双变异算子遗传算法的应用

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。     

一种维持种群多样性的遗传算法变异算子的研究

本文针对二进制编码遗传算法中，由于传统变异算子随机地选取基因位置而对搜索全局最优的不利影响，分析了变异位置对种群多样性的影响．提出了一种新的维持种群多样性的变异算子，其变异概率和变异位置由种群基因位的多样度和个体适应度值自适应决定．经变异后优秀的个体得以保存，且在种群中每一基因坐上两种基因的比例控制在期望的范围内．本文最后用实验验证了该算于维持种群多样性的有效性．     

一种基于种群多样度的实数编码并行遗传算法

为了改善遗传算法的收敛性能,提出了一种基于个体适应度的种群多样性度量函数,恰当地反映了遗传算法的进化阶段,预报了早熟收敛的趋势. 设计了基于种群多样度函数的迁移算子和交叉算子,并对交叉、变异概率等进行了动态调整,构成了具有多层迁移特点的实数编码并行遗传算法. 通过和其他优秀遗传算法对测试函数的验证比较,结果表明,该算法对于解决遗传算法中早熟、收敛速度慢等问题具有优越的性能.     

一种改进的双种群遗传算法

提出一种新的双种群遗传算法.两个子种群的交叉、变异以及复制操作互不相同.在一个子种群中,高相似个体之间具有相对高的交叉率,遗传操作得到的新个体替代上代种群的最劣的个体.在另一个子种群中,低相似个体之间具有相对高的交叉率,变异操作采用大变异算子,遗传操作得到的新个体替代上代种群的与其最相似个体.两个子种群之间的移民使新的算法获得了良好的局部搜索能力和全局探索能力.实验结果说明:本文的算法要优于单一种群遗传算法和两个子种群的多种群遗传算法.     

改进梯度算子的小生境遗传算法

为避免小生境遗传算法存在的早熟和收敛速度慢等问题,本文提出了一种改进的梯度算子,以保证进化朝最优解方向前进,提高计算峰值的精度。同时,利用进化代数和个体的适应度值,动态调整个体的交叉算子和变异算子,有效保证种群的多样性,改善全局搜索能力,加快收敛速度。将改进的梯度算子引入到基本小生境遗传算法和自适应小生境遗传算法,通过Shubert函数测试,证明本文改进后的算法与基本小生境遗传算法和自适应小生境遗传算法相比,不仅大大提高了收敛速度,并能搜索到所有全局最优解。     

基于蜂群遗传算法的一维优化下料问题

针对一维下料优化问题,提出了基于蜂群遗传算法的优化求解方案.具体做法是,以实数表示的各零件长度的一个排列作为一个染色体,其中每个零件的长度作为基因;根据自然界蜂群生物学原理设置了两个种群,一个种群主要用于全局搜索,另一个种群主要用于局部搜索;采用最优个体交叉策略;遗传算子包括联赛选择算子,顺序交叉算子,2-交换变异算子和抑制算子.仿真实验结果表明,该算法逼近理论最优值,而且收敛速度快,较好地解决了一维下料问题.     

利用个体3种属性的遗传算法研究

为了克服传统遗传算法寻优时存在"早熟收敛"、后期搜索效率低,以及难于平衡选择压力和种群多样性的问题,提出利用个体3种属性的遗传算法.先用个体相似性度量个体对种群多样性的贡献,用相关系数度量子代从父代遗传的信息量,最后提出自适应交叉变异概率,在此基础上提出一种替代策略,该策略同时提高算法求精和求泛的能力,而且较好平衡选择压力和种群多样性.仿真实验结果表明,提出的替代策略和自适应交叉变异概率对平衡选择压力和保持种群多样性效果较好,避免"早熟收敛",加快进化速度.     

经费分配中基于多目标优化的遗传规划模型

在传统遗传规划中引入多目标优化原理,探索新的经费分配方法和管理模式,建立了一种多目标优化的非线性遗传规划模型,提出了一种先进的基于正交试验的新型混合遗传算法来求解该问题.对求解过程中的选择算子、交叉算子和变异算子等进行正交试验,得到的种群个体明显优于基本遗传算法的个体.这种基于多目标优化的遗传规划模型能产生精度更高的最优解,通过对经费分配问题的实验验证,得到了较好的结果.     

遗传规划中遗传算子对种群多样性的影响

为了能有效地避免过早收敛并跳出局部最优,提出了一种改进的遗传规划算法来研究遗传算子（选择、交叉和变异）对种群多样性（主要是基因型和表现型）的影响。首先在基准问题（奇偶校验和符号回归中的四次多项式函数）中比较不同的遗传算子在离散和连续的适应度空间中的搜索寻优,然后使用斯皮尔曼相关系数来度量种群多样性与适应度的相关性。结果表明选择和交叉算子极大地减少了种群多样性,变异算子则能维持甚至提高种群多样性,这说明通过控制遗传算子来改变种群多样性从而找到最优个体是可行的。     

一种改进的遗传算法在情感特征选择中的应用

为了解决情感特征选择问题,提出了一种改进的遗传算法。该算法利用从基因和个体两个方面设计的种群多样性算子产生较好的初始种群分布,随着遗传算子将群体中的个体吸引到局部最优点附近时,调用禁忌搜索算法(TS)对群体中各个个体进行局部搜索。仿真试验结果表明,该算法拓展了搜索空间,有效地防止了早熟现象的出现,能够得到令人满意的最优特征子集。