用网格实现交叉操作的遗传算法

遗传算法可以看成是在某个空间求最大值的搜索技术。本文从理论上分析了在搜索技术中,用格点法比胡机法好,并用格点理论（佳点是格点的一种）设计了遗传交叉算子。模拟结果显示,与传统的胡机法实现交叉操作的遗传算法相比,本文算法不仅在效率、精度上有所提高,而且克服了“早熟”现象。     

多亲交叉遗传算法及其在旅行商问题中的应用

针对传统遗传算法早熟收敛的缺点,提出多亲交叉遗传算法。与贪婪交叉算子相比,该交叉算子能够有效保留父代优质个体特征,维持群体多样性,同时能够很好地平衡深度搜索与广度搜索。基于旅行商问题的仿真测试表明了多亲交叉遗传算法的有效性。     

电力系统PMU最优配置问题的混合优化算法

针对电力系统潮流计算方程直接可解的PMU最优配置问题,提出了一种引入小生境技术的遗传禁忌搜索混合算法。混合优化算法以小生境遗传算法为主体,避免传统遗传算法“早熟”和解的多样性不足的问题;结合禁忌搜索思想,使用TSR算子进行交叉操作,解决传统遗传算法局部搜索能力较差和收敛速度有待提高的问题。用该算法与其他两种传统算法进行了对比验证,结果表明该混合算法不仅能寻得全局最优解,而且提供了解的多样性,提高了优化效率,具有广阔的应用前景。     

基于遗传算法的函数优化问题研究

介绍了利用遗传算法解决函数优化问题的一般思路。引入一个称为精华模型的变量,以协调群体的多样性和选择性压力;引入并使用了均匀交叉算子、均匀变异算子,能改进遗传搜索的局部搜索能力,并显著提高遗传算法求得全局解的能力。     

单纯形搜索在遗传算法中的融合研究

构造了单纯形混合遗传算法SM-HGA+。分析单纯形搜索算法,提出了单纯形交叉算子和K步随机单纯形搜索算子,并将单纯形搜索算法和这两个算子分别融入到最优微群体μPB(t)、最差微群体μPW(t)和普通群体PC(t),形成SM-HGA+。最优微群体中的单纯搜索算法提高算法的精度;最差微群体中的单纯形交叉算子加速最差个体向优秀个体进化;普通群体中K步随机单纯性搜索提高全局搜索速度,同时在普通群体采用大交叉概率的标准遗传算法,提高全局搜索能力。遗传算法测试函数验证算法SM-HGA+的正确性、效率。     

多项目资源均衡优化的免疫遗传算法研究

针对多项目管理“工期固定-资源均衡”问题特点,设计免疫遗传算法对该类问题的求解。免疫遗传算法是模仿生物免疫系统的一种启发式算法,其在免疫算子中加入遗传算子,改进了遗传算法收敛方向无法控制易早熟的缺陷,使算法具有更好的全局搜索能力和记忆功能。最后,结合算例对算法进行验证和分析。     

带有退火和杂交变异思想的改进粒子群算法

针对粒子群算法的“早熟”,进化后期收敛速度慢及精度低等问题,提出了一种改进的PSO算法。为保证初始群体的遍历性,改进算法首先利用了信息熵产生初始群体;为提高进化过程中群体的多样性,将遗传算法中杂交、变异的思想融入了算法中;为提高算法晚期的收敛速度,将模拟退火算法中退火的思想引入到杂交过程中。该算法与其他改进算法进行数值比较,仿真实验表明,提出的算法抗“早熟”能力强,搜索精度高,稳定性好。     

基于生长树聚类的改进型遗传算法

分析目前基于聚类思想的遗传算法的不足,提出一种基于生长树聚类的改进型遗传算法。采用最小生成树的聚类方法,能对形状复杂且非重叠样本的候选解进行聚类形成家族;新的族间交叉算子保持了种群的多样性;改进的族内交叉算子和改进的变异算子使得算法在后期仍能快速收敛;实验对经典算法测试函数进行优化,并与其他算法的优化结果对比,从而说明改进型遗传算法的性能。实验结果表明：基于生长树聚类的改进型遗传算法能有效提高求解精度,快速搜索到最优解。     

一种改进的非支配排序遗传算法

提出了一种改进的非支配排序遗传算法。通过扩大第一代种群规模,在初期加速种群的进化;对选择算子引入概率操作来提高种群的多样性;同时引入混合交叉算子,动态调节算法的搜索空间。最后以收敛性和分布性作为性能指标,使用公开的多目标测试函数对其进行测试,并与基本的非支配排序遗传算法和改进的多目标粒子群算法进行比较。实验结果表明,改进后的非支配排序遗传算法在收敛性和分布性两方面均有提升。     

基于随机错位算术交叉的遗传算法及其应用

杂交算子是实现进化群体的多样性和改善遗传算法性能的重要因素.本文在对遗传算子做了深入的探讨并分析了良好杂交算子应具有的两个性质之后,提出了一种新的交叉算子--错位交叉算子(DislocationCrossover,DC),继而设计了随机错位算术交叉算子(GAs Combined with Random Dislocation Arithmetic Crossover,RDAC),并应用于实际问题.该方法使已有的最优可行个体序列以极大概率并且快速地离开早熟收敛状态继续接近全局最优解.数值测试实例表明了该算法具有良好的全局搜索能力和较快的收敛速度.     

