一种求解数值优化问题的非线性遗传算法

由于算术杂交算子的线性搜索范围及变异算子的随机搜索，导致了实数遗传算法的效率较低．为此，通过拓展遗传算子的搜索范围，提出了一种动态双层非线性杂交算子，并将混沌搜索引入变异算子，从而给出了一种求解数值优化问题的非线性遗传算法．实例仿真证明该算法的有效性，并以“平均截止代数”和“平均截止代数分布熵”作为评价指标，对该方法的优化效率进行了研究，定量的评价了该方法的优化效率，通过与实数遗传算法进行比较，进一步说明了该方法的优化效率高于实数遗传算法。     

基于阀值逆序算子的优化组合遗传算法

针对遗传算法局部搜索能力差的缺点，模拟生物染色体中基因排列的有序性，对阀值逆序算子进行了研究，它与传统逆序算子相比，能较好地提高群体性能提高，减少了对种群多样性的破坏，改善了遗传算法的局部搜索性能，与具有全局搜索性能好的遗传算子组合，弥补了阀值逆序算子对全局搜索性能的影响，构造了一种基于阀值逆序算子的优化组合遗传算法。从理论上证明了该算法的收敛性，实验结果表明，该优化组合算法具有更好的寻优能力，对应用串型编码的遗传算法解决一般的优化问题时，具有很好的借鉴意义，阀值可根据求解问题特征和局部搜索强度而选定。     

具有自适应选择策略的改进遗传算法

遗传算法是一种进行全局寻优的有效方法,是进化计算中最受关注的算法之一.基本遗传算法采用选择、交叉、变异等算子对问题的解空间进行搜索,具有结构简单、实现方便、鲁棒性强等特点,在许多领域得到了应用.介绍了遗传算法的原理与实现方法,讨论了基本遗传算法的遗传算子以及具有重要意义的模式定理.在基本遗传算法的基础上,提出了对选择算子的改进方法,即在选择操作时增加了自适应的优选和淘汰机制,以便提高进入交配池个体的适应值.仿真结果表明,改进后的遗传算法能有效地提高群体的平均适应值,加快最佳个体的进化速度.     

异构环境下独立任务分配问题的免疫遗传算法

针对异构环境下独立任务分配问题，提出了一种免疫遗传算法，为抑制早熟停滞现象，基于免疫原理，为遗传算法定义了染色体浓度，采用免疫变异算子来维持种群的多样性，采用接种疫苗算子来提高算法的求精能力，使算法在空间探索和局部求精间取得了很好的平衡，仿真结果表明．遗传算法能够很好地应用于求解任务分配问题，基于免疫原理的优化算子能够有效地提高遗传算法的搜索效率、优化搜索结果．     

基于动态算子遗传算法的光网络阻塞率的快速计算

给出了基于分层图模型的光网络中链路阻塞率的计算公式，提出了一种改进的遗传算法，通过动态调整交叉和变异两算子，在全局搜索的情况下，调大变异算子的值，控制交叉算子的值；在收敛到局部进行搜索时，控制变异算子，提高交叉算子值，提高局部搜索能力，得到了一种快速的光网络阻塞率的计算方法，通过模拟显示：与普通遗传算法相比可以提高计算速度60%，并降低网络的阻塞率。     

一种用于BP网络优化的并行模拟退火遗传算法

针对模拟退火算法和遗传算法存在的不足，提出了并行模拟退火遗传算法，并用于3层BP神经网络优化。在适应度函数中引入模拟退火机制，采用排序、最优保存策略选择算子、启发式交叉和多点非均匀变异改进遗传算子，利用模拟退火算法产生新解增加搜索方向，并结合并行进化思想对经典遗传算法进行改进。通过对英文字母识别的仿真实验，表明该方法全局搜索能力、局部搜索能力和收敛速度都优于经典遗传算法。     

一种基于矩阵遗传算子的优化组合遗传算法

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码具有对搜索空间表示精细、容易位值计算的特点,提出矩阵遗传算子,实现群体性对样本空间探索,从而增强遗传算法的全局搜索性能,与具有良好局部搜索性能的遗传算子组合应用,构造了基于矩阵遗传算子的优化组合遗传算法,保证了算法的全局收敛性.实验结果表明,该算法具有更好的整体寻优能力,对利用基于二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义.     

