基于距离测度的改进自适应遗传退火算法

交叉操作和变异操作是遗传算法的两种基本操作,遗传算法的收敛速度在很大程度上与交叉概率和变异概率的选取以及交叉个体的配对策略有关.本文提出一种基于距离测度的改进自适应遗传退火算法,根据个体的距离密集度自适应地确定其交叉概率和变异概率.算法采用非等概率交叉配对策略,根据两个个体之间的距离自适应地确定交叉配对概率.此外,算法引入模拟退火机制,在遗传进化过程中的每一代,对最优个体进行邻域局部寻优,利用模拟退火进一步改善算法的收敛性能.对带边界约束函数优化问题进行了仿真计算,结果表明了该算法的有效性.     

一种改进的遗传算法及其在函数优化中的应用

针对基本遗传算法容易出现早熟早敛,本文提出了一种改进的遗传算法.这种算法主要是通过在进化过程中不断加入一些新鲜的个体来增强群体的多样性,在进化初期采用较大交叉和变异概率,在进化后期采用较小交叉和变异概率以及改进交叉算子来达到抑制早熟现象的发生.     

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。     

基于改进自适应遗传算法的物流配送路径优化研究

针对物流运输中带软时间窗车辆路径优化问题,提出一种改进的自适应遗传算法。为消除遗传算法初始种群随机性强,个体分散的缺陷,采用精英保留选择方法,加快算法的收敛速度,同时提出了交叉概率和变异概率自适应调整的交叉和变异方法,进化过程中交叉概率和变异概率根据适应度、进化代数和进化过程中个体未改变数目个数来自适应变化,提高算法的局部搜索能力,有效避免了算法出现未成熟收敛的情况。将新的自适应遗传算法(New Improved Adaptive Genetic Algorithm,简称NIAGA)应用于该路径优化问题的求解,实验结果表明改进后的自适应遗传算法在求解物流配送路径优化问题上有明显优势。     

一种自适应遗传算法在粗糙集属性约简中的应用

属性约简是粗糙集理论中的一个核心问题,为获得有效的最小相对属性约简,利用自适应遗传算法实现粗糙集属性约简。自适应遗传算法根据个体适应值动态调整个体的交叉概率和变异概率,提高了遗传算法的寻优能力和收敛速度。     

改进的遗传算法在催化裂解集总动力学参数估值中的应用

以基本遗传算法为基础,引入多重退火交叉,并以多种变异模式竞争取代单一的变异策略,以随着遗传代数和个体适应度动态调节的交叉和变异概率代替固定不变的交叉和变异概率,提出了一种改进的遗传算法;用于研究包含复杂组分、同时进行多种反应的催化裂解反应集总动力学,并与传统的算法比较,证明改进的遗传算法可迅速、准确获得有物理意义的动力学参数优化值,是研究复杂反应动力学的有效数值工具.     

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。     

基于进化个体适应值灰度的自适应交互式遗传算法

为将交互式遗传算法成功应用于复杂优化问题,有必要提高交互式遗传算法的性能。提出基于进化个体适应值灰度的交互式遗传算法,该算法采用灰度衡量进化个体的适应值评价不确定性;通过适应值区间的分析,提取反映进化种群分布的信息;基于此,给出了进化个体的交叉和变异概率。将该算法应用于服装进化设计系统,结果表明该算法在每代可以获取更多的满意解。     

用改进的遗传算法训练神经网络构造分类器

针对基本遗传算法存在容易早熟和局部搜索能力弱等缺陷,提出了改进的遗传算法,引入交叉概率和变异概率与个体的适度值相联系,改进了操作算子,而且在交叉操作后又引入模拟退火机制,提高遗传算法的局部搜索能力。同时,用改进的遗传算法和基本的遗传算法训练神经网络构造分类器,实验结果表明,改进的遗传算法在最好个体适度值和最好分类准确性等方面性能更好。     

个体自适应变异遗传算法

该文从染色体个体个性化和染色体编码基因位个性化两个方面对标准变异算子进行改进,提出了个体自适应变异遗传算法。通过给不同个体不同基因位分别赋予不同的变异概率,提高变异操作的效率,加快收敛速度。实验表明,个体自适应变异遗传算法的性能明显优于标准遗传算法。     

基于快速遗传算法的指纹匹配

针对标准遗传算法(GA)存在收敛速度慢且容易早熟的现象,提出一种快速GA算法,将其应用于全局点模式指纹匹配中。该算法通过在迭代过程中逐步缩小种群规模与优秀个体数目,降低突变概率,并尽量选择适应值高的个体,使匹配过程快速收敛于全局最优解。实验结果表明,该算法能提高指纹匹配的速度和准确率。     

融合均匀变异与高斯变异的蝙蝠优化算法

为提高蝙蝠算法的寻优精度和收敛速度,提出一种融合均匀变异和高斯变异的蝙蝠优化算法.算法引入变异开关函数,该函数使所有蝙蝠个体在任何时期都有概率发生变异,使种群保持较高的多样性和活跃性.同时在算法整个寻优过程中融入均匀变异和高斯变异,两种变异机制共同协作使算法首先快速定位到全局最优解区域,随后完成局部精确搜索.仿真结果表明,改进后的算法寻优性能显著提高,具有较快的收敛速度和较高的收敛精度.     

