遗传算法交叉和变异操作的模糊优化

该文针对遗传算法存在的问题,在总结了有关交叉和变异操作的启发性知识的基础上,给出了交叉概率、交叉点位置和变异概率的模糊优化规则,提出了一种新的基于模糊控制器的遗传算法(FCGA)。对三个函数的优化结果表明:FCGA不仅能够有效克服早熟收敛,而且提高了算法的收敛速度。     

改进遗传算法搜索性能的研究

本文针对改进遗传算法的搜索性能,提出了一种新的变异算子－自适应多位变异算子,它根据每一代的每一个体在当代中的优劣程度,自适应地控制其发生变异的位数。适应度差的个体变异的位数多,一方面使差的模式生存机会少,另一方面增加了种群的多样性,同时也扩大了搜索范围。我们用模式定理证明了该算子的有效性,并且我们作的仿真实验也同样表明该算子能大大改进遗传算法的搜索性能。     

遗传算法与多Agent遗传算法操作与性能比较

该文主要介绍遗传算法及其改进的混合算法多Agent遗传算法在操作和性能上的差异,分析并证明了了遗传算法求解高维函数优化问题的局限性。通过实验证明了多Agent遗传算法的执行性能上较遗传算法具有很大的优越性,特别是在求解不高于400维的优化问题时。     

模拟退火自适应大变异遗传算法及其应用

为了克服遗传算法易陷入局部最优或早熟问题,提出了一种模拟退火大变异遗传算法,采用了大比例优秀个体保护策略,以保证算法的收敛性。应用该算法求解旅行商问题的仿真实验证明了它能较快地收敛到最优解或准最优解。     

基于一种新的基因操作策略的改进遗传算法

提出一种新的基因操作策略,该策略利用单纯形法的思想产生新样本,将遗传处法寻优的随机性与传统算法寻优的方向性有机地结合在一起。仿真结果表明,将改进的遗传算法用训练神经网络辨识器,可提高收敛速度和模型拟合精度。     

一种改进的实数编码遗传算法*

针对实数编码在进行数值优化时固有的过早收敛、停滞现象和弱的爬山能力等缺点,通过设计不同的交叉、变异算子,提出了一种改进的实数编码的遗传算法。数值实验显示,该算法在函数优化问题上取得了较满意的效果。     

遗传算法选择操作及MATLAB实现

本文系统分析了贯穿遗传算法各步骤的选择操作。采用正交优化和随机产生初始解相结合方法，保证初始解多样性和均匀性。改进轮盘赌法的执行效率并和精华保存法结合，选出复制对象，克服了局部收敛。并结合一个多峰函数给出其完整matlab程序。仿具试验表明程序有理想的收敛速率和能够对函数进行合局寻优。     

基于捕食搜索策略的遗传算法研究*

针对标准遗传算法易陷入局部最优而出现早熟,提出了一种基于捕食搜索策略的遗传算法。该算法在进化中模拟动物捕食搜索的过程,并根据种群中个体最优适应值来动态改变交叉和变异概率,从而加强算法的全局搜索和局部优化的能力。仿真实验表明该算法是有效的。     

遗传算法的性能分析

以几个典型的函数优化问题为例,比较,分析几种不同策略下遗传算法的全局收敛性及收敛速度,发现了以往理论分析与实际问题之间的不一致,提出以寻找最优解或最优解组的角度衡量算法收敛性能的观点及标准,定义了一个更为直观地反映算法收敛过程的测度函数及部分在线特性。     

混沌变异算子的改进遗传算法及其应用

为解决标准遗传算法（SGA）收敛缓慢等缺点,提出一种混沌变异算子的改进遗传算法,进化过程中,为防止局部早熟收敛,对较优个体的变异操作中引入一个混沌变异算子,并把混沌运动的遍历范围“放大”到优化变量的取值范围,通过一代代地不断进化,收敛到一个最适合环境的个体上,求得问题的最优解;建立精英个体序列库,防止最优解的丢失。采用实际算例进行仿真试验,仿真结果证明了该算法的有效性。     

一种快速有效的多模态函数寻优方法─—双群体遗传算法

为了解决多模态函数优化问题中全局搜索和局部优化的矛盾，本文提出一种模仿社会分工现象的观群体遗传算法，该算法用一个群体搜索，另一个群体优化，仿真结果表明：和现有方法相比，该算法不仅不会陷入局部极小点，而且收敛速度极快，是一种多模态函数寻优的有效方法。     

一种快速有效的多模态函数寻优方法

为了解决多模态函数优化问题中全局搜索和局部优化的矛盾,本文提出一种模仿社会分工现象的双群体遗传算法,该算法用一个群体搜索,另一个群体优化,仿真结果表明：和现有方法相比,该算法不仅不会陷入局部极小点,而且收敛速度极快,是一种多模态函数寻优的有效方法。     

采用混沌变异的进化算法

根据混沌理论关于进化与混沌的关系,设计一种采用混沌变异算子的进化算法,并提出“尺度收缩”的变异策略。对极小值函数优化问题的仿真实例表明,混沌变异是实数编码进化算法变异算子的有效实现;而采用“尺度收缩”策略的混沌变异算子明显改善了群体平均适应值,提高了算法性能,是解决优化问题的有效方法。     

遗传算法及其工具箱在函数优化问题中的应用

函数优化是遗传算法的经典应用领域,也是对遗传算法进行性能评价的常用算例。由此,该文首先对遗传算法的基本原理和定义,以及其工具箱作了简介,最后结合实例,简述了遗传算法及其工具箱在函数优化问题中的应用。     

混沌在遗传算法中的应用

通过对由差分方程生成的混沌序列的分析,利用混沌序列内在的伪随机性,将混沌引入到遗传算法的初始种群的生成、交叉算子、变异算子中,由此得到了混沌遗传优化算法。该算法在克服基本遗传算法中的早熟收敛方面显示了有效性,对大多数检测函数的检测结果表明,算法令人满意。     

求解函数优化问题的遗传算法

从遗传算法的编码、遗传算子等方面剖析了遗传算法求解无约束函数优化问题的一般步骤,并以一个实例说明遗传算法能有效地解决函数优化问题。     

基于自适应遗传算法的改进PID参数优化

PID参数设置是决定PID控制性能的关键,为了获取较优的PID控制效果,提出了自适应遗传算法整定和优化PID参数的方法;首先将系统的综合性能控制区分为不同目标的局部性能控制,针对局部目标采用不同的目标函数;之后采用自适应选择、交叉和变异概率对不同控制目标进行PID参数寻优,自适应遗传算法在保持种群多样性的同时能够加快算法收敛;最后通过发动机怠速转速控制应用表明本算法的可行性和有效性:改进的PID控制和遗传算法有效提高了PID参数寻优能力,提高了控制系统的响应能力和稳定性.     

基于遗传算法的混合类型数据聚类分析

针对聚类分析算法在数据挖掘应用中存在的问题,该文结合遗传算法,对传统K均值聚类算法进行了改进,提出了混合类型数据聚类新算法,扩展了聚类分析的应用范围。实验结果表明,该算法具有较好的聚类性能。     

改进的自适应遗传算法求解0/1背包问题

为提高遗传算法求解问题的性能,提出一种改进的自适应遗传算法,该算法在交叉概率和变异概率公式中引入了当代迭代次数因子,提出了基因差别比例（Ca）的概念。Ca越大的基因位发生交叉、变异的概率越大,产生新个体的可能性越大;在模式生成操作中,确定基因位的选取同样由Ca决定。仿真结果表明,此算法在求解0/1背包问题时,其寻优能力有很大提高。