基于寿命的变种群模糊遗传算法

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点，提出了一种种群数变化的模糊遗传算法．该算法对进化种群数进行宏观调控的同时，再用个体寿命限制个体的生存期，实现对种群数的微观调控．并采用模糊控制器控制交叉率，使其能够根据进化的实际情况自动调整．实验数据表明这种方法能够有效防止早收敛，大大改善遗传算法收敛性能．     

基于云控制的混沌多种群自适应遗传算法

针对传统遗传算法存在的早熟收敛现象,提出一种基于云控制的混沌多种群自适应遗传算法。该算法兼顾全局性和个体差异性两方面平衡,通过云控制器实现交叉率和变异率的自适应调节。在种群正常进化时,对个体实行惩强扶弱措施,在发生早熟收敛或有早熟收敛趋势时,对劣质个体实行灾变,同时采用多种群优化机制实现种群之间的同步进化。实验结果表明,与标准遗传算法和自适应遗传算法相比,该算法能够有效地避免早熟收敛问题,具有较高的收敛效率。     

一种改进的抑制早熟收敛的模糊遗传算法

针对遗传算法中的早熟收敛现象，提出一种改进的模糊遗传算法。该算法将群体适应度均方差和种群的进化代数作为模糊逻辑控制器判断早熟收敛的标准，并根据判断结果对优劣不等的个体采取相应的进化方法，即当种群正常进化时对个体执行“惩强扶弱”的措施以保持种群多样性，一旦发生早熟收敛或有早熟收敛的趋势则对劣质个体进行局部灾变，以恢复种群的进化能力。实验结果表明，与标准遗传算法、自适应遗传算法和模糊遗传算法相比，改进的模糊遗传算法能够更好地维持种群多样性，抑制早熟收敛。     

改进遗传算法在地层对比中的应用

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点,提出了一种变参数的遗传算法。该算法对种群的个体赋予寿命,并根据寿命对遗传算法的选择、交叉和变异算子以及种群规模自动调整,能够有效防止早收敛并改善遗传算法收敛性能。并用改进的遗传算法解决基于测井曲线的地层对比的问题,取得了较好效果,验证了算法可用性和高效性。     

改进的蜜蜂进化型遗传算法

提出一种改进的蜜蜂进化型遗传算法.在该算法中,种群的最优个体作为蜂王与被选的每个个体(雄蜂)以一定概率进行交叉操作,从而增强了对种群最优个体所包含信息的开采能力;同时,为了避免过早收敛,算法在种群次优解周围进行局部搜索,引入新的随机个体,增加算法的多样性.实验结果表明,该算法能有效地提高遗传算法性能的求解精度和收敛速度.     

双精英协同进化遗传算法

针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elite coevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高.     

一种改进的实数编码混合遗传算法

为解决简单遗传算法的不成熟收敛和收敛速度慢的问题，针对实数编码遗传算法提出了初始种群的网格分布法,单步遗传操作后的最优个体保留策略,以及改进的动态交叉和自适应变异概率等，并应用上代最优个体替换当代最差个体的种群进化方法和近亲交叉回避机制等措施对其进行了综合改进。算例表明，该改进算法能有效实现全局优化，提高进化效率，对求解复杂的优化问题具有广泛的适应性。     

蜜蜂双种群进化型遗传算法

为了改善传统遗传算法的性能,由蜜蜂种群繁殖进化的方式得到启发,提出了一种蜜蜂双种群进化型遗传算法(DBPGA).算法共有两个种群,一个是通过迭代进行遗传操作得到的;另一个在每代进化过程中随机引入.每个种群中的最优个体作为蜂王分别以概率与其它个体(雄蜂)进行交配操作.既能增强对种群最优个体所包含信息的开采能力,又能提高算法的勘探能力,从而避免算法过早地收敛.实验结果表明,该算法对于改进和提高遗传算法性能及求解连续非线性规划问题是有效可行的.     

一种新的优胜劣汰遗传算法

为防止进化种群早熟收敛，并考虑进化种群多样性与进化代数的关系，提出一种新的近亲交叉回避策略，该策略中实施亲交叉回避操作的下限随进化代数和种群平均海明距离变化，在此基础上提出一种新的优胜劣汰遗传算法，该算法能有效地避免近亲繁殖且体现了优胜劣汰思想，业已证明，提出的算法可以保证收敛到全局最优解，仿真结果表明，与简单遗传算法相比该算法是有效的。     