参数可变自适应遗传算法在军事地形图矢量化中的应用

针对纸制军事地图矢量化问题进行研究,提出一种基于自适应遗传算法的军事地形图矢量化方法,并在生成新的个体后,增加个体修正操作,提高个体的适应度。在该算法中,提出一种即考虑进化代数对算法的影响,又考虑到每代不同个体适应度作用的自适应交叉概率和变异概率。通过与传统方法的实验比较,证明该方法的可用性和有效性。     

一种用于智能组卷的自适应小生境遗传算法

在采用遗传算法进行智能组卷的过程中,常出现选择策略缺乏多样性保护机制的现象,易出现早熟收敛。为解决智能组卷的早熟收敛问题,提出一种自适应小生境遗传算法。采用小生境技术可提高个体的选择概率,增加个体的多样性选择机率;在保证算法收敛速度的情况下,给出一种一致变异算子,同时调节个体的变异概率和变异范围,提高种群多样性。最后,通过具体实例验证了该算法在较短的组卷时间内,可以实现全局寻优的结果,从而证明该算法的有效性。自适应小生境遗传算法在智能组卷中的应用具有实际意义。     

自适应变异差分进化算法估计软测量参数

提出一种自适应变异差分进化算法(ADE),能根据搜索进展情况自适应地确定变异率,使算法在初期保持个体的多样性,避免早熟:在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏,增加搜索到全局最优值的概率．与传统的差分进化算法(DE)相比较,ADE算法的离线性能和在线性能都有较大的改进,搜索到全局最优解的概率获得较大提高,对算法参数的敏感性低．本文将ADE算法应用于对苯二甲酸中对羧基苯甲醛含量软测量模型的参数估计,获得了满意的结果．     

一种基于距离测度的自适应遗传算法

为了提高基于距离测度的自适应遗传退火算法的收敛概率和收敛速度，提出了一种改进的算法，定义基于距离密集度和适应度的自适应变异概率，采用改进的算术交叉操作和模拟退火操作，并在群体趋于一致时保留最优个体，重新产生其他新个体。利用改进的距离测度实数编码遗传算法对带边界约束函数优化问题进行了仿真计算，结果表明该算法收敛概率较高，收敛速度快，是一种有效的算法。     

改进的遗传算法求解旅行商问题

提出一种解决旅行商问题的改进遗传算法.在传统遗传算法的基础上,引入贪婪算法进行种群初始化;从遗传进化代数和个体适应函数值两个方面实现遗传参数自适应调节,在加快寻优速度的同时防止寻优陷入局部最优;采用基于贪婪方法的启发式交叉算子优化交叉结果;对交叉前后的种群分别实施精英个体保留策略,保证最优基因结构得以延续.实验结果分析表明,改进的遗传算法可以在种群规模较小的情况下具有更可靠的寻优能力.     

一种基于种群熵的自适应遗传算法

遗传算法中的交叉概率和变异概率是影响算法行为和性能的关键所在,直接影响算法的收敛速度,甚至影响有限进化代内的收敛性。本文通过分析交叉概率和变异概率对算法的影响,设计了一种依据种群多样性和进化代数自适应调节的交叉概率和变异概率,改善了传统遗传算法存在＂早熟＂现象和算法后期收敛速度慢的不足。最后,给出了三个典型函数的模拟例子,通过与传统SGA和AGA的对比结果显示,本文的改进提高了算法的性能。     

关联交叉口子区的信号优化控制方法

在交叉口群的信号优化控制过程中,针对遗传算法早熟收敛且对相邻交叉口关联性考虑较少的问题,提出一种关联交叉口子区的信号优化控制方法。利用软集合理论将关联性强的交叉口划分在同一个子区;采用基于共享函数的小生境技术调整群体中个体的适应度并自适应地调整算法的交叉概率[Pc]和变异概率[Pm]对遗传算法进行改进;使用改进的遗传算法对关联交叉口子区的平均延误时间[D]进行优化。路网实测数据的仿真实验表明本文方法对交叉口群进行了合理的子区划分,且改进的遗传算法在子区信号优化控制中迭代次数减少,使得交叉口的平均延误时间更短。