动态区域性多群体搜索的遗传算法

提出了一种新的动态区域性多群体搜索的遗传算法.该方法的各个遗传群体所占据的搜索空间由自适应模糊Hamming神经网络的决定,此神经网络通过对遗传个体分类和学习,将不同的遗传群体分配在搜索空间的不同位置,并可以动态地调整遗传群体的搜索区域或建立新的遗传群体,从而确保了遗传群体的个体多样性,有效地抑制了可能发生的早熟收敛现象,而且使得遗传算法具有较强的全局寻优能力和快速局部寻优能力.本文的实验通过对典型的复杂多模函数的优化计算,也显示了动态区域性多群体搜索的遗传算法的优良性能.     

一种基于灾变的多群体遗传算法

在多群体遗传算法的实现中,迁移算子常会产生大量通信开销,也不利于搜索出多个模态峰点。针对上述不足,提出了一种改进的多群体遗传算法,用灾变产生新个体方式代替子群体之间的迁移效果,同时提出了尖点灾变模型及灾变发生的分歧条件。各子群遗传方式受灾条件的控制。仿真结果验证了算法的有效性。     

自然数编码遗传算法的最优群体规模

选择适当的群体规模是使用遗传算法面临的首要问题。对于给定字符串长ｌ，当采用自然数编码时，从理论上证明了遗传算法的最优群体规模的存在性，给出了相应的计算方法，本文工作对于遗传算法的实际应用具有指导意义。     

基于多种群进化小生境遗传算法的神经网络进化设计方法研究

针对神经网络进化设计问题中棋型解基因编码与棋型解空间的特点，提出了多种群进化小生境遗传算法。该神经网络进化楚棋方法设计简单、通用，棋型性能评价全面合理，全局搜索效率高，电力负荷预测支持系统的实际应用效果表明此方法是有效的，具有一定的应用推广价值。     

基于遗传算法的混合分形编码

１引言图象中存在局部与全局两方面的信息冗余,局部性表现在图象中的光滑性,全局性表现在图象结构的一致或相似性重复,若要达到理想的压缩效果,必须综合考虑两方面的冗余因素．分形编码在降低全局冗余方面较为有效,然而分形编码的算法复杂,例如对于２５６×２５６的...     

基于素描的遗传算法

传统遗传算法容易陷入局部最优解，本文借鉴美术中“素描”的思想，对传统的遗传算法进行了改进，提出了基于素描的新型遗传算法．该算法模拟人的素描行为，构造参数控制下的选择算子，再通过参数的调节来选择个体，并依据最优个体对选择算子进行修正，以达到动态调整群体进化过程中的种群多样性和收敛速度之间的矛盾，从而有效地避免了传统遗传算法中早熟现象，显著地提高了GA对全局最优解的搜索能力和收敛速度．这将使GA在众多实际的优化问题上将具有更广泛的应用前景．仿真结果表明，该算法正确有效，且性能优于现有的其它方法．     

基于实数编码的遗传算法的收敛性研究

用基于实数（浮点）编码的遗传算法（FGA）求解连续参数优化问题是遗传算法的重要应用领域,但一直缺少其完整的收敛性结果。分析了在绝大多数实际应用中使用的FGA的收敛性问题,在采用最优个体保留策略的前提下得到了保证收敛性的一般条件,并以之检验了采用常用的变异与交叉算子时FGA的收敛性。这些结论不仅给出了有用的收敛性结果,而且对进一步认识算子的本质,指导自适应变异算子的设计等都提供了帮助。同时所用的方法和结论也适用于进化规划和进化策略的收敛性问题。     

基于实数编码的多种群并行遗传算法研究

针对标准遗传算法(SGA)在实际应用中早熟收敛、解精度较低，以及传统的二进制编码方式带来的Hamming悬崖问题等等缺点，提出了一种基于实数编码的多种群并行遗传算法(RPGA)，理论分析和实例计算的结果说明RP-GA有效的提高了全局搜索能力和局部快速搜索能力，提高了遗传进化效率，对于改进SGA的缺点是十分有效的。     

一种基于超群体的并行遗传算法

文章首次提出了空间交配的慨念,构造了一种基于超群体的并行遗传算法。它把每一子群体(sub-group)看作一个特殊的个体,称为超个体(super-individual);该算法就是对由若干超个体组成的群体———超群体(super-group)施加遗传运算,从而实现遗传算法的并行化。它不但较好地克服了早熟问题,而且开拓遗传算法研究的新方向。最后,给出了实验的对比分析,证实了算法的有效性。     

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。     

一种基于全局协同与局部进化的遗传算法

改进了协同进化遗传算法中的协同操作,提出了一种基于全局协同与局部进化的两层框架模型和基于此模型改进的遗传算法（GCLEGA）,在高层,采用基于邻域的局部进化算法,旨在加强局部搜索,加速收敛速度,在底层,采用改进的多种群协同进化算法,旨在改善群体的多样性,克服未成熟收敛,两层之间通过提升操作关联,使全局搜索与局部搜索、全局收敛性与收敛速度有机地统一了起来。实验结果显示,GCLEGA在改善未成熟收敛和提高收敛速度两方面都具有良好的性能。     

