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。     

基于协同进化的自适应遗传算法研究

针对传统遗传算法易于陷入局部最优解,性能不稳定的问题,提出了一种基于协同进化的自适应遗传算法（CEAGA）。在协同进化的两层框架模型的基础上,引入一个自适应的变异策略,改进了协同进化遗传算法中的局部进化操作,加强了在上层中的局部搜索;在下层,在种群之间采用协同进化算法,克服未成熟收敛,在种群内部进化中引入自适应遗传操作,保护种群中的优秀个体。实验验证CEAGA既具有很快的收敛速度,又具有很好的全局搜索性能。     

协同进化遗传算法及其应用

介绍了协同进化遗传算法及其实际应用，大量的实验数据表明，它的性能明显优于传统的遗传算法，而且对不同的协同进化方法进行了对比。由此本文提出用协同进化遗传算法来解决入侵响应问题，以提高响应的速度和效率，最后预测了协同进化遗传算法的发展方向和应用。     

基于竞争方程的竞争型协同进化算法及应用

协同进化算法是近年来针对遗传算法的不足而兴起的，还处于研究初步阶段。本文在竞争型协同进化的基础上，借鉴生态学中种群竞争的Gause竞争模型，提出了Gause竞争型协同进化模型及算法，并将该算法应用于模糊神经系统的辨识问题上。实验证明，该算法比标准遗传算法、典型竞争型协同进化算法和BP学习算法具有更好的全局收敛性和更快的收敛速度，它在一定程度上解决了标准遗传算法的不足。     

一种改进的抑制早熟收敛的模糊遗传算法

针对遗传算法中的早熟收敛现象，提出一种改进的模糊遗传算法。该算法将群体适应度均方差和种群的进化代数作为模糊逻辑控制器判断早熟收敛的标准，并根据判断结果对优劣不等的个体采取相应的进化方法，即当种群正常进化时对个体执行“惩强扶弱”的措施以保持种群多样性，一旦发生早熟收敛或有早熟收敛的趋势则对劣质个体进行局部灾变，以恢复种群的进化能力。实验结果表明，与标准遗传算法、自适应遗传算法和模糊遗传算法相比，改进的模糊遗传算法能够更好地维持种群多样性，抑制早熟收敛。     

基于生态种群竞争模型的协同进化

遗传算法基于适应度的进化模式没有考虑进化的外部环境和进化成分之间的关系,这是协同进化研究的内容.借鉴生态学对个体生存环境和种群竞争的认识,构造了一种基于生态种群竞争模型的新的协同进化模式.模拟实验表明,采用该模式的改进遗传算法在改善未成熟收敛和收敛速度两方面具有良好的性能.     

一种嵌入式的协同进化模型

为了提高遗传算法的性能,论文提出了一个能够体现生态进化中各种协同进化关系的协同进化模型,该模型能很容易地嵌入到遗传算法中。计算机模拟实验表明该模型的嵌入能在一定的程度解决遗传算法中的早熟现象,加快后期的收敛速度,提高遗传算法的自适应能力。     

一种多粒子群协同进化算法

为进一步提高多粒子群协同进化算法的寻优精度, 并有效改善粒子群易陷入局部极值及收敛速度慢的问题, 结合遗传算法较强的全局搜索能力和极值优化算法的局部搜索能力, 提出了一种改进的多粒子群协同进化算法. 对粒子群优化算法提出改进策略, 并在种群进化过程中, 利用遗传算法增加粒子的多样性及优良性, 经过一定次数的迭代, 利用极值优化算法加快收敛速度. 实验结果表明该算法具有较好的性能, 能够摆脱陷入局部极值点的问题, 并具有较快的收敛速度.     

遗传算法与生物界进化相比存在的不足及改进

将传统的遗传算法和生物界进化相比较，指出了两个引起遗传算法收敛速度慢和寻优效率较低的原因：①遗传算法并没有模拟生物界进化中选择压力的变化和种群数量的变化，使得优秀基因无法在种群中迅速占领统制地位；②遗传算法用交叉（Crossover）模拟生物界进化的交配并没有保证基因的稳定性，使得交叉（Crossover）在某种意义上退化为变异（Mutation），这使得优秀基因在变异（Mutation）中迅速退化。针对上述两个问题的改进进行了初步的探讨，对传统的遗传算法进行了相应的改进。     

双精英协同进化遗传算法

针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elite coevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高.     

遗传编程运行期个体多样性分析方法及应用

文中根据遗传算法理论分析了遗传编程中种群多样性对算法收敛特性的影响,提出了一种可行的种群多样性跟踪评测方法,同时提出了优选父代个体的改进方法。以求解旅行商问题为例,通过统计性实验数据验证了改进后的算法较采用同样局部优化的常规遗传算法具有更好的收敛速度和优化解,同时也对改进后算法的相关控制参数选择进行了实验分析,结论为改进算法能获得更好的收敛性能。     

