一种多种群遗传策略的OFDM功率分配算法

针对标准遗传算法在解决比例速率约束下多用户OFDM系统的功率分配出现的收敛速度慢和早熟收敛问题,提出了一种基于多种群遗传策略的功率分配算法。提出算法以业务公平指数为适应度值和以最优个体保持代数为算法终止依据。各个种群使用不同的控制参数,通过移民算子相互联系。仿真结果表明,提出的算法的收敛速度（100代左右）比标准遗传算法的收敛速度（300代左右）快且收敛结果稳定（都基本趋于0）,在最大化总容量的同时很好地维持了用户比例速率公平性。     

混合粗粒度遗传算法在约束最优化问题中的应用

选取粗粒度遗传算法，并针对其过早收敛、收敛速度慢的缺陷进行改进，提出混合粗粒度遗传算法。混合粗粒度遗传算法按照适应度函数值对染色体群体进行分组，各分组采用不同的惩罚系数、交叉、变异算子；同时采用同种互斥和最优解保留策略。实验结果表明该算法在约束最优化问题中应用良好。     

一种快速收敛的遗传算法

为了解决遗传算法的收敛速度和全局收敛性之间的矛盾，提出了一种新的快速收敛的改进遗传算法。该改进算法设计了与个体适应度相关的变异算子，以及与早熟情况、进化代数和个体适应度有关的移民算法。实例验证表明，该改进遗传算法在收敛速度和获取全局最优解的概率两个方面都有很大的提高。     

基于群体适应度均值商的自适应遗传算法

在系统分析和研究自适应遗传算法特点的基础上,提出一种基于群体适应度均值商的自适应遗传算法.一方面,算法设计了群体早熟收敛的定量计算公式和引入了早熟收敛的判定阈值;另一方面,算法采用了改进的交叉和变异策略,即对陷入局部收敛的群体,依据平均适应度值将其一分为二:对性能优于平均适应度者实施先变异后交叉,而对性能劣于平均适应度者实施先交叉后变异.该算法应用在函数优化中,仿真结果表明其能有效提高全局寻优的性能,且鲁棒性好.     

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.     

一种基于距离测度的自适应遗传算法

为了提高基于距离测度的自适应遗传退火算法的收敛概率和收敛速度，提出了一种改进的算法，定义基于距离密集度和适应度的自适应变异概率，采用改进的算术交叉操作和模拟退火操作，并在群体趋于一致时保留最优个体，重新产生其他新个体。利用改进的距离测度实数编码遗传算法对带边界约束函数优化问题进行了仿真计算，结果表明该算法收敛概率较高，收敛速度快，是一种有效的算法。     

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。     

改进算子的遗传算法在QoS多播路由优化上的应用

针对QoS多播路由问题提出了一种改进遗传算子的遗传算法,通过设计多样性维持机制的选择算子、与代数相关的交叉算子和与个体适应度相关的变异算子,有效地解决了传统遗传算法应用于多播路由优化时的早熟收敛问题。实验结果显示,在随机网络中,该算法所获得的解与最优解的相对误差不超过1．0％,算法的收敛速度和寻优能力明显优于传统遗传算法。     

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.     

一种混沌映射动态惯性权重的樽海鞘群算法

为提升群海鞘群算法求解精度和收敛速度,提出了基于混沌映射动态惯性权重的群海鞘群算法.首先利用Tent混沌映射生成初始种群,计算种群适应度并保留最优个体作为初始食物源位置;将种群大小均分为领导者和追随者两部分以提高算法全局搜索能力,通过引入疯狂算子完成对领导者的位置更新;在追随者位置更新公式中,提出了基于精英保留及动态惯性权重的追随者位置更新策略,通过计算个体适应度值完成食物源的位置更新.实验结果表明,改进算法拥有更好的性能.     

基于疫苗自动获取与更新的免疫遗传算法

收敛速度缓慢已成为遗传算法研究中亟待解决的主要问题之一．为了提高遗传算法的收敛速度,提出了一种基于疫苗自动获取与更新的免疫遗传算法．从各代种群中选出优良个体,然后从这些优良个体中提取免疫疫苗,概率地对后代种群的个体接种疫苗．接种疫苗是利用疫苗确定位上的等位基因替代个体相应位上等位基因的操作．接种疫苗加速了优良模式的繁殖,修复了被交叉、变异破坏的优良模式．种群与疫苗库相互作用、协同进化,极大地提高了算法的收敛速度．基于模式定理分析了算法的计算效率．最后,几个典型函数优化问题的仿真结果表明了算法的可行性和有效性．     

基于人类繁殖现象的遗传算法研究

标准遗传算法（SGA）只是对自然界遗传进化过程的比较简单的模拟,较少考虑人类特有的繁殖方式。提出一种基于人类繁殖现象的遗传算法（HRGA）,该算法的遗传算子包括选择算子、助长算子、交叉算子和变异算子,遗传个体具有雄性和雌性两种不同的性别,融合了个体的年龄和个体间的亲缘关系两种特征,在允许的年龄范围内,异性个体进行严格的远缘繁殖,从而克服了标准遗传算法容易出现的早熟收敛现象,提高了算法的收敛速度。通过对函数最优化问题的求解试验,证明了该算法具有很强的跳出局部收敛的能力,其全局收敛速度和最优解的质量明显高于标准遗传算法,同时也证明了该算法的有效性。     

