共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
3.
4.
5.
针对传统遗传算法(SGA)容易“早熟”的不足,提出一种求解0-1背包问题(KP)的改进遗传算法。借鉴二重结构编码的解码处理方法设计了一种新解码方法,在保证解可行性的同时修正种群中无对应可行解的个体;采用模拟退火算法和改进的精英选择算子改进SGA。实例仿真结果验证了改进遗传算法在进化效率和最优解搜索能力上的优越性。 相似文献
6.
嵌套式模糊自适应遗传算法 总被引:2,自引:0,他引:2
针对简单遗传算法(SGA)收敛速度慢和早熟收敛现象,将模糊逻辑理论应用于遗传算法,并采用两级嵌套的遗传算法,随主遗传算法GA1求解优化问题的进化进程用模糊控制的方法自适应地调整遗传算法的交叉概率和变异概率;利用另一个遗传算法GA2优化模糊规则库,实现了一种嵌套式模糊自适应遗传算法(NFAGA)。仿真结果表明,这种算法的全局搜索收敛速度和解的质量明显优于SGA和一般的自适应遗传算法(AGA)。 相似文献
7.
双变异算子遗传算法的应用 总被引:1,自引:1,他引:0
针对简单遗传算法(SGA)所存在的缺点和不足,提出了一种新的改进遗传算法一双变异算子GA.该算想法通过将所有产生的子代个体与父代个体混合作为下一代种群,在种群选择前对适应度值较低的个体进行一次变异,然后通过选择、交叉,再一次变异产生新种群,再利用自适应算法改变交叉和变异率及最优保存策略保护历代最优个体,利用matlab软件编程计算,在TSP中得到了较好的优化结果.实例说明,双变异算子的遗传算法能够最大限度使种群多样性,这样最有可能得到最优解,也易突破局部收敛的局限而达到全局最优. 相似文献
8.
一种改进选择算子的遗传算法 总被引:2,自引:1,他引:1
遗传算法(Genetic Algorithm,GA)是一种模拟生物进化的智能算法,被广泛应用于求解各类问题。简单遗传算法(Simple GA)仅靠变异产生新的数值,常常存在搜索精确度不高的问题。针对这个问题,对SGA的选择算子进行改进,即把相似个体分在同一组中,以组为单位进行选择,并通过该组个体的特点进行高斯搜索生成新的群体。这样使得GA在搜索过程中不仅可以很好地保持个体的多样性,并且可以提高解的精确度。通过对11个函数(单峰和多峰)的仿真实验,证明了采用新的选择算子后,GA在求解问题的精确度上有了很大地改善。 相似文献
9.
合理的资源调度可以在很大程度上提高网格系统资源的利用率,遗传算法(GA)因具有强大稳健的隐并行解空间搜索功能,被广泛应用于任务分配和调度问题的求解。本文在研究标准遗传算法(SGA)的基础上,提出与小生境技术相结合的自适应选择概率、父子竞争(PCC)交叉算子、插入变异算子和最优保存策略,改进SGA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,本文算法与其它调度算法比较,更能有效地实现资源的分配,可以成功应用于网格环境下独立任务的分配与调度。 相似文献
10.
唐德翠 《计算技术与自动化》2009,28(4):17-19
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。 相似文献
11.
借鉴生物学中“优胜劣汰”的原则,引入一种新的遗传算子,从而对传统的遗传算法(GA)进行改进.该算子的引入达到了扩大搜索空间、提高收敛速度、保持群体中个体多样性的目的.通过函数优化测试,结果表明:算子提高了GA对全局最优解的搜索能力和收敛速度.进一步对其相关参数设置的研究,将会使GA在众多实际的优化问题上具有更广泛的应用前景. 相似文献
12.
13.
14.
15.
针对简单遗传算法(SGA)所存在的缺点和不足,提出了一种新的改进遗传算法一双变异算子GA.该算想法通过将所有产生的子代个体与父代个体混合作为下一代种群,在种群选择前对适应度值较低的个体进行一次变异,然后通过选择、交叉,再一次变异产生新种群,再利用自适应算法改变交叉和变异率及最优保存策略保护历代最优个体,利用matlab软件编程计算,在TSP中得到了较好的优化结果。实例说明,双变异算子的遗传算法能够最大限度使种群多样性,这样最有可能得到最优解,也易突破局部收敛的局限而达到全局最优。 相似文献
16.
相比传统的调节方法,遗传算法具有更好的鲁棒性、最优性,能较好的实现参数的自动化调节。对标准遗传算法(SGA)进行了分析、研究,并在SGA的基础上进行了改进。改进的遗传算法从提高全局搜索性能和加快收敛速度出发,提出了改进的选择算子、交叉算子和变异算子,仿真结果表明,改进的遗传算法的全局搜索性能和收敛速度远远优于标准遗传算法。 相似文献
17.
以实现对解空间某一邻域进行一定密度的采样为目标,采用云模型的思想改进遗传算法,设计粒编码方式下个体的表现形式以及个体的评价方法,并针对数值优化问题形成遗传算子和基于粒编码方式的遗传算法GCGA(Granular coding genetic algorithm)。10个常见函数的数值优化实验表明,GCGA能够跳出局部最优点,搜索到全局最优点;与GA(Genetic Algorithm)和PSO的优化结果进行对比,表明GCGA是一种优秀的改进的进化算法。 相似文献
18.
提出了一种融合改进遗传算法(Genetic algorithm, GA)和关联规则的数据挖掘方法,首先将GA交叉算子和变异算子进行自适应改进,使其在迭代过程中能够根据函数适应度值自适应调节;然后将改进后的自适应GA融入到关联规则中,充分利用GA良好的全局搜索能力,提高处理海量数据关联规则的挖掘效率。为了避免无用规则,减少不相关性的存在,在此基础上融入亲密度以提高关联规则的可靠性。在Hadoop大数据平台上通过分析交通数据验证优化后的算法,与传统方法相比,该方法提高了算法的收敛速度和鲁棒性。 相似文献
19.
20.
基于进化稳定策略的遗传算法 总被引:34,自引:1,他引:33
为了解决传统遗传算法易陷入局部最优解的问题,在借鉴生物学中"进化稳定策略"的基础上,对传统的遗传算法进行了改进,提出了基于进化稳定策略的遗传算法.该算法的核心在于,稳定参数控制下的突变算子的构造,通过稳定参数的设定来稳定种群中最优个体的数目,并有目标地对最优个体进行突变操作,以达到快速扩大搜索空间、稳定群体中个体多样性的目的.仿真结果表明,该算法有效地避免了传统遗传算法中因选择压力过大造成早熟现象的发生,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具有更广泛的应用前景. 相似文献