算法研究的新方向。最后,给出了实验的对比分析,证实了算法的有效性。     

一种基于先小后大的遗传算法搜索策略

遗传算法(GeneticAlgorithm,GA)是处理复杂优化问题的一类通用性强的方法,但其实质上是一种随机搜索优化算法,待求解的搜索范围与算法的收敛速度有着密切关系。作者从该算法的搜索特点出发,提出先小范围搜索,再逐步扩大搜索范围的先小后大的搜索策略。实验表明该搜索策略可在一定程度上加快该算法的收敛速度。     

基于混沌“微变异”自适应遗传算法

遗传算法可以较好地解决复杂的组合优化问题,但也存在两方面不足:一是搜索效率比其他优化算法低;二是容易过早收敛,陷入局部最优.对此,提出一种混沌“微变异”遗传算法.利用混沌优化算法具有随机性和遍历性的特点,解决遗传算法容易陷入局部最优解的早熟问题,使得新算法同时具有较强的局部搜索能力和完成全局寻找最优解的能力.同时,对遗传算法的选择算子增加了混沌扰动,对交叉算子和变异算子进行自适应调整,对适应度函数进行改进,使遗传算法整体性能得到提高.最后,通过经典函数验证表明,混沌“微变异”遗传算法比一般的混沌遗传算法和经典遗传算法的进化速度更快,搜索精度更高.     

基于免疫更新机制的遗传算法及其在规划问题中的应用

受生物体免疫系统抗体更新机制的启发,将抗体更新机制引入遗传算法,从而保证抗体遗传子的多样性,有效地防止了遗传操作中的早期收敛。对遗传子进行分段编码以对应多道染色体,进而克服了传统遗传算法只能对二值染色体进行操作的缺陷。应用实例证明了该方法的有效性。     

一种基于学习机制的并行遗传算法

基于生物学群落的概念,提出了一个群落-种群-个体的三层模型,并在该模型上发展了一种基于学习机制的并行遗传算法(PGABL)。算法引入黑板模型作为控制和交互的数据结构,采用群内、群间、群落三个学习算子,将遗传进化和遗传学习相结合,有效地改善了遗传算法的性能。实验结果表明,该算法具有良好的适应性和稳定性。     

改进的自适应遗传算法

Srinvivas等提出一种自适应遗传算法,交叉概率与变异概率能够随着适应度大小而改变。但在这种算法中,群体中最大适应度值的个体的交叉率和变异率为零,这使得进化走向局部最优解的可能性增加。提出了一种改进的自适应遗传算法,使群体中最大适应度值的个体的交叉率和变异率不为零。实验结果表明该算法在抑制“早熟”现象,防止陷入局部最优,提高种群收敛速度方面都有明显的效果。     

一种解决早熟收敛的自适应遗传算法设计

为了解决简单遗传算法(SimpleGeneticAlgorithm,SGA)易陷入局部最优解的问题,及以往自适应遗传算法只考虑与进化代数相关的交叉与变异概率,而忽略个体分布情况及种群规模不可变等问题,本文在保留以往自适应遗传算法优点的同时,设计了与种群中个体分布相关的可变交叉概率与变异概率。同时考虑了种群规模的波动情况,使算法在相对稳定的动态种群规模中寻找优质解。     

改善收敛早熟的混合遗传算法

针对传统遗传算法收敛早熟问题,在传统包含模拟退火的混合遗传算法的基础上,设计加入了“包含浓度均衡措施的复制算法”,通过调整轮盘赌扇区面积,防止个体适应度的两极分化.从而避免了算法过早收敛于局部最优解;同时通过一个工程实例计算验证了算法的可行性.     

一种多种群遗传策略的OFDM功率分配算法

针对标准遗传算法在解决比例速率约束下多用户OFDM系统的功率分配出现的收敛速度慢和早熟收敛问题,提出了一种基于多种群遗传策略的功率分配算法。提出算法以业务公平指数为适应度值和以最优个体保持代数为算法终止依据。各个种群使用不同的控制参数,通过移民算子相互联系。仿真结果表明,提出的算法的收敛速度（100代左右）比标准遗传算法的收敛速度（300代左右）快且收敛结果稳定（都基本趋于0）,在最大化总容量的同时很好地维持了用户比例速率公平性。