基于定向爬山的遗传算法

爬山法是一种局部搜索能力相当好的算法,主要是因为它是通过个体的优劣信息来引导搜索的。而传统的遗传算法作为一种全局搜索算法,在搜索过程中却没有考虑个体间的信息,而仅依靠个体适应度来引导搜索,使得算法的收敛性受到限制。将定向爬山机制应用于遗传算法,提出了一种基于定向爬山的遗传算法（OHCGA）。该算法结合了爬山法与遗传算法的优点,通过比较个体的优劣,使用定向爬山操作引导算法向更优秀的解区域进行搜索。实验结果表明,与传统遗传算法（TGA）相比,OHCGA较大地提高了算法的收敛速度和搜索最优解的能力。     

一种连续变异的自适应遗传策略

提出了一种新的基于连续变异的自适应遗传算法。利用混合选择策略对个体进行选择,双重自适应交叉将分阶段交叉与正弦自适应交叉方法相结合得到交叉概率,提出的连续变异策略采用连续的粗搜到细搜的过程。数值实验表明：新算法在提高收敛速度和收敛精度、减少收敛代数方面效果显著,稳定性也有所提高。     

带佳点交叉算子的非均匀窗口蚁群算法

基本蚁群算法具有较强的鲁棒性,但收敛慢并容易陷入局部最优。针对这些缺陷,通过将蚂蚁的搜索空间缩减在非均匀的小窗口中,减少了蚂蚁的搜索时间。并将佳点集遗传算子引入到解的优化中来,提出了带佳点杂交算子的非均匀窗口蚁群算法,从本质上探索蚁群算法的寻优能力。实验结果表明:新提出的算法明显快于基本蚁群算法,佳点集杂交算子对解的优化有较好的作用。但需要继续探索避免陷入局部最优的方法,以及算法各部分所采用的方法的平衡问题。     

带佳点交叉算子的非均匀窗口蚁群算法

基本蚁群算法具有较强的鲁棒性，但收敛慢并容易陷入局部最优。针对这些缺陷，通过将蚂蚁的搜索空间缩减在非均匀的小窗口中，减少了蚂蚁的搜索时间。并将佳点集遗传算子引入到解的优化中来，提出了带佳点杂交算子的非均匀窗口蚁群算法，从本质上探索蚁群算法的寻优能力。实验结果表明：新提出的算法明显快于基本蚁群算法，佳点集杂交算子对解的优化有较好的作用。但需要继续探索避免陷入局部最优的方法，以及算法各部分所采用的方法的平衡问题。     

一种双变异率的改进遗传算法及其仿真研究

针对标准遗传算法收敛速度慢,寻优能力差,易陷入局部最优等问题,提出了一种双变异率的改进遗传算法。在进化过程中,引入广义海明距离这个概念,当由广义海明距离控制的交叉操作产生个体数不足种群规模时,对原种群进行局部小变异,这样在避免近亲繁殖的同时又可扩大搜索空间,增加种群多样性,有效地抑制了早熟收敛;随后进行的全局大变异保证整个过程全局收敛。仿真实验用典型的测试函数验证了此算法能显著提高解的质量和收敛速度。     

改进的双种群遗传算法在矩形件排样中的应用

在矩形件排样问题中,按照面积大小的顺序排放通常比随机排放效果要好,因此在遗传算法的随机初始的种群中加入部分按照面积大小排序的个体以达到加速收敛的目的。然而在同一个种群中,这部分个体适应度高,迭代前期快速扩散,使得种群多样性降低,导致遗传算法过早熟。针对此缺陷把随机个体作为一个种群,按照面积大小排序的个体作为另一个种群并采用特定的交叉方式保证此种群子代个体大体上按面积大小排序局部乱序。此外,针对最低水平线搜索算法搜索频率低的缺陷,增多了搜索的发生时机,实现更频繁的调整排序提高遗传算法局部搜索能力。实验结果表明了改进后算法的有效性。     

一种基于改进遗传算法的路径测试用例生成方法

采用遗传算法求解路径覆盖的测试用例生成问题是软件测试自动化的研究热点。针对传统标准遗传方法搜索测试用例易产生早熟收敛和收敛速度较慢的不足,设计了自适应的交叉算子和变异算子,提高了算法的全局寻优能力。基于动态生成算法框架,通过程序静态分析,考虑了分支嵌套深度的影响,结合层接近度和分支距离法,提出一种新的适应度函数。实验结果表明,该算法在面向路径的测试用例生成上优于传统方法,提高了测试效率。     

基于可进化性的自适应遗传算法

针对传统遗传算法容易陷入局部最优解的问题,提出一个基于可进化性的自适应遗传算法。将个体可进化性作为适应度函数的参数加入到随进化代数动态调整的非线性适应度函数中,动态调整整个种群的交叉与变异概率以逸出局部最优。实验结果表明,该算法可改善适应度不高但具有较好进化能力个体的生存概率,且提高了种群多样性与搜索效率。