遗传算法的一种新颖编码研究

提出了一种新的基于N进制分部编码算子的遗传算法．该编码算子首先将每个基因值用N进制的浮点数表示，然后将其分为整数部分和小数部分，分别重新编码组成染色体；相应的选择、交叉、变异算子采用符号编码的思想，充分利用N进制浮点数的特点进行设计．在遗传算法开始阶段，该编码算子进行整数部分和小数部分的遗传操作，使得遗传算法在早期具有很强的全局搜索能力，避免陷入局部极值；在后期进行小数部分的遗传操作，使得遗传在后期具有很强的局部搜索能力，能够很快地搜索到全局极值．通过理论分析，证明了N进制分部编码算子与传统的浮点数编码和二进制编码算子相比具有优越性，并通过典型函数的仿真进行了验证．     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能。对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能,对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

交叉算子的极限一致性

交叉算子是遗传算法的主要操作算子之一，它使遗传算法具有了其它传统方法所没有的特性，并于它的理论研究对深入理解遗传算法具有重要意义，该文对遗传算法中常用的交叉算子（一点交叉算子、两点交叉算子、多点交叉算子和一致交叉算子）的性质进行了分析，综合考虑了交叉算子色全的双重作用，给了染色体在各种交叉算子作用下的变化规律，并得到了模式变化的极限性能，证明了这些交叉算子的极限一致性，即这些交叉算子在演化代数趋于无穷时对染色体的作用结果是一致的，同时对各自不同的收敛特点进行了分析，这些分析结果不仅UMDA等算法提供了一定的理论依据。也为今后的研究工作提供了基础。     

求解TSP的启发式顺序交叉算子

旅行商问题是经典的NP难组合优化问题之一.在用遗传算法求解旅行商问题时,顺序交叉算子是一种较为常用的遗传交叉算子.使用顺序交叉算子时的交叉点位置是随机指定的,不能反映关键遗传信息,导致算法执行效率较低.在顺序交叉算子的基础上,提出了一种启发式顺序交叉算子.该算子结合顺序交叉算子和启发式算法以得到双亲中交叉点位置,保留了双亲中关键的城市顺序信息.该算子改善了使用顺序交叉算子执行效率低的问题.实验结果表明了该算子的有效性.     

一种变形杂交算子——轮转杂交算子

杂交算子是遗传算法的三个基本算子之一,它在改进解群质量方面发挥着重要作用。现有遗传算法的杂交算子通常选择两个个体组成母本进行杂交运算。该文提出了一种选择三个个体组成母本进行轮转杂交的思想,文章称这种新的杂交算子为轮转杂交算子。首先通过理论分析证明,它能够扩大遗传算子搜索子空间,使收敛结果更趋于最优解。然后将其用于分布式系统任务调度问题,模拟结果说明是可行的。     

A local search method for periodic inventory routing problem

Inventory routing problem considers inventory allocation and routing problems simultaneously, in which the replenishment policies and routing arrangement are determined by the supplier under the vendor managed inventory mode. What we consider here is a periodic inventory routing problem that once the delivery time, quantity and routing are determined, they will remain the same in the following periods. The problem is modeled concisely, and then it is decomposed into two subproblems, inventory problem and vehicle routing problem. The inventory problem is solved by proposing a local search method, which is achieved by four operators on delivery quantity and retailer’s demand. Insertion operator aims to insert a new replenishment point of a retailer while removal operator is to remove a replenishment point. Besides, addition operator is adopted as an assistant tool, and crossover operator is proposed for some special cases. We also propose a tabu search method to solve the routing problem. Finally, the computational results show that the method is efficient and stable.     

A new crossover operator in genetic programming for object classification.

