一种新的基于遗传操作的改进型遗传算法

交叉与变异是遗传算法的重要操作,提出了一种新的基于遗传操作的改进型遗传算法.采用最优保留和改进的轮盘赌选择方法,通过基因交叉概率控制交叉,根据高斯分布改进了交叉算子和变异算子,保证了算法的全局搜索能力、局部搜索能力及收敛速度.通过标准函数的数值实验,验证了新算法的有效性.     

基于自适应遗传算法的软件测试用例自动生成

在软件测试中,测试成功的关键是快速、高效的生成测试用例.遗传算法是一种通过模拟自然界生物进化过程搜寻最优解的一种算法,算法通过选择、交叉和变异操作引导算法搜索方向,逐步接近全局最优解.传统遗传算法由于具有较好的全局搜索能力,因此被很多科研人员应用于测试用例生成.但遗传算法的固有缺陷"早熟收敛",容易导致算法收敛于局部最优.针对这种情况,提出一种自适应遗传算法,该算法交叉算子和变异算子可根据程序变化自动调整,随后,将改进后的算法应用于一程序的测试用例生成中.测试结果表明该算法在测试用例生成的效率和效果方面优于传统搜索算法和普通改进算法.     

基于遗传算法优化神经网络的多用户检测

利用遗传算法全局搜索能力强和反向传播(BP)算法局部搜索速度快的特点,采取两段式训练方法,既避免陷入局部最小,又加快收敛速度。提出基于遗传算法优化神经网络权值的多用户检测算法。采用实数编码方式,将传统神经网络的能量函数作为适应度函数,选择算子选用轮盘赌算子,交叉算子选用单点交叉算子,变异算子选用正态变异算子。仿真结果表明,该算法的误码率、信干比和信道跟踪能力等方面的性能与传统前馈神经网络多用户检测算法相比均有一定的改善。     

混合正交遗传算法及其在函数优化上的应用

在分析和研究正交遗传算法的基础之上,依据混合优化策略及混合遗传算法的构造原则,通过对自适应正交局部搜索算子的改进提出了一种新的变异算子。该算子具备自适应全局搜索和局部搜索的能力,能够保证算法的变异概率取值为1.0时,算法的搜索效率最高;结合正交交叉算子之后,又能保证算法的交叉概率也取值为1.0时,算法的搜索效率最高;由此解决了交叉概率和变异概率参数的匹配问题。而使用的截断选择和负相关配对、最优交叉策略、精英选择和重复个体剔除策略等组合算子,一方面能够保证算法的收敛速度;另一方面也能有效地保持种群的多样性,这样在保证算法快速收敛的同时避免出现早熟现象;由此解决了＂全局最优＂和＂快速收敛＂的矛盾。因此,提出的改进型新算法在处理一些常用的测试函数上具有较高的效率。     

求解矩形件优化排样的自适应模拟退火遗传算法

矩形件优化排样是一个NPC问题,在工业界有着广泛的应用.针对该问题,提出一种自适应模拟退火遗传算法.采用一种基于环形交叉算子和环形变异算子的自适应遗传算法来自动调整交叉和变异概率;同时引入模拟退火算法对个体适应度大于平均适应度的个体进行退火处理.自适应模拟退火遗传算法充分发挥了自适应遗传算法与模拟退火算法各自的全局搜索能力与局部搜索能力.对比实验表明,该算法结合改进的最左最下布局算法解决矩形件优化排样问题更加有效.     

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。     

约束优化问题的混合遗传算法研究

如何处理约束条件与增强局部搜索能力是遗传算法用于非线性约束优化问题的线性约束优化问题的不足,提出了一种基于模拟退火算法与外点法的混合遗传算法,对于不满足约束条件的解用外点罚函数法来修正,同时把退火选择算子作为一个与选择、交叉和变异平行的算子,嵌入到实数编码的遗传算法中,来增强其的局部搜索能力.算法兼顾了遗传算法、模拟退火算法和外点法三者的长处,既有较快的收敛速度,又能以较大的概率求得非线性约束优化问题的全局最优解.最后以两个测试函数为算例对算法进行测试,验证了该算法搜索能力强、稳健性好,能获得更好的优化结果.实验结果表明引入外点法处理约束条件是可行的.     

