改进的模糊交叉算子及其在CGA中的应用

基于标准化适应值信息,提出改进的模糊交叉算子,并应用到细胞状遗传算法(CGA)中。在具有局部搜索倾向的交叉操作中,该算子能使后代更偏向于适应值高的父体。在具有全局搜索倾向的交叉操作中,能使较差个体在更大范围内进行搜索,有效地引导CGA算法向全局最优解的方向收敛。仿真实验结果表明,基于改进模糊交叉算子的CGA算法性能更好。     

一种求解参数优化问题的引导交叉算子

提出一种应用于参数优化问题的引导交叉算子。该交叉算子利用父代染色体的适应值差异,引导交叉操作产生的子代向适应值高的父代倾斜,以产生高适应值的子代个体。对于连续函数,高适应值个体的邻域内也是高适应值的个体,且在两个个体之间不存在极值时,朝适应值增加的方向可以生成更优的个体。实验表明,对比常用的算术交叉算子,引导交叉算子具有更强的全局、局部搜索能力和更快的搜索速度。     

基于捕食搜索策略的遗传算法研究*

针对标准遗传算法易陷入局部最优而出现早熟,提出了一种基于捕食搜索策略的遗传算法。该算法在进化中模拟动物捕食搜索的过程,并根据种群中个体最优适应值来动态改变交叉和变异概率,从而加强算法的全局搜索和局部优化的能力。仿真实验表明该算法是有效的。     

改进遗传算法在城市交通诱导策略中的应用

提出一种基于改进遗传算法,并将其应用于城市交通诱导策略．该算法采用邻近交叉策略增加种群的多样性,采用贪婪前伺变异策略增强算法的局部搜索能力,并且采用稳态繁殖策略更好地保护适应度高的遗传个体．在适应度函数的设计中考虑实际路网中的交叉口延误,使所求最优路径更加贴近实时的交通状态．数值实验结果表明,所提算法的全局搜索能力和收敛速度均有显著提高．     

GASS II遗传模拟混合智能优化算法

通过对遗传算法算子的行为分析，给出概率动态变化的交叉和变异算子。同时，将遗传算法与随机模拟结合。设计GASS II遗传模拟混合智能优化算法。随机模拟采用缩减方差、加速收敛的分层抽样技术，保证抽样遍布整个搜索空间，突破个体分布“畸形”交叉对遗传算法进化能力的限制，有效发挥遗传算法的隐合并行搜索特性，在发生不成熟收敛时能从当前局部解中跳出，搜索转向具有更高适应度的抽样解，迅速收敛到全局最优解，从而有效避免早熟现象，提高了寻优的效率与精度。Benchmark问题评测结果显示出该算法的有效性。     

基于蜂群遗传算法的0-1背包问题

针对0-1背包问题,本文提出了基于蜂群遗传算法的优化求解方案。该算法包括两个种群,一个主要用于全局搜索,另一个主要用于局部搜索;每个个体采用二进制编码;采用最优个体交叉策略;对当前解的处理措施是将还未装入背包且性价比最好的物品装进背包,直至不能装为止;不符合约束条件的解采用诱变因子指导变异处理;遗传算子包括单点交叉算子、简单变异算子、主动进化算子和抑制算子。本算法充分发挥了遗传算法的群体搜索和全局收敛的特性,快速地并行搜索,有效地克服了经典遗传算法容易陷入局部最优问题。数值实验表明,该算法在求解0-1背包问题中取得了较好的效果,同样可以应用于其它的组合优化问题。     

基于种群个体可行性的约束优化进化算法

提出一种新的求解约束优化问题的进化算法.该算法在处理约束时不引入惩罚因子,使约束处理问题简单化.基于种群中个体的可行性,分别采用3种不同的交叉方式和混合变异机制用于指导算法快速搜索过程.为了求解位于边界附近的全局最优解,引入一种不可行解保存和替换机制,允许一定比例的最好不可行解进入下一代种群.标准测试问题的实验结果表明了该算法的可行性和有效性.     

