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.     

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。     

基于改进遗传算法的AGV路径规划

为解决基本遗传算法在规划AGV运行路径时存在早熟收敛的问题,对基本遗传算法进行改进优化。用模拟退火法进行种群选择,提高种群的差异性;改进交叉、变异算子自整定策略和精英策略,提高算法的收敛速度;在适应度函数中加入路径曲折度、路径繁忙度和车辆负重度等多个规划指标,使规划出的路径更符合实际。将优化后的算法与基本遗传算法进行比较,仿真结果表明,改进后算法在AGV路径规划中具有高效性。     

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。     

改进光学优化算法及其在函数优化中的应用

光学优化算法是一种新型优化算法,源自物理学中的光学原理。针对基本光学优化算法中适应度函数随进化过程恒定不变导致算法搜索能力差、精度低等不足之处,结合遗传算法中自适应度的改进方法,提出一种可随进化代数动态调整的非线性适应度函数,改进了光学优化算法的适应度函数。通过一系列典型的基准函数测试了改进算法的性能,实验结果验证了改进算法的可行性与有效性。     

基于改进CMGA模糊规则优化及应用

针对压缩映射遗传算法(CMGA)操作效率太低,收敛至最优解迭代次数太多的问题,采用了近亲交叉回避策略改进压缩映射遗传算法,不但保证收敛到全局最优解,而且提高了算法的收敛速度和操作效率.为了能对具体被控对象的性能进行有选择性的控制,分析了ITAE积分性能指标作为目标函数的缺点,在目标函数中增加了超调量、控制量和上升时间等综合因素,得到了性能更好的目标函数,应用于改进压缩映射遗传算法的适应度函数,并把以上改进算法的模糊规则优化应用于地板采暖系统,与模糊控制、未改进的压缩映射遗传算法优化模糊控制进行比较,提高了系统的控制效率,简化了模糊控制器的设计难度.仿真结果证明该方法在地板采暖系统中的有效性.     

基于梯度优化的自适应小生境遗传算法

针对基本遗传算法全局搜索能力差和收敛速度慢,且在求解多峰函数时仅能得到部分最优解的缺点,提出一种基于梯度优化的自适应小生境算法。该算法利用当前种群适应度和种群代数来设计交叉算子和变异算子,有效地保持了种群的多样性,改善全局搜索能力,加快了收敛速度,应用改进的梯度优化算子保证进化向最优解方向靠近,提高了计算峰值的精确度。对Shubert函数的仿真试验证明,该算法能改善全局搜索能力,加快算法收敛速度并提高计算精度。     

未知环境下基于粒子群优化的多任务联盟生成

针对多Agent系统(MAS)资源有限、环境信息未知、任务依次随机产生的情况,通过引入惩罚系数,基于剩余资源平衡定义一种新的适应度函数,并提出改进的二进制离散粒子群优化(BPSO)算法。新的适应度函数不仅考虑系统收益,同时还考虑系统剩余资源的平衡性,并通过调整惩罚系数在两者之间做出折衷。利用改进的BPSO算法对联盟进行优化,给出粒子速度和位置的更新公式,从而控制粒子的发散性,提高算法的局部搜索能力。仿真结果表明,新的适应度函数可使MAS执行更多的任务。与基本BPSO和遗传算法相比,改进算法在解的质量、收敛速度和稳定性方面具有更好的性能。     

超混沌遗传算法在多约束QoS组播路由中的应用研究

针对多约束QoS组播路由的优化问题,提出了一种超混沌遗传混沌算法.该算法利用遗传算法中的改进的适应度函数,通过结合超混沌映射优越性的搜索能力,对遗传算法选出的个体进行混沌优化,以改善遗传算法过早陷入早熟的情况.通过仿真实验表明,该算法有效地改进了搜索效率,且收敛速度更快更稳定,是一种解决多约束QoS路由问题可行和有效的方法.     

基于改进遗传算法的K-means聚类分析

K-means算法是聚类分析中的一种经典算法,但是K-means算法是一种局部搜索技术,受初始聚类中心的影响可能会过早收敛于最优解.而遗传算法具有良好的全局优化的能力,将遗传算法与K-means算法结合起来,能很好解决这一问题.在结合的过程中,又在最传统的遗传算法中改进染色体编码与适应度函数,从而优化k个中心点的选取,...     