基于跳跃基因算子的改进实数遗传算法

为了避免遗传算法在求解数值优化问题时出现搜索能力差、多样性缺失等弊端,提出一种基于实数编码的改进遗传算法(IRCGA).算法集成两个特别设计的算子:模拟二进制跳跃基因算子(SBJG)和多方向交叉算子(MX).SBJG算子以染色体为操作对象,本质上模拟了二进制跳跃基因操作中的插入运动,即利用一种随机的方式将选定的染色体块插入到染色体位点,实现种群内部染色体间的转位,为种群提供额外的遗传多样性;MX算子通过增加交叉方向的方式扩大算子的搜索区域,从而提升后代个体质量与算法的搜索能力.在11个实例的基础上进行对比实验,结果表明,采用改进算子能够明显提升算法在求解数值优化问题时的性能,同时,相比于其他先进有效的算法,IRCGA具有较强的搜索能力且能够维持一定的种群多样性,从而验证了改进算法的有效性和可行性.     

扩散遗传算法及其应用研究

针对遗传算法在局部搜索能力方面的缺陷,提出了一种基于扩散算子的遗产算法(简称扩散遗产算法)。该算法中包含的扩散算子是变异算子,其主要作用是在遗传搜索中进行局部搜索。用扩散遗传算法和实数编码遗传算法分别训练用于解XOR问题的神经网络,对比结果表明,论文提出的算法兼具强的全局搜索能力和局部搜索能力,因此,该算法可以不借助其它局部搜索算法而单独作为神经网络训练算法,从而简化训练算法,提高训练效率。该算法对提高遗传算法搜索效率和求解精度具有重要的意义。     

一种求解旅行商问题的改进遗传算法

针对基本遗传算法存在容易"早熟",无法全局收敛的现象,设计了一种新交叉算子和变异算子,并在遗传算子构造中引入贪心控制策略.新算子的引入丰富了种群的多样性,提高了算法的全局搜索能力.实例仿真表明,改进遗传算法在迭代陷入局部最优时,能在较短的时间内跳出局部最优,继续寻找全局最优解.     

改进的进化算法解最短路问题

最短路问题是组合优化中的经典问题之一,对其设计有效的算法具有广泛的应用价值和重要的理论意义．为了减少对初始种群选取的限制,扩大种群的多样性,本文提出了一种新的杂交方式．根据一对染色体中不同位相同基因对的数目,设计了分类杂交．这种杂交不仅增加了种群的多样性,还避免了不可行解的出现．与杂交算子相对应设计了具有局部搜索功能的收缩—扩张式变异算子,使得本算法效率有了极大提高,并在理论上证明该算法以概率1收敛到全局最优解．最后的数值试验也表明此算法是十分有效的．     

遗传算法的基因定位算子

针对遗传算法局部搜索能力弱,求解精度不高的缺陷提出了一个基因定位算子.该算子的思路是进化一定代数(L)后通过对最优的若干个(N)染色体基因位从高位到低位逐次进行比较,如果当前的基因位都相同时便把该基因位确定下来,以后的交叉、变异操作都不让该基因位参考,随着算法的进行,染色体基因便从高位到底位逐渐地确定下来.基次,通过在基因定位过程中引入模拟退火思想和小生境技术等局部搜索能力的算法,提高该算子的全局优化能力.最后,通过几个非常容易陷入局部最优的测试函数测试表明几乎所有的峰值都得到了理论值.     