基于随机错位算术交叉的遗传算法及其应用

杂交算子是实现进化群体的多样性和改善遗传算法性能的重要因素.本文在对遗传算子做了深入的探讨并分析了良好杂交算子应具有的两个性质之后,提出了一种新的交叉算子--错位交叉算子(DislocationCrossover,DC),继而设计了随机错位算术交叉算子(GAs Combined with Random Dislocation Arithmetic Crossover,RDAC),并应用于实际问题.该方法使已有的最优可行个体序列以极大概率并且快速地离开早熟收敛状态继续接近全局最优解.数值测试实例表明了该算法具有良好的全局搜索能力和较快的收敛速度.     

求解全局优化问题的遗传退火算法

针对全局优化过程中,算法计算时间长、收敛时机不成熟、容易陷入局部最优等现象,在分析模拟退火算法和遗传算法优缺点的基础上提出了新的遗传退火混合算法,并将新的交叉、变异策略和诱导微调方法应用于算法中,通过10组非线性约束函数的测试表明,该算法能够在保持较高精度的前提下快速收敛。     

基于动态算子遗传算法的光网络阻塞率的快速计算

给出了基于分层图模型的光网络中链路阻塞率的计算公式，提出了一种改进的遗传算法，通过动态调整交叉和变异两算子，在全局搜索的情况下，调大变异算子的值，控制交叉算子的值；在收敛到局部进行搜索时，控制变异算子，提高交叉算子值，提高局部搜索能力，得到了一种快速的光网络阻塞率的计算方法，通过模拟显示：与普通遗传算法相比可以提高计算速度60%，并降低网络的阻塞率。     

一种新的免疫进化算法在函数优化中的应用

针对克隆选择算法在求解高维函数优化问题时易陷入局部最优以及收敛速度较慢的弱点,本文基于生物免疫系统内部学习优化机制以及进化算法,提出了一种新的免疫进化算法,它包括正交交叉、单形交叉、克隆、多极变异和选择。新算法将进化计算的思想融入到克隆选择中,提出了一种新的变异算子,在保证种群多样性的同时提高了算法的全全局寻优能力。理论分析证明了算法的收敛性,并将算法应用于不同的测试函数进行仿真实验。结果表明,该算法是有效的。     

基于自适应遗传算法的软件测试用例自动生成

在软件测试中,测试成功的关键是快速、高效的生成测试用例.遗传算法是一种通过模拟自然界生物进化过程搜寻最优解的一种算法,算法通过选择、交叉和变异操作引导算法搜索方向,逐步接近全局最优解.传统遗传算法由于具有较好的全局搜索能力,因此被很多科研人员应用于测试用例生成.但遗传算法的固有缺陷"早熟收敛",容易导致算法收敛于局部最优.针对这种情况,提出一种自适应遗传算法,该算法交叉算子和变异算子可根据程序变化自动调整,随后,将改进后的算法应用于一程序的测试用例生成中.测试结果表明该算法在测试用例生成的效率和效果方面优于传统搜索算法和普通改进算法.     

一种催化粒子群算法及其性能分析

针对粒子群算法（PSO）在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种新颖的混合算法—催化粒子群算法（CPSO）。在CPSO优化过程中,种群中的粒子始终保持其个体历史最优值pbests。CPSO种群更新由改造PSO、横向交叉以及垂直交叉三个搜索算子交替进行,其中,每个算子产生的中庸解均通过贪婪思想产生占优解pbests,并作为下一个算子的父代种群。在CPSO中,纵横交叉算法（CSO）作为PSO的加速催化剂,一方面通过横向交叉改善PSO的全局收敛性能,另一方面通过纵向交叉维持种群的多样性。对6个典型benchmark函数的仿真结果表明,相比其它主流PSO变体,CPSO在全局收敛能力和收敛速率方面具有明显优势。     

求解混合整数非线性规划问题的改进差分进化算法

针对混合整数非线性规划问题的特点,在差分进化算法的变异操作中加入取整运算,提出了一种适合于求解各种混合整数非线性规划问题的改进差分进化算法.同时,采用时变交叉概率因子的方法以提高算法的全局搜索能力和收敛速率.用四个典型测试函数进行了实验研究,实验结果表明,改进的差分进化算法用于求解混合整数非线性规划问题时收敛速度快,精度高,鲁棒性强.     