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。     

遗传交叉和变异对种群多样性的影响

首先,定义了群体的算术交叉扩展子空间、寻优空间和基因位直方图概念,并分析了交叉在解空间的扩展性．然后,证明了在二进制编码中,交叉不能改变基因层次上的多样性;而在实数编码中,在一定条件下,算术交叉可改变基因层次上的多样性,但以扩大寻优空间、产生无用解为代价．随后,证明了交叉可改变个体层次上的多样性,而变异可改变以上两个层次上的多样性．最后,分析了所得结论对遗传算法的改进和应用具有的指导意义,并通过仿真加以验证．     

基于交叉变异策略的双种群差分进化算法

为加强差分进化算法的全局搜索能力,提出了一种基于交叉变异策略的双种群差分进化算法（CMDPDE）。CMDPDE中,两个种群分别采用大小不同的缩放因子和交叉因子,在每代进化完毕后,对其中缩放因子和交叉因子较小的种群执行交叉或变异策略来寻找更优的个体,同时两个种群之间每10代进行一次信息交流。这种方式与单种群差分进化算法相比,可以通过双种群和交叉变异策略来增加解的多样性,使算法能在更大的范围内寻优。6个Benchmark函数的实验结果证明CMDPDE具有较好的寻优能力。     

重组的遗传漂移分析

进化计算中存在的遗传漂移现象导致种群均匀地收敛于单一个体,产生早熟收敛或丢失可选的全局(或局部)最优解.遗传漂移起源于选择压、选择的采样误差和重组算子的作用.多父代重组算子是多种交叉和重组算子的广义化.以多父代重组算子为对象,研究重组的遗传漂移现象.通过基因频率分析,严格地证明多父代对角交叉和均匀扫描交叉不会引起遗传漂移,但基于基因出现频率的多父代扫描交叉导致遗传漂移,其程度随重组规模的增加而加剧.应用基于基因出现频率的多父代扫描交叉的仿真遗传优化实验的数据表明,重组的遗传漂移不但导致种群多样度的急剧下降,而且降低了进化搜索的收敛速度,从而降低了进化搜索的性能.     

自适应激素调节遗传算法

基于生物内分泌系统的激素调节原理,提出了一种新的自适应遗传算法。该算法以内分泌激素调节的Hill函数下降形式为基础,设计了自适应交叉算子和自适应变异算子,使交叉率和变异率在遗传算法迭代过程中,能够根据各代种群多样性的变化进行自适应调节,在整个进化过程中将种群多样性维持在合理水平。4种测试函数及三维人脑图像分割的实验结果显示,提出的自适应遗传算法可较好地保持种群多样性并克服早熟现象,性能优于其他两种自适应遗传算法及传统遗传算法。     

遗传规划中遗传算子对种群多样性的影响

为了能有效地避免过早收敛并跳出局部最优,提出了一种改进的遗传规划算法来研究遗传算子（选择、交叉和变异）对种群多样性（主要是基因型和表现型）的影响。首先在基准问题（奇偶校验和符号回归中的四次多项式函数）中比较不同的遗传算子在离散和连续的适应度空间中的搜索寻优,然后使用斯皮尔曼相关系数来度量种群多样性与适应度的相关性。结果表明选择和交叉算子极大地减少了种群多样性,变异算子则能维持甚至提高种群多样性,这说明通过控制遗传算子来改变种群多样性从而找到最优个体是可行的。     

基于排序的改进自适应遗传算法

本文提出了一种改进的自适应遗传算法,其遗传算子由个体在种群中的排序位置自适应地决定,其中选择算子还引入了disruptive selection的思想.该算法能避免群体中超级个体的出现,维持了种群的多样性,加快了种群的收敛速度,克服了遗传算法早熟的现象.函数优化的结果验证了该算法的有效性.     

免疫算子对种群多样性的影响分析

经过多年的发展,研究人员设计出大量的免疫算法来解决多目标优化问题。基于三种免疫算子：克隆选择算子、超突变交叉算子和重组存储记忆算子,并通过分析三种算子何时或以何种方式对免疫算法中种群多样性产生影响,从而对免疫算子与种群多样性之间的联系进行了研究。对NNIA和CMOIA两种经典免疫算法在两个基准问题上进行实验分析,实验结果表明克隆选择算子对于算法多样性有消极影响,而超突变交叉算子和重组记忆存储算子则会帮助算法维护多样性。     

一种催化粒子群算法及其性能分析

针对粒子群算法（PSO）在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种新颖的混合算法—催化粒子群算法（CPSO）。在CPSO优化过程中,种群中的粒子始终保持其个体历史最优值pbests。CPSO种群更新由改造PSO、横向交叉以及垂直交叉三个搜索算子交替进行,其中,每个算子产生的中庸解均通过贪婪思想产生占优解pbests,并作为下一个算子的父代种群。在CPSO中,纵横交叉算法（CSO）作为PSO的加速催化剂,一方面通过横向交叉改善PSO的全局收敛性能,另一方面通过纵向交叉维持种群的多样性。对6个典型benchmark函数的仿真结果表明,相比其它主流PSO变体,CPSO在全局收敛能力和收敛速率方面具有明显优势。