多亲遗传算法的理论分析及其应用研究

多亲遗传算法是在保持了传统遗传算法一些特性的基础上，对传统遗传算法的交叉算子进行了改进。在介绍了多亲遗传算法的基础上，对其进行了理论分析，证明了多亲遗传算法满足Holland的模式定理；提出了一种称为群体中心交叉的多亲交叉算子，最后将这种多亲交叉算子的多亲遗传算法应用到了数据聚类问题中，取得了良好的实验结果。     

基于Spark的并行遗传算法在旅行商问题中的应用

传统遗传算法存在早熟现象,而且其在海量数据模型下的求解精度和可扩展性也有待提高。为了改进上述问题,在研究孤岛模型和细粒度模型优势基础上,利用遗传算法自身的并行性,提出一种仿细粒度的粗粒度并行模型,基于spark实现了一种双层并行的遗传算法。将改进算法应用于旅行商问题Berlin52数据集的求解,实验结果表明,与传统的并行模型相比,改进后的算法可以明显缩短计算时间,增大搜索范围,早熟现象也得到了改善。     

基于共享存储器的多亲遗传算法及其理论分析

针对多亲遗传算法与传统遗传算法相比在求解一些实际问题时,算法性能提高并不明显的现象,提出了一种基于共享存储器的多亲遗传算法,并对其进行了理论分析,证明了基于共享存储器的多亲遗传算法满足模式定理。此外,还采用测试函数和字符串问题对算法进行了仿真实验,结果表明了算法的有效性。     

多核集群系统下的混合并行遗传算法研究

为应对传统遗传算法在处理大规模组合优化问题面临的进化速度缓慢,难以达到实时要求的严峻挑战,提出了一种在多核PC集群系统上实现“粗粒度一主从式”混合并行遗传算法的模型:通过把“粗粒度一主从式”并行遗传算法映射到多核PC集群上,结合消息传递和共享存储两种并行编程模型,在节点间使用消息传递模型(MPI),对应的遗传算法为粗粒度并行遗传算法,在节点内使用共享存储模型(OpcnMP),对应的遗传算法为主从式并行遗传算法,用MPI和OpenMP混合编程的方式以进程和线程两级并行在多核集群上实现具体的混合并行遗传算法。理论分析和实验结果表明,提出的实现模型有较好的性能,可大大改进传统遗传算法的缺陷。为利用并行遗传算法在普通多核PC集群上处理大规模组合优化问题提出了一种有效、可行的解决方案。     

并行数据库基于多连接的查询优化算法的研究

多表连接查询是并行数据库中的一种常用且重要的操作,然而基于传统遗传算法所制定的多表连接查询计划,往往存在查询响应时间长的缺陷。根据无共享并行数据库的特点,将一种新的代价估计模型引入到传统遗传算法中,并对传统遗传算法进行了改进。实验证明改进后的遗传算法能制定出更优的查询计划,从而减少多表连接时的查询响应时间。     

改进粗粒度并行遗传算法在网格任务调度中的应用

现有并行遗传算法采用随机方法划分子种群,算法收敛性能不高,并且不可避免的破坏种群的较优模式;为了改进这些缺陷,设计了一种新的多点交叉算子,提出了一种改进的粗粒度并行遗传算法;取资源数为6,任务数为50,种群的规模为60,遗传代数为600;采用相同的控制参数进行仿真实验;仿真实验表明,与传统并行遗传算法相比较,提出的改进算法在收敛速度和寻优空间方面有很大的提升。     

基于大值堆的自调整粗粒度并行遗传算法模型

一般粗粒度并行遗传算法（CGGA）的性能受诸多因素的影响表现不尽如人意。以降低通信代价为主要目标，受物种金字塔模型的启发，设计了一种双阈值限制下的自调整堆结构，并对其堆调整具体操作进行了改进，以期望改进后算法中种群间的通信代价大幅度降低，优化收敛速度，提高算法效率。通过对遗传算法的几个典型测试函数通信量的分析和实验表明，基于该模型的并行遗传算法在降低通信代价、提高收敛速度、优化最终解方面收效明显。     

基于多种群并行遗传算法的原料库存的优化

库存控制是现代企业，特别是连续生产企业物流管理的一项重要内容，针对有色冶金企业原料库存的实际情况，建立了一个以资金损耗最小为直接性能指标的原料库存优化模型，并提出了一种多种群并行遗传算法对该模型进行优化，仿真及实际运行结果表明：多种群并行遗传算法不仅能有效地克服传统遗传算法容易早熟收敛的缺点，而且改进了进化效率和加快了进化速度，从而得到令人满意的全局最优解。     

多核计算环境下改进的主从式并行遗传算法

遗传算法作为通用而有效的全局搜索算法已在图像处理、自动控制等众多领域获得应用,但其计算量大、极耗计算资源,运行效率直接影响到复杂的非线性和多维空间寻优问题的求解效率。在分析OpenMP并行技术特点的基础上,针对主从式并行模型没有充分利用遗传算法内在并行性的问题,提出了一种改进的主从式并行遗传算法,并应用OpenMP编程模型在多核计算环境下实现。利用旅行商问题进行的实验表明,改进的并行遗传算法有更好的计算效率、扩展性,可在求解大规模TSP问题上有更广泛和高效的应用。     