精英化岛屿种群引导的差分进化算法

针对差分进化算法常见的早熟收敛、搜索停滞和求解精度低的问题,研究一种精英化岛屿种群的差分进化算法（EIDE）。为了实现全局搜索与局部搜索能力并重,EIDE划分多个岛屿种群,根据迭代时的适应度情况,动态地将岛屿种群分类为精英岛屿和普通岛屿;针对精英岛屿,提出一种控制参数自适应方法,依据岛屿适应度情况,自适应地调整变异概率与交叉概率,同时算法利用增强局部搜索的变异策略,提高收敛速度与精度;针对普通岛屿,使用适合全局搜索的变异与交叉概率及变异策略,维护种群多样性。EIDE提出了一种可控的“移民”与“个体迁移”策略,控制优质基因流动,有效避免早熟收敛与搜索停滞问题。在9个benchmark函数上的测试结果表明,新算法具有较强的全局寻优能力与稳定性,且收敛速度较快。     

改进的约束优化多目标遗传算法及工程应用

利用多目标法处理约束条件,提出一种改进的基于多目标优化的遗传算法用于求解约束优化问题。该算法将约束优化问题转化为两个目标的多目标优化问题; 利用庄家法构造非劣个体,将种群分为支配子种群和非支配子种群,以一定概率分别从支配子种群和非支配子种群中选择个体进行算术交叉操作,引导个体逐步向极值点靠近,增强算法的局部搜索能力,对非支配子种群进行多样性变异操作。8个标准测试函数和3个工程应用的仿真实验结果表明了该算法的有效性。     

Genetic K-means algorithm

In this paper, we propose a novel hybrid genetic algorithm (GA) that finds a globally optimal partition of a given data into a specified number of clusters. GA's used earlier in clustering employ either an expensive crossover operator to generate valid child chromosomes from parent chromosomes or a costly fitness function or both. To circumvent these expensive operations, we hybridize GA with a classical gradient descent algorithm used in clustering, viz. K-means algorithm. Hence, the name genetic K-means algorithm (GKA). We define K-means operator, one-step of K-means algorithm, and use it in GKA as a search operator instead of crossover. We also define a biased mutation operator specific to clustering called distance-based-mutation. Using finite Markov chain theory, we prove that the GKA converges to the global optimum. It is observed in the simulations that GKA converges to the best known optimum corresponding to the given data in concurrence with the convergence result. It is also observed that GKA searches faster than some of the other evolutionary algorithms used for clustering.     

复杂网络社区挖掘——-基于聚类融合的遗传算法

针对当前研究复杂网络社区挖掘的热点问题, 提出了一种基于聚类融合的遗传算法用于复杂网络社区挖掘. 该算法将聚类融合引入到交叉算子中, 利用父个体的聚类信息辅以网络拓扑结构的局部信息产生新个体, 避免了传统交叉算子单纯交换字符块而忽略了聚类内容所带来的问题. 为使聚类融合的作用得以充分发挥, 本文提出了基于马尔科夫随机游走的初始群体生成算法, 使初始群体中的个体具有一定聚类精度并有较强的多样性. 初始群体生成算法与基于聚类融合的交叉算子互相配合, 有效地增强了算法的寻优能力. 此外, 算法将局部搜索机制用于变异算子, 通过迫使变异节点与其多数邻居在同一社区内, 有针对性地缩小了搜索空间, 从而加快了算法收敛速度. 在计算机生成网络和真实世界网络上进行了测试, 并与当前具有代表性的社区挖掘算法进行比较, 实验结果表明了该算法的可行性和有效性.     

无线传感器网络任务分配的遗传优化算法

为了延长网络生命周期,减少网络能量消耗和均衡网络负载,构造了无线传感器网络任务分配的模型,提出与小生境技术相结合自适应选择概率、三—三交叉算子和目标位变异算子,改进GA算法在很好地保持种群收敛性的同时,提高了算法的局部和全局搜索能力。仿真实验结果表明,该分配算法在局部求解与全局探索之间取得了较好的平衡,能有效减少无线传感器网络的计算时间和网络能耗,并有效地均衡网络负载。     

基于中心定位算子的遗传算法

针对遗传算法局部搜索能力弱,求解精度不高的缺陷提出了一种中心定位算子.在进化一定代数(T)后,选择最优的若干个(N)染色体基因来计算中心定位算子,从而确定与中心定位算子相同的基因位,并且在以后的交叉、变异操作中,都不让相同的基因位参与.随着算法的进行,染色体相同的基因位逐渐全部地被确定下来.其次,通过与小生境技术的局部搜索能力算法的结合,提高了该算子的全局优化能力;最后,通过几个非常容易陷入局部最优的测试函数测试表明几乎所有的峰值都得到了理论值.