Gradual distributed real-coded genetic algorithms

A major problem in the use of genetic algorithms is premature convergence. One approach for dealing with this problem is the distributed genetic algorithm model. Its basic idea is to keep, in parallel, several subpopulations that are processed by genetic algorithms, with each one being independent of the others. Making distinctions between the subpopulations by applying genetic algorithms with different configurations, we obtain the so-railed heterogeneous distributed genetic algorithms. These algorithms represent a promising way for introducing a correct exploration/exploitation balance in order to avoid premature convergence and reach approximate final solutions. This paper presents the gradual distributed real-coded genetic algorithms, a type of heterogeneous distributed real-coded genetic algorithms that apply a different crossover operator to each sub-population. Experimental results show that the proposals consistently outperform sequential real-coded genetic algorithms     

自适应伪并行遗传算法及其性能分析

提出了一种度量种拜多样性的新指标，将其应用于交又概率和变异概率两个参数的自适应调整，再将自适应的思想和并行计算的思想结合起来，提出了一种在个人计算机上实现的改进自适应遗传算法一自适应伪并行遗传算法(APPGA)。对几种典型的多峰值函数求极值，结果表明：该算法的全局搜索能力和收敛速度都远优于标准遗传算法，是一种比较实用的算法。     

Elitism-based compact genetic algorithms

This paper describes two elitism-based compact genetic algorithms (cGAs)-persistent elitist compact genetic algorithm (pe-cGA), and nonpersistent elitist compact genetic algorithm (ne-cGA). The aim is to design efficient cGAs by treating them as estimation of distribution algorithms (EDAs) for solving difficult optimization problems without compromising on memory and computation costs. The idea is to deal with issues connected with lack of memory by allowing a selection pressure that is high enough to offset the disruptive effect of uniform crossover. The pe-cGA finds a near optimal solution (i.e., a winner) that is maintained as long as other solutions generated from probability vectors are no better. The ne-cGA further improves the performance of the pe-cGA by avoiding strong elitism that may lead to premature convergence. It also maintains genetic diversity. This paper also proposes an analytic model for investigating convergence enhancement.     

多细胞基因表达式编程的函数优化算法

针对处理复杂的函数优化问题时传统演化算法易出现收敛性能不佳、搜索冗长和精度不高等问题,提出了一种基于多细胞基因表达式编程的函数优化新算法.该算法引入了同源基因和细胞系统思想,设计了相应新的个体编码方案、种群生成和遗传操作策略.通过对8个Benchmarks函数的对比实验,验证了该算法具有很强的全局寻优能力、较佳的收敛性能和更高的解精度.     

改进的IGA在建筑造型创新设计中的应用

交互式遗传算法(IGA)通过人机交互以用户对个体的评估代替传统的适应度函数,在艺术设计等偏向于人类主观感受的领域具有很高的应用价值和广泛的现实意义。文中针对IGA中人的疲劳问题,提出了将根据配对个体之间的相似度值自适应地确定交叉率的方法引入IGA。通过这种方法,可以提高遗传寻优计算的效率,加快IGA的收敛速度,有效缓解用户疲劳。将该方法应用于建筑造型的创新设计中,证明该方法的巨大潜力。     

一种解决TSP的改进遗传算法

旅行推销员问题TSP(Traveling Salesman Problem)问题是组合优化中的经典NP难题,一些典型的遗传算法(GA)在求解TSP问题时的性能并不理想.提出基于"最小邻域接入法"CBMC(Connecting Based on Minimum Circle)思想的改进的遗传算法,并在算法中增加一些控制策略,与其他算法相比,获得了更好的性能和收敛速度.通过用中国33个省会的TSP问题对提出算法进行实验验证,结果证明了改进后的算法在收敛速度和收敛到最优解的概率都优于其他遗传算法.     

基于改进遗传算法的大规模TSP问题求解方案

TSP问题不仅描述旅行商周游城市的问题,也是许多工程领域中复杂问题的抽象形式,找到一种有效的TSP问题求解方案具有十分重要的意义。针对大规模TSP问题中最小回路代价的求解问题,提出一种基于遗传算法的大规模TSP问题的求解方案,采用分而治之的思想,并对传统遗传算法的初始化和遗传算子进行改进,提高了算法性能。多个数据集上的实验结果证明了提出的算法能够优化收敛结果,一定程度上解决过早收敛的问题。     

结合保优策略和移民策略的自适应遗传算法

针对基本遗传算法具有早熟性收敛、寻优时间长及局部搜索能力差的问题,分析产生这些问题的原因。结合最优保存策略和移民策略,提出基于种群平均适应度信息的遗传算法自适应算子的改进方案,并对改进遗传算法的收敛性予以证明。仿真结果表明,改进遗传算法在搜索效率、搜索精度和克服早熟收敛现象方面均有明显的优越性。     

Unit Bit Importance Evolutionary Algorithm

In Darwinian-type binary-coded genetic algo- rithms, there exist bit importance and convergent order of bit. Inspired from this phenomenon, we propose an evolutionary algorithm called Unit Bit Importance Evolutionary Algorithm (UBIEA). Compared with Darwinian-type genetic algorithms, UBIEA completely abandons commonly used genetic operators such as mutation and crossover. Its main idea is that: detecting bit importance, speeding up the convergence of important bits and maintaining the diversity of unimportant bits. Although our theoretic analyses are based on the assumption that all bits are independent and have different salience, UBIEA perhaps is usable in a larger framework which can be verified by numerical experiments.