基于生态种群捕获竞争模型的进化遗传算法

将协同进化的思想运用到遗传算法,是对遗传算法的一大改进和拓展,借鉴此思想,提出了一种生态种群捕获竞争的协同进化模型和基于此模型的改进的进化遗传算法(PCGA)。实验结果表明,该算法在改善未成熟收敛和提高收敛速度方面都具有良好的性能。     

一种变增长率的多种群竞争协同进化

为提高遗传算法的收敛性能,借鉴生态学对个体生存环境和种群竞争的认识,并根据原有的生态种群竞争模型的协同进化模式,对种群增长与环境间的动力学特征的方程进行了优化,提出了一种变增长率的多种群竞争协同进化.利用信息熵的概念,构造出含有熵的多目标优化模型,利用该模型可以直接显式地给出作为拉格朗日乘子的种群最优解存在概率,从而得出种群的增长率.采用该模式的遗传算法在改善未成熟收敛和收敛速度两方面具有较好的性能.     

一种基于全局协同与局部进化的遗传算法

改进了协同进化遗传算法中的协同操作,提出了一种基于全局协同与局部进化的两层框架模型和基于此模型改进的遗传算法（GCLEGA）,在高层,采用基于邻域的局部进化算法,旨在加强局部搜索,加速收敛速度,在底层,采用改进的多种群协同进化算法,旨在改善群体的多样性,克服未成熟收敛,两层之间通过提升操作关联,使全局搜索与局部搜索、全局收敛性与收敛速度有机地统一了起来。实验结果显示,GCLEGA在改善未成熟收敛和提高收敛速度两方面都具有良好的性能。     

一种新的进化计算算法模型--种群竞争消亡算法

为克服进化计算自身的早熟收敛缺陷,受自然界和人类社会进化现象的启发,文中研究得到了一种新的进化计算算法模型——种群竞争消亡算法。本文将该模型应用于温室作物生长模型的参数优化,并将试验结果与基本进化计算相比较,结果说明种群竞争消亡算法在稳定性和收敛性上确实比基本进化计算优越。     

基于生态协同的多目标优化研究

在分析现有多目标优化技术的基础上,提出了一种基于生态协同的多目标优化算法.此算法借鉴生态学中的生态种群密度竞争方程来描述多目标间的复杂关系,可以同时从个体和种群层次指导多目标之间关联程度的调整.实验结果表明,此算法更易于寻找多目标优化问题的满意解.     

新的遗传算法模型——两级种群竞争消亡算法研究

对种群竞争消亡算法进行了遗传算子和控制参数对搜索性能影响的研究,并在此基础上提出一种新的模型——两级种群竞争消亡算法:主级GA用于实现目标函数的优化;亚级GA用于实现对主级GA的控制参数和遗传算子的组合优化。对3个经典的优化测试函数的实验结果表明,与种群竞争消亡算法和简单遗传算法相比,两级模型可得到更好的寻优搜索结果。     

基于连接识别的协同进化种群分割算法研究

针对已有协同进化算法种群分割方法的不足,借鉴连接识别思想,提出用分段间隔相关迭代连接识别进行种群分割的算法,并给出算法的思想、步骤及具体实施方案．将其应用于典型的复杂函数优化问题,简要分析算法在搜索效率、计算复杂性等方面的性能以及相关参数对算法性能的影响,说明算法的可行性．     

基于多种群进化的遗传算法

针对单个种群的遗传算法容易陷入局部收敛而出现早熟的情况,提出了一种新的多种群遗传算法,用多线程并行处理的方法实现种群之间同步进化。实验证明,基于多种群的遗传算法能够有效地避免局部收敛问题,通过与简单遗传算法进行比较,所提出的新算法不仅收敛速度快,而且收敛效率高,是一种可行、有效的算法。     

基于双种群演化的遗传算法研究

针对标准遗传算法（SGA）在实际应用中出现的早熟收敛问题，引入了双种群演化的遗传算法，同时设计了适应双种群的特殊算子。文章首先阐述了遗传算法的基本原理和操作步骤，然后描述了双种群遗传算法的原理和特殊算子的设计；对“运动员参赛项目排序”这样一个实际问题进行了具体说明并分别使用标准遗传算法和双种群遗传算法进行了对比求解。实验证明：这种方法收敛效率较标准遗传算法有了很大提高，并保持了种群的多样性。     

基于生态竞争模型的遗传强化学习

未成熟收敛和收敛速度慢是目前遗传算法的明显缺点.借鉴生物在环境生态系统中的生长模式,文章提出一种生态竞争模型.该模型认为,竞争行为在生物的成长中占有十分重要的地位,在子群内实现了个体层次的先天遗传进化和后天竞争学习,在种群层次实现进一步的竞争强化学习.实验结果显示了该模型在解决收敛性问题时的有效性.     