The crossover operator has been considered "the centre of the storm" in genetic programming (GP). However, many existing GP approaches to object recognition suggest that the standard GP crossover is not sufficiently powerful in producing good child programs due to the totally random choice of the crossover points. To deal with this problem, this paper introduces an approach with a new crossover operator in GP for object recognition, particularly object classification. In this approach, a local hill-climbing search is used in constructing good building blocks, a weight called looseness is introduced to identify the good building blocks in individual programs, and the looseness values are used as heuristics in choosing appropriate crossover points to preserve good building blocks. This approach is examined and compared with the standard crossover operator and the headless chicken crossover (HCC) method on a sequence of object classification problems. The results suggest that this approach outperforms the HCC, the standard crossover, and the standard crossover operator with hill climbing on all of these problems in terms of the classification accuracy. Although this approach spends a bit longer time than the standard crossover operator, it significantly improves the system efficiency over the HCC method.     

交叉算子与免疫算子的作用比较

通过应用免疫原理设计免疫算子对交叉结果进行修复，将免疫算子作为“有导向的变异算子”取代经典演化算法中的“盲目的变异算子”，可以有效抑制优化过程中的退化现象。该文以旅行商问题为例，通过设置不同的交叉概率和免疫概率，对免疫遗传算法中交叉算子和免疫算子的作用进行研究。实验结果表明，交叉算子的作用在于保证候选解的多样性和建设性（将局部近似最优解组合成全局近似最优解）；而免疫算子的作用则是对候选解进行局部优化，二者的结合体现了搜索过程中勘探与开采的统一。     

Theoretical analysis of evolutionary algorithms with an infinitepopulation size in continuous space. Part II: Analysis of thediversification role of crossover

For pt. I see ibid., p. 102-19. In this part of the paper the authors concentrate on the unique diversification role of the crossover operator in genetic algorithms. The explorative behavior of a generic crossover operator is revealed through a detailed large-sample analysis. Recursive equations for the population distributions are derived for a uniform crossover operator in multi-dimensional continuous space, showing how the crossover operator probes new regions of the solution space while keeping the population within the feasible region. The results of this analysis can be extended to the setting of a discrete space in a straightforward manner, shedding much light on the understanding of the essential role of crossover in genetic algorithms.     

Crossover in Grammatical Evolution

We present an investigation into crossover in Grammatical Evolution that begins by examining a biologically-inspired homologous crossover operator that is compared to standard one and two-point operators. Results demonstrate that this homologous operator is no better than the simpler one-point operator traditionally adopted.An analysis of the effectiveness of one-point crossover is then conducted by determining the effects of this operator, by adopting a headless chicken-type crossover that swaps randomly generated fragments in place of the evolved strings. Experiments show detrimental effects with the utility of the headless chicken operator.Finally, the mechanism of crossover in GE is analysed and termed ripple crossover, due to its defining characteristics. An experiment is described where ripple crossover is applied to tree-based genetic programming, and the results show that ripple crossover is more effective in exploring the search space of possible programs than sub-tree crossover by examining the rate of premature convergence during the run. Ripple crossover produces populations whose fitness increases gradually over time, slower than, but to an eventual higher level than that of sub-tree crossover.     

一种改进的TSP启发交叉算子

旅行商问题（TSP,Traveling Salesman Problem）是一种经典的NP组合优化问题。遗传算法在求解这类组合问题方面明显优于传统算法,同时也提出了许多求解较好路径的交叉算子。在对比分析唐立新提出的两种启发式交叉算法的基础上,提出了一种新的交叉算子。该算子通过判断父代的城市是否相邻来保存有效基因片断,通过加入一个移动的窗口来加快算法收敛。实验结果表明了该算子的有效性。     

旅行商问题的一种插入交叉算子

求解TSP问题是遗传算法应用的一个重要领域,其本质是TSP问题中巡回路径编码串的组合最优化问题。对于符号编码方式的遗传算法,通常需要设计特定的交叉算子以提高算法的运行效率和性能。该文针对自然数编码的方式,提出了一种较适合于大规模TSP问题求解的遗传交叉算子:插入交叉(InsertCrossover,简称IX)算子。该算子以优良的交叉策略,保证了算法的快速收敛和全局寻优。仿真实验结果证明,IX算子对于大规模TSP问题具有比较好的性能。