并行遗传算法的研究

在分析了解决组合优化问题所遇到的困难的基础上，引入遗传算法.进而提出基本遗传算法在解决数量级很大的组合优化问题上的缺陷，并详细介绍了遗传算法的三种并行模型，最后给出改进的并行遗传算法模型．     

一种基于遗传算法的进化计算模型

提出一种基于遗传算法的进化计算模型(ECM).在ECM的种群中,每个成员都根据其适应度值不同程度地影响着种群的进化.ECM定义了个体对进化的影响因子,并以个体的影响因子为参数定义了个体的形成算子.分析表明,ECM是采用算术交叉算子的两父辈遗传算法以及采用频率扫描交叉算子的多父辈交叉遗传算法的推广,形成操作是父代群体编码的凸组合.实验研究显示,ECM具有比经典遗传算法更强的优化计算功能.     

多亲交叉遗传算法及其在旅行商问题中的应用

针对传统遗传算法早熟收敛的缺点,提出多亲交叉遗传算法。与贪婪交叉算子相比,该交叉算子能够有效保留父代优质个体特征,维持群体多样性,同时能够很好地平衡深度搜索与广度搜索。基于旅行商问题的仿真测试表明了多亲交叉遗传算法的有效性。     

一种基于多亲遗传机制的多目标优化算法

给出了进化个体之间的关系和非支配集中不同个体之间的相关性质,参考快速排序的思想,提出了一种有效的构造非支配集的算法.在此基础上,将多亲遗传算法与改进的快速排序构造非支配集的算法相结合,提出了一种基于多亲遗传机制的多目标优化算法.最后对提出算法进行了分析,采用了测试函数进行了仿真实验,获得了理想的实验结果.     

一种基于GPU 加速细粒度并行遗传算法的实现方法

为改善遗传算法对大规模多变量求解的性能,提出一种基于图形处理器(GPU)加速细粒度并行遗传算法的实现方法.将并行遗传算法求解过程转化为GPU纹理渲染过程,使得遗传算法在GPU中加速执行.实验结果表明,该算法抑制了早熟现象,增大了并行遗传算法的种群规模,提高了算法的运算速度,并为普通用户研究并行遗传算法提供了一种可行的方法.     

基于Spark的并行遗传算法在物流配送问题中的应用

传统的遗传算法在数据量不足的单机情况下可能存在早熟的现象,遗传算法对搜索范围的依赖性很强,大搜索范围的遗传算法往往有更好的表现。为解决以上问题,可把Spark海量存储和并行计算的能力运用到遗传算法的求解上,实现一种粗粒度的并行遗传算法。利用Spark并行执行遗传算法的选择、交叉和变异等操作,可以大大提高遗传算法的搜索范围和执行速度。实验将改进后的遗传算法应用到物流配送问题中,结果表明,与单机和传统的并行模型相比,基于Spark的遗传算法在运行时间上明显减少,同时早熟的现象也得到了缓解。     

基于交流的求解数值优化问题的混合演化算法

演化算法中有很多不同的演化算子,每一种算子对于不同的优化问题都有自己的优点和缺点。提出了一种基于交流模型的多算子混合演化算法。在该算法中,有两个种群,使用两种算子:多父体杂交算子和Cauchy变异算子。种群间的信息交换通过个体交流实现。对23个标准测试函数的数值仿真表明,该算法具有良好的全局收敛性和鲁棒性。     

重组的遗传漂移分析

进化计算中存在的遗传漂移现象导致种群均匀地收敛于单一个体,产生早熟收敛或丢失可选的全局(或局部)最优解.遗传漂移起源于选择压、选择的采样误差和重组算子的作用.多父代重组算子是多种交叉和重组算子的广义化.以多父代重组算子为对象,研究重组的遗传漂移现象.通过基因频率分析,严格地证明多父代对角交叉和均匀扫描交叉不会引起遗传漂移,但基于基因出现频率的多父代扫描交叉导致遗传漂移,其程度随重组规模的增加而加剧.应用基于基因出现频率的多父代扫描交叉的仿真遗传优化实验的数据表明,重组的遗传漂移不但导致种群多样度的急剧下降,而且降低了进化搜索的收敛速度,从而降低了进化搜索的性能.     

基于扩散机制的杂交粒子群优化算法*

为了解决标准粒子群优化算法容易陷入局部极小值的问题,模拟统计物理和热力学中的扩散现象,设计了一种扩散机制,根据扩散定律和扩散系数公式,给出了粒子的扩散能、种群的温度和粒子的扩散概率三个定义和扩散池的概念;并把这种策略和多父体杂交算子结合起来,提出了基于扩散机制的杂交粒子群优化算法。该算法在具有欺骗性的多模态函数优化和非线性模型参数估计等实际问题上取得了较理想的实验结果,证实了扩散机制和多父体杂交策略可以有效地改善粒子群优化算法的性能。