并行遗传算法收敛性分析及优化运算

经典遗传算法（Canonical Genetic Algorihms)利用单一种群对种群个体进行交叉、变异和选择操作，在进行过程中的超级个体易产生过早收敛现象，粗粒度并行遗传算法利用多个子群进行进化计算，各子群体分别独立进行遗传操作，相互交换最优个体后继续进化。文证明了该算法的搜索过程是一个有限时齐遍历马尔柯夫链，给出粗粒度并行遗传算法全局最优收敛性证明。对于旅行商问题TSP（Traveling Salesman Problem)利用粗粒度并行遗传算法进行了求解，以解决经典遗传算法的收敛到局部最优值问题。仿真结果表明，算法的收敛性能优于经典遗传算法。     

基于切面上升的狭义遗传算法

该文提出了基于切平面上升的狭义算法,并对其全局收敛性进行了证明,其终止条件肯定就是收敛点,很好地解决了文献犤6,8犦中所遇到的问题,即能够方便地求解多元函数的优化问题。它具有收敛速度快,搜索过程稳定性好、可控制性强,控制参数易于选定等特点。     

灾变式均匀布种遗传算法

遗传算法作为近年来的热点在各个方面都得到了广泛的应用.但是遗传算法有其固有的缺陷,即易早熟,局部寻优能力差.为了改善这两方面的性能,该文从传统遗传算法（SGA）的原理出发,讨论了在初始种群中均匀布种的优越性.在此基础上引入了灾变操作,设计了对这种操作的控制方法.然后对传统的遗传操作（包括交叉操作和变异操作）进行了改进,提高了这两种操作的效率.最后应用C/C＋＋实现了新算法,并对2个著名优化方法测试函数进行优化计算.计算结果证明新算法具有很强的摆脱局部极值的能力和比较快的收敛速度.     

求解组合优化问题的双群体结构遗传算法

提出基于督导群体和进化群体的双群体遗传算法。区别于一般的遗传算法,双群体遗传算法充分利用了督导群体的监督导向作用和问题的先验知识;同时,算法设计考虑加入了邻域函数产生一定数量相异性较大的新个体,从而大大提高了算法的全局搜索性能。以(MR)TSP为例,大量数值实验表明,该算法能迅速收敛到问题的最优解。     

一种基于改进遗传算法的新型小波神经网研究

提出了一种基于改进遗传算法（Improved Genetic Algorithm , IGA）的新型BP小波神经网络，并通过异或问题和非线性辨识问题进行仿真实验。实验结果表明，基于改进遗传算法的BP小波网络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力，而且具有遗传算法全局快速寻优的特点，与简单遗传算法相比，在收敛快速性和稳定性方面都有了明显的改善。     

铅锌烧结过程透气性状态及热状态优化控制

本文针对具有非线性、强耦合、不确定、多约束特性的复杂铅锌密闭鼓风烧结过程，采用神经网络模型实现了透气性状态和烧穿点位置预测，集成惩罚函数法、基于聚类点的并行变步长网格法和最优保存简单遗传算法(OMSGA)进行状态整体优化．算法具有全局收敛性和工业有效性，解决了复杂铅锌烧结过程实时智能优化控制问题，取得了较好的工业应用效果．     

拟人智能控制在二轮小车倒立摆系统中的应用

二轮小车倒立摆系统模型存在很大的误差和不确定性，针对其在保持摆杆稳定的同时在水平面上自由行走具有很高难度的问题，应用基于遗传算法寻优参数的拟人智能控制算法，解决了该系统的控制问题。首先根据拟人智能控制算法理论得到定性控制律，然后采用遗传算法优化各个控制参数，该方法既利用了拟人智能控制算法这一定性控制律的强鲁棒性的特点，又利用了遗传算法良好的全局收敛性。实验结果表明，该算法不仅具有良好的抗干扰能力，而且具有很强的鲁棒性。     

基于模糊规则优化的改进模糊遗传算法

该文针对遗传算法的特点,提出了一种基于模糊规则优化的改进模糊遗传算法及其算法结构,即用模糊控制的方法来调整遗传算法中的交叉概率和变异概率,同时寻找与控制对象相匹配的最佳模糊规则。在数学函数上的仿真结果表明,此种模糊遗传算法不仅加快了解的收敛速度,而且大大提高了解的质量。     

基于改进遗传算法的风/光互补发电系统电压无功控制

在风/光互补发电系统中,风、光资源的随机性强,导致系统电压的稳定性差,电压控制显得尤为重要.电压控制通常通过区域无功功率的优化来实现.无功功率优化是一个带有约束的多极值非线性组合优化问题,用传统的方法很难进行处理.因此提出一种改进的遗传算法用以风光/互补发电系统的无功功率优化,该算法在一般遗传算法的基础上,对编码方式、遗传算子以及终止判据等方面作了改进.通过算例分析表明,改进的算法能够显著的提高收敛速度和计算精度,有效的实现电压的无功控制.