函数全局优化的改进实数遗传算法

针对有界区域复杂函数的全局优化问题,分析了一般实数遗传算法的不足,提出了一种新的改进实数遗传算法。在改进算法中,个体的适应度值直接按其目标值排序的方法获得,这可避免进化后期陷入局部极值;基于适应度的线性逼近交叉策略,随机遍历抽样选择、最优保存和子代淘汰父代选择结合的混合选择策略及变异概率动态变化的实值变异策略,可使算法以较快的速度收敛于最优值。对12个典型的复杂函数进行优化仿真,结果表明改进算法不仅收敛速度快,鲁棒性好,而且能得到较高的优化精度。     

An improved teaching-learning-based optimization algorithm and its application to a combinatorial optimization problem in foundry industry

Teaching-learning-based optimization (TLBO) algorithm is a novel nature-inspired algorithm that mimics the teaching and learning process. In this paper, an improved version of TLBO algorithm (I-TLBO) is investigated to enhance the performance of original TLBO by achieving a balance between exploitation and exploration ability. Inspired by the concept of historical population, two new phases, namely self-feedback learning phase as well as mutation and crossover phase, are introduced in I-TLBO algorithm. In self-feedback learning phase, a learner can improve his result based on the historical experience if his present state is better than the historical state. In mutation and crossover phase, the learners update their positions with probability based on the new population obtained by the crossover and mutation operations between present population and historical population. The design of self-feedback learning phase seeks the maintaining of good exploitation ability while the introduction of the mutation and crossover phase aims at the improvement of exploration ability in original TLBO. The effectiveness of proposed I-TLBO algorithm is tested on some benchmark functions and a combinatorial optimization problem of heat treating in foundry industry. The comparative results with some other improved TLBO algorithms and classic algorithms show that I-TLBO algorithm has significant advantages due to the balance between exploitation and exploration ability.     

采用双变异策略的自适应差分进化算法及应用

为了克服差分进化算法早熟收敛和寻优精度低的缺点,提出一种采用双变异策略的自适应差分进化算法（Adaptive Differential Evolution Algorithm using Double mutation strategies,DADE）。DADE引入基于种群相似度和中心解的双变异策略,有效平衡了算法的全局搜索和局部搜索;自适应交叉概率使种群个体向更新成功的个体学习,有利于后续种群的进化。在7个测试函数和3个电力系统动态经济调度（Dynamic Economic Dispatch,DED）问题上的优化结果表明,DADE算法与其他4种DE算法相比具有更强的全局寻优能力,且对电力系统动态经济调度问题的优化结果优于文献中所报道的结果。     

改进混合遗传算法及其在农资优化配送中应用

针对农资配送过程中普遍存在空载以及二次配送导致配送成本增加问题,提出一种基于改进混合遗传算法的配送优化方法。在遗传算法中融入模拟退火算法,结合二者优势使得算法跳出局部极值,增强全局优化的能力;针对两种算法混合后造成算法运行时间长、收敛慢的缺点,提出一种混合交叉方式以及混合启发式变异的方法,最大限度减少不必要的计算,提高算法的优化效率。选取北京农资大兴配送中心针对大兴地区30个农资连锁经销门店的日常配送路径优化问题开展实验研究,结果表明,提出的算法较传统算法具有更好的收敛性,优化结果更加逼近全局最优解,可为农资配送车辆实时路径优化决策提供一种新的方法。     

融入变异交叉的改进天牛须算法求解TSP及工程应用

为找到最短路径,克服传统算法收敛速度慢、求解精度低等问题,提出一种融入变异交叉的改进天牛群算法(MBSO).首先将个体天牛转换成群体天牛搜索寻优;在群体进化过程中融入变异和交叉,提高全局搜索到更优结果;最后加入天牛须间长度自适应和步长自适应机制的搜索算法,改善算法的探索能力.将改进的算法通过MATLAB对TSPLIB中的数据集进行仿真实验,并用于PON网络规划问题.证明改进的天牛须算法在收敛速度和求解精度两方面较其他算法都有所提升,算法运行时间平均减少0.3 s,实验结果更接近最优解.