自适应遗传算法交叉变异算子的改进

标准遗传算法采用固定的交叉率和变异率,对于求解一般的全局最优问题具有较好的鲁棒性,而对于解决较复杂的优化问题则存在早熟及稳定性差的缺点。传统的自适应遗传算法虽能有效提高算法的收敛速度,却难以提高优良解的多样性,算法的鲁棒性仍有待改善。文章提出了一种改进的自适应遗传算法,对交叉算子和变异算子进行了优化,实现了交叉率和变异率的非线性自适应调整。实验结果表明,相比传统的自适应遗传算法,新算法具有更快的收敛速度和更可靠的稳定性。     

自适应遗传算法在特征选择中的改进及应用

传统遗传算法在求解全局问题具有很强的鲁棒性,但由于传统遗传算法固定的交叉率和变异率,使得传统遗传算法在求解复杂问题上存在早收敛及搜索后期运行效率低等缺点。针对此问题,提出了基于个体寿命的变种群自适应遗传算法,对种群规模,交叉率及变异率作了优化调整,使其能够根据进化的实际情况自动调整。实验结果表明,相比传统遗传算法,这个算法在全局优化能力及收敛速度上均有显著提高。     

云自适应遗传算法

传统自适应遗传算法(AGA)虽能有效提高收敛速度,却难以增强算法的鲁棒性.以当代种群平均适应度为期望Ex,根据云模型"3En"规则确定熵En,由X条件云发生器自适应调整交叉变异概率,提出云自适应遗传算法(CAGA).由于云模型云滴具有随机性和稳定倾向性特点,使交叉变异概率值既具有传统AGA的趋势性,满足快速寻优能力;又具有随机性,且当种群适应度最大时并非绝对的零概率值,有利于提高种群多样性,从而大大改善避免陷入局部最优的能力.典型函数优化实验表明,与标准遗传算法(SGA)和AGA相比,CAGA具有更好的收敛速度和鲁棒性.     

带密度加权的自适应遗传算法

为了改善传统自适应遗传算法收敛速度慢、易陷入局部最优解的情况,提出了带密度加权的自适应遗传算法. 该算法基于种群的分布密度,动态调整遗传算法的交叉概率和变异概率,并且在算法中使用了保留最佳个体法. 实验结果表明：该算法在破坏种群局部稳定性、跳出局部极值的同时,又能以较快的速度收敛于全局最优,提高了算法的实用性和鲁棒性.     

基于云控制的混沌多种群自适应遗传算法

针对传统遗传算法存在的早熟收敛现象,提出一种基于云控制的混沌多种群自适应遗传算法。该算法兼顾全局性和个体差异性两方面平衡,通过云控制器实现交叉率和变异率的自适应调节。在种群正常进化时,对个体实行惩强扶弱措施,在发生早熟收敛或有早熟收敛趋势时,对劣质个体实行灾变,同时采用多种群优化机制实现种群之间的同步进化。实验结果表明,与标准遗传算法和自适应遗传算法相比,该算法能够有效地避免早熟收敛问题,具有较高的收敛效率。     

LO型曲线的自适应遗传算法研究

标准的遗传算法在设置交叉算子和变异算子时使用固定的值,这样在求解复杂的优化问题时会存在解的多样性差和早熟的缺点。传统的自适应算法在收敛速度和解的多样性上是有效的,但是在算子调整的过程中,对算法演化过程中不同阶段的侧重不够(搜索空间、搜索精度、优秀模式的保存及进化动力),这样会使算法的收敛速度变慢并且减少优良解的多样性。提出一种改进的自适应调整算法来提高收敛速度及优良解的多样性,用Logistics曲线按照个体的适应度对交叉和变异算子的大小进行非线性调整,使得算子在演化的过程中满足不同阶段对搜索空间和搜索精度的要求。通过实验验证,新算法在收敛速度、稳定性及优良解的多样性上比传统的自适应遗传算法有优势。     

基于改进遗传算法的自动组卷问题的研究

自动组卷优化问题的研究,由于题库组卷的随机性,难度很大。针对传统遗传算法在自动组卷中存在的未成熟收敛和收敛速度慢等问题,为了快速可信地组卷,提出了一种改进的遗传算法。该算法采用模拟小生境法选择算子进行种群选取,并对交叉算子和变异算子进行了优化,实现了交叉和变异概率的非线性自适应调整。进行仿真实验,结果证明,改进的遗传算法在组卷的有效性、稳定性和收敛速度等方面有显著的提高,更能有效解决自动组卷问题,具有较好的使用性能和实用性,能够极大的满足用户组卷的需求。     

改进自适应遗传算法的性能分析

遗传算法存在未成熟收敛和收敛速度慢等不足之处,传统的自适应遗传算法虽能有效提高算法的收敛速度,却难以增强算法的鲁棒性。文中提出的改进的自适应遗传算法,提高了其搜索能力,具有更快的收敛速度和更可靠的稳定性,达到了预期的效果。     