基于混沌局部搜索的双种群遗传算法

针对遗传算法局部搜索能力差和早熟收敛的问题,提出一种基于混沌局部搜索的双种群遗传算法.将2个种群分别作为探测种群和开发种群,按不同交叉概率和变异概率进化.种群每进化一代即对其最优解做混沌局部搜索,若搜索到更优解,则取代原最优解,直至搜索到预设的混沌次数,同时2个种群之间每进化10代进行一次移民操作.在6个Benchma...     

基于小生境算法和聚类分析的快速收敛遗传算法

摘要：针对遗传算法中存在的早熟收敛和后期收敛速度慢的问题,在讨论种群多样性表示方法和早熟原因的基础上,提出了一种基于小生境技术和聚类分析的遗传算法快速收敛算法．利用小生境技术保持种群的多样性,有效防止早熟收敛．当种群进化到一定程度后,进行聚类分析,从而获得分布在各个极值点附近的聚类区域．在各个聚类中心处,利用局部搜索算法获得极值点;其余个体按照小生境技术在聚类区域外进一步搜索．仿真结果表明,这种算法能够有效地防止早熟收敛,可以极大提高遗传算法的搜索效率,有利于并行实现,并在一定程度上有助于骗问题的解决．     

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．     

基于寿命的变种群模糊遗传算法

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点，提出了一种种群数变化的模糊遗传算法．该算法对进化种群数进行宏观调控的同时，再用个体寿命限制个体的生存期，实现对种群数的微观调控．并采用模糊控制器控制交叉率，使其能够根据进化的实际情况自动调整．实验数据表明这种方法能够有效防止早收敛，大大改善遗传算法收敛性能．     

基于种群熵的改进型遗传算法

本文针对遗传算法具有早熟或局部收敛的缺点,根据种群熵S的实际意义,设计了一种可按照当前种群熵S的大小自动切换适应度函数的自适应适应度函数。对基本遗传算法,分别采用指数适应度函数,反比例适应度函数和本文定义的自适应适应度函数,在三种常用检测函数上进行实验,结果表明采用自适应适应度函数的基本遗传算法继承了指数适应度函数和反比例适应度函数的优点,既有强劲的收敛能力,又能保持种群多样性,可以更好更快更精确地收敛到问题的最优解。     

遗传算法中群体多样性的研究与应用

遗传算法中,初始群体的特性对计算结果和计算效率均有重要影响,要实现全局最优解,初始群体在解空间中应尽量分散,标准遗传算法是按预定或随机方法产生一组初始群体,这样就导致初始群体在解空间中分布不均匀。本文阐述了用相似度和适应度值对群体中每两个个体进行逐位比较,剔除相似个体,选择不同模式的个体组成新的群体,增加了群体的多样性,尤其在计算初期,能够有效的避免早熟问题的产生。最后,通过实例应用matlab7.0编程测试说明了这种方法的可行性。     

基于种群多样度的变参数遗传算法的研究

该文针对基本遗传算法（SGA）所存在的缺陷——早熟现象进行了分析,并在此基础上提出了基于种群多样度的变参数遗传算法（VPGA）。该算法从概率角度分析了遗传操作算子的作用,搜索范围以及多样性的影响,依据种群的多样度对遗传算法的参数进行自动调节,抑制早熟现象。并应用两种遗传算法对评价遗传算法性能的四个著名测试函数进行了仿真测试,仿真结果表明该算法相对于基本遗传算法的优越性和抑制早熟现象的有效性。     

一种基于新的模型的多目标存档遗传算法

在多目标优化中,如何在最优解集中获得一组分布均匀且质量较好的代表解是十分重要的。文中给出了种群个体的序和解的均匀性分布定义,在此基础上又给出了解的序值方差和U-度量方差,然后把对任意多个目标函数的优化问题转化成对两个目标函数的优化问题,并对转化后的优化问题提出了一种新的多目标存档遗传算法,并证明了其全局收敛性。数据实验比较表明该算法能找到问题的数量更多、分布更广、更均匀的Pareto最优解。