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。     

基于分裂算子的遗传算法和自适应遗传算法

针对遗传算法所存在的早熟和收敛速度慢等问题,基于低等生物的分裂生殖现象,提出了分裂算子的概念,并将该算子引入到传统遗传算法和自适应遗传算法中,对这两种遗传算法进行了改进。通过一系列多峰函数测试实验,将改进算法分别与基本遗传算法和自适应遗传算法进行比较,证明引入分裂算子后的遗传算法和自适应遗传算法不仅有效地收敛到全局最优解,而且提高了收敛速度。     

基于改进遗传算法的智能组卷系统研究

试题组卷是考试系统的重要组成部分.通过在编码策略、适应度函数、遗传算子、控制参数等方面的研究提出一种适应于试题智能组卷的改进遗传算法.对适应度函数的适当定标和建立自适应的交叉概率和变异概率,有利于克服未成熟收敛和遗传漂移现象,同时能在维持群体多样性的情况下,防止群体进入局部最优.实验证明改进遗传算法比传统的遗传算法能更有效地提高组卷的效率.     

引入生态扩张主义的改进生物地理学优化算法

针对生物地理学优化算法(biogeography-based optimization,BBO)前期搜寻范围不足、后期易陷入局部最优等问题,提出一种引入生态扩张主义(ecological imperialism,EI)的改进生物地理学优化算法(EI-BBO).首先,该算法通过在原始栖息地的周围寻找新栖息地,增强了初始化群体的多样性;其次,通过对栖息地进行改良式扩张,提高了算法后期的收敛效率;最后,通过梯度下降对最优解领域进行二次收敛,提高了算法的收敛精度.在CEC2014常用的12个优化测试函数上进行50次蒙特卡罗实验,结果表明无论是最优适应度值、平均适应度值还是标准差值EI-BBO,该算法总体表现均优于其他三种智能优化算法,说明EI-BBO能够提高寻找最优解的能力并提升搜索稳定性.     

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。     

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.     

A Heuristic Genetic Algorithm for Solving Resource Allocation Problems

In the paper, a heuristic genetic algorithm for solving resource allocation problems is proposed. The resource allocation problems are to allocate resources to activities so that the fitness becomes as optimal as possible. The objective of this paper is to develop an efficient algorithm to solve resource allocation problems encountered in practice. Various genetic algorithms are studied and a heuristic genetic algorithm is proposed to ameliorate the rate of convergence for resource allocation problems. Simulation results show that the proposed algorithm gives the best performance.     

改进自适应微分进化算法求解全局优化问题

针对微分进化(DE: differential evolution)算法在进化后期收敛速度慢,收敛精度低,易陷入局部最优解等缺点。本文通过改进DE的变异方程,并引入一种新的控制参数自适应策略,提出了一种改进自适应微分进化(IADE: improved adaptive differential evolution)算法。进化过程中IADE将根据个体适应值与父代平均适应值之间的关系动态地调整控制参数。同时,采用10个常用于优化算法比较的标准函数对IADE和其它改进DE算法进行对比试验,实验结果表明IADE算法不仅能够显著地提高收敛速度和收敛精度,而且具有非常好的鲁棒性,从而使得该算法能够满足过程优化的实时性、准确性以及稳定性要求。     

A novel parallel hybrid intelligence optimization algorithm for a function approximation problem

A novel parallel hybrid intelligence optimization algorithm (PHIOA) is proposed based on combining the merits of particle swarm optimization with genetic algorithms. The PHIOA uses the ideas of selection, crossover and mutation from genetic algorithms (GAs) and the update velocity and situation of particle swarm optimization (PSO) under the independence of PSO and GAs. The proposed algorithm divides the individuals into two equation groups according to their fitness values. The subgroup of the top fitness values is evolved by GAs and the other subgroup is evolved by the PSO algorithm. The optimal number is selected as a global optimum at every circulation which shows better results than both PSO and GAs, then improves the overall performance of the algorithm. The PHIOA is used to optimize the structure and parameters of the fuzzy neural network. Finally, the experimental results have demonstrated the superiority of the proposed PHIOA to search the global optimal solution. The PHIOA can improve the error accuracy while speeding up the convergence process, and effectively avoid the premature convergence to compare with the existing methods.     

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。