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。     

基于自适应遗传算法的蜂窝网络信道分配

为解决遗传算法用于蜂窝网络固定信道分配时存在的过早收敛问题,通过采用最大需求优先最小冲突初始化方式、渐进式变异技术和一种新的交叉概率、变异概率自适应调整策略,提出一种自适应遗传算法。通过评估一组benchmark问题,证明该算法对解决信道分配问题具有较强的最优解收敛能力,收敛速度较快。     

遗传算法在结构优化中的应用

采用遗传算法求解桁架结构优化设计问题,建立了平面桁架结构优化的数学模型,应用改进的自适应遗传算法对其进行求解。为了加快遗传算法进化过程,本文采用精英选择与轮盘赌选择相结合的策略,鲁棒性更好,收敛速度更快,拥有较强的寻优能力。算例表明,该遗传算法可用于桁架结构的优化设计,优化速度快,效率高,优化结果更加可靠。     

A Study on Lateral Control of Autonomous Vehicles via Fired Fuzzy Rules Chromosome Encoding Scheme

In this paper, we propose a novel Fired Rules Chromosomes (FRC) encoding scheme for a fuzzy controller tuned by Genetic Algorithms (GA). The proposed method improves the optimization speed through the reduction of the search space. In addition, an improvement in convergence is demonstrated. The fuzzy controller optimized by the FRC scheme is employed to maintain the lateral position of an autonomous vehicle. The robustness of the controller to parameter variation is studied by Monte-Carlo analysis. Simulation and experimental studies demonstrate the performance of the lateral controller.     

风电机组变桨距模糊遗传控制算法研究

为提高额定风速以上风力发电机组发电机转速和输出功率的稳定性,基于风电机组的运行特性,建立了风电机组变桨距控制仿真模型;针对遗传算法收敛速度慢的缺点,采用模糊遗传算法对PID控制器参数进行整定。仿真结果表明,基于模糊遗传的控制器不仅提高了遗传算法的收敛速度,且在动态性能及系统稳定性方面均优于遗传算法控制器。     

量子遗传算法在指纹图像分割中的应用

提出了一种基于量子遗传算法(QGA)的指纹图像分割改进方法.这种方法利用量子遗传算法种群多样性好,收敛速度快的特点,将基于量子遗传算法的阈值分割方法与方向图法相结合对指纹图像进行分割.实验结果表明,QGA在指纹图像阈值分割中的速度和精度优于改进的自适应遗传算法和其它一些传统算法,是一种有效的图像分割方法.     

基于免疫遗传算法的Web服务组合方法

针对Web服务组合提出一种免疫遗传算法(IGA)。该算法将免疫原理引入遗传算法(GA)中,提高算法的整体特性。主要表现在免疫选择可有效地防止早熟,基于免疫记忆的子群体信息交换策略可加速收敛。GA在Web服务选择上存在不足,而IGA可以在备选的Web服务中进行有效的选择并最终组成Web服务组合,提高服务组合的质量和收敛速度。仿真实验结果表明IGA比GA更有效。     

基于改进GA的移动代理路由算法

针对移动代理在网络节点间迁移时的最优路径计算问题,提出一种改进的遗传算法,通过改进算子参数,达到算法性能优化的目的。针对求解的准确性和收敛速度进行了多组仿真实验,结果表明,与传统遗传算法的计算结果相比,该算法在保证了求解准确性的同时,具有更快的收敛速度,提高了应用系统的运行效率。     

改进遗传算法PID参数整定及在漂白温度控制中的应用

遗传算法（GA）是一种基于群智能的全局随机优化算法。针对简单遗传算法（SGA）收敛速度慢、易于早熟等缺点,采用改进的自适应交叉算子和自适应变异算子。结合兼顾性能指标和响应过程平衡的适配函数,以多种改进方式相结合的遗传算法对PID参数进行寻优整定。并将该控制器应用于纸浆漂白温度控制中,仿真结果表明：改进遗传算法能够明显改善收敛速度和寻优效果,当被控对象存在较大纯滞后、时间常数特性较大时,采用本方法优化PID控制器参数可获得比较满意的控制效果。     

基于混合遗传神经网络的百米跑成绩预测方法

在遗传算法(Genetic ALgorithm)与BP(Back Propagation)网络结构模型相结合的基础上，设计了用遗传算法训练神经网络权重的新方法，并把这种方法用于运动员百米跑成绩预测。与BP算法和LM(Levenberg Marquardt)算法相比，基于混合遗传算法的神经网络不仅有较快的学习速度和较好的学习精度，而且网络的泛化能力(Generalization Ability)得到了很大提高。     

粒子群优化算法训练神经网络辨识混沌系统

提出利用粒子群优化算法训练神经网络的算法,进行混沌系统辨识,并与神经网络、遗传神经网络对同一混沌系统辨识的结果进行比较。实验表明,利用粒子群优化算法训练神经网络进行混沌系统辨识,在不明显增加执行时间的基础上,寻求最优解的质量有显著提高,并且原理简单,容易实现,可有效用于混沌系统的辨识。