一种基于有性繁殖的遗传算法

为了更有效地抑制标准遗传算法 (SGA)中的早熟收敛现象和提高收敛速度 ,提出了一种基于有性繁殖的遗传算法 .该算法借鉴了自然界最常见的有性繁殖现象 ,首先将每个个体编码为配对的双染色体码串 ,并增加性别染色体编码 ,以建立遗传个体的性别特征 ;然后 ,通过建立有性遗传进化算子来对不同性别的个体赋予不同的进化控制参数 ,以使得雄性个体具有较强的全局探索能力 ,而使雌性个体具有较强的局部快速寻优能力 ,最后通过建立对应的有性遗传交叉、变异算子 ,使得这种基于有性繁殖的遗传算法具有更强的全局寻优能力和快速收敛能力 .用该算法对一系列典型函数和其他优化问题进行了优化计算试验 ,结果证明 ,该算法不易陷入早熟收敛 ,且全局搜索能力和局部搜索能力平衡较好 ,收敛速度快 ,同时也验证了这种基于有性繁殖的遗传算法的有效性和优良性能 .     

基于整体轮换杂交的改进遗传算法

针对遗传算法的过早收敛问题,提出了一种新的解决方法———整体轮换杂交法,对其作用进行了讨论。对基于该法的改进遗传算法进行了实验并与其它算法进行了比较。结果表明整体轮换杂交法可以更有效地防止遗传算法过早收敛。     

一种基于多样性保持的遗传算法及其仿真

针对遗传算法存在的早熟收敛,为提高优化效果,提出了一种基于多样性保持的自适应遗传算法。首先引入了一种基于适应度方差的个体多样性度量指标,并利用指标对交叉概率进行自适应调整,以维持种群中的个体多样性。其次,通过计算各基因座上等位基因的基因多样性,自适应调整相应基因座上等位基因的变异概率,以增强基因多样性、抑制种群中的有效基因缺失,并进行仿真。仿真结果表明,算法具有不易陷入局部最优,解的精度较高,达到优化效果的要求。     

基于遗传算法的进化压力的研究

为了解影响进化压力的因素,在群体大小的选择、选择运算（Selection）、交叉运算（Crossover）三个方面进行了详细的分析。通过在遗传算法的三个阶段,选取不同的方案来解决复杂的函数优化问题的实验方法,得出了不同方案对进化压力的影响差异。时差异进行了比较分析,并对实际运用中方案的选择提出了一些建议。     

基于改进遗传算法的权重发现技术

范例推理的关键步骤在于相似范例的检索,而范例库中的特征项权重起到重要的作用。文章讨论了用遗传算法来获取范例库上的特征项权重,并用两种改进的遗传算法来发现范例库上的特征项权重,给出了具体的算法,分析了实验结果。该方法可用于权重发现。     

基于改进的遗传算法的多目标优化问题研究

研究多目标优化算法问题,针对传统的多目标优化算法由于计算复杂度非常高,难以获得令人满意的解等问题,在图论和遗传算法基础上,提出了一种改进的遗传算法求解多目标优化方法。首先采用二进制编码表示最小树问题,然后采用深度优先搜索算法进行图的连通性判断,给出了一种新的适应度函数,以提高算法执行速度和进化效率。最后仿真结果表明,与经典的Prim算法和Kruskal算法相比,新算法复杂度较低,并能在第一次遗传进化过程中获得一批最小生成树,适合于解决不同类型的多目标最小树问题。     

基于生产计划排单的遗传算法的优化与应用

ERP是当今国际上先进的企业管理模式,其核心是计划体系,包括主生产计划、采购计划、车间作业计划等。车间作业计划的管理目标是按物料需求计划的要求,按时、按质、按量和低成本地完成加工制造任务。该文探讨了遗传算法在车间作业计划安排中的应用,主要是针对Flow Shop的调度问题,给出了包括建模、编码、选择、交叉、变异和适应性函数等的具体算法,并在最后给出了自适应算法、混合遗传算法等优化算法。经仿真算例分析,该算法取得较理想的效果。     

基于种群多样度的变参数遗传算法的研究

该文针对基本遗传算法（SGA）所存在的缺陷——早熟现象进行了分析,并在此基础上提出了基于种群多样度的变参数遗传算法（VPGA）。该算法从概率角度分析了遗传操作算子的作用,搜索范围以及多样性的影响,依据种群的多样度对遗传算法的参数进行自动调节,抑制早熟现象。并应用两种遗传算法对评价遗传算法性能的四个著名测试函数进行了仿真测试,仿真结果表明该算法相对于基本遗传算法的优越性和抑制早熟现象的有效性。     

基于改进遗传算法的网格任务调度研究

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用具有高效性的调度算法.提出了一种基于改进遗传算法的网格任务调度算法,在算法初始化种群产生时引入min-min算法和max-min算法,从而提高初始化种群的质量;算法迭代过程中采用了一种新的局部收敛判断以及改进的变异操作来防止局部收敛.仿真结果表明,该改进算法能更有效地解决网格任务调度问题.