一种新的自适应免疫进化算法

根据生物免疫系统的免疫网络调节机理，提出了一种新的自适应免疫进化算法．该算法按照抗体激励水平进行选择操作；同时建立优秀抗体记忆库，并采用种群自适应调节策略，保持了进化抗体群的多样性．试验表明，该算法比标准遗传算法的收敛性能好，能有效避免遗传算法种群多样性保持能力不足和早收敛的缺点．     

一种算子操作概率的自适应策略

在分析传统遗传算法易发生早熟收敛的基础上，本文提出了一种改进算法IGA。IGA采用一种新的交叉率变异率自适应变化的策略，防止在进化初期种群不发生变化造成算法早熟。数值计算结果表明，利用改进策略的IGA搜索整体性较强，可以有效地避免早熟现象产生，提高全局优化能力。     

基于种群相异度的改进遗传算法及应用

提出了一种基于种群相异度的改进遗传算法。该算法采用了启发式交叉策略，并且能够根据种群的相异度自适应地调节种群的交叉规模、变异规模以及变异个体中各个基因的变异率，从而能够避免种群早熟收敛，加快进化速度。将其应用于PID控制器的参数优化中，并与传统的遗传算法相比较，仿真结果证明了其有效性。     

包含交叉和变异操作的交互式遗传算法

传统交互式遗传算法在优化隐式性能指标时会使用户产生疲劳,影响优化质量与优化效率。为此,提出一种改进的交互式遗传算法。采用二元排序确定适应值评价的不确定度,根据评价序列的最大信息差异计算种群的收敛率,通过收敛率衡量种群进化状态,基于适应值不确定度和种群收敛率设计自适应交叉算子和变异算子,给出交叉概率和变异概率的计算公式,利用包含用户偏好信息的遗传策略引导进化,从而使进化结果更加客观。将该算法应用于服装进化设计系统,结果表明,与传统交互式遗传算法( T-IGA)相比,该算法可获取更多的满意解,提高了优化效率。     

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．     

一种新的种群数自适应遗传算法*

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,提出了一种新的种群数自适应遗传算法。该算法在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。实验数据表明,该算法具有比简单遗传算法好的收敛性能。     

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.     

基于多种群进化的遗传算法

针对单个种群的遗传算法容易陷入局部收敛而出现早熟的情况,提出了一种新的多种群遗传算法,用多线程并行处理的方法实现种群之间同步进化。实验证明,基于多种群的遗传算法能够有效地避免局部收敛问题,通过与简单遗传算法进行比较,所提出的新算法不仅收敛速度快,而且收敛效率高,是一种可行、有效的算法。     

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。     

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。     

正态变异优胜劣汰的混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢、求解精度不高且易陷入局部最优的缺陷,提出了一种新的正态变异优胜劣汰的混合蛙跳算法。该算法在局部搜索策略中,对子群内最差个体的更新融入了服从正态分布的变异扰动,可有效避免青蛙个体向局部最优聚集,扩大搜索空间,增加种群的多样性;同时对子群内少量的较差青蛙进行变异选择,摒弃不利的变异,继承有用的变异,优胜劣汰,整体提高种群的质量,减少算法寻优过程的盲目性,提高算法的寻优速度。对每个子群内的最优个体引入精英变异机制以获得更优秀的个体,进一步提升算法的全局寻优能力,避免陷入局部最优,引领种群向更好的方向进化。实验独立运行30次,所提算法在Sphere、Rastrigrin、Griewank、Ackley和Quadric函数中均能收敛到最优解0,优于其他对比算法。实验结果表明,所提算法可有效避免算法陷入早熟收敛,提高了算法的收敛速度和精度。     

一种适用于多样性环境的业务流程挖掘方法

从运行日志挖掘业务流程模型的流程挖掘方法研究方兴未艾,然而,复杂多变的运行环境使流程日志也不可避免地呈现出多样性.传统的流程挖掘算法各有其适用对象,因此,如何挑选适合多样性流程日志的流程挖掘算法成为了一项挑战.提出一种适用于多样性环境的业务流程挖掘方法 So Fi(survival of fittest integrator).该方法基于领域知识对日志进行分类,使用多种现有的挖掘算法对每一类子日志产生一组流程模型作为遗传算法的初始种群,借助遗传算法的优化能力,从中整合得到高质量的业务流程模型.针对模拟日志和某通信公司真实日志的实验结果表明:相对于任何单一的挖掘算法,So Fi产生的流程模型具有更高的综合质量,即重现度、精确度、通用性和简单性.     

进化算法及其在入侵检测中的应用

进化算法模拟自然进化过程，从随机产生的一群个体出发，采用“适者生存”的进化机制，最后收敛到最优解。针对复杂问题，进化算法有很强的搜索能力和最优化性能。而入侵检测问题可以转化成数据的最优分类问题，因此引入模拟退火搜索算法来实现聚类结果的整个优化过程。算法最后使用KDDCup1999数据集，并在MATLAB6．5中进行了仿真实验，检测效果说明了这种方法的可行性和有效性。     

改进的人口迁移算法

为了提高人口迁移算法（PMA）的全局优化能力,受达尔文的“优胜劣汰”理论及蜜蜂繁殖进化机制的启发,针对PMA的不足对算法进行了改进,多个经典函数的实验仿真表明改进算法的有效可行性。     

通用遗传算法估算化学及生化反应动力学参数

遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应的搜索方法。MATLAB通用遗传算法工具箱GAOT本着使用群体搜索技术，将种群代表一组问题的解，通过对当前种群施加选择、交叉和变异等一系列遗传操作，从而得到新的一代种群，并逐步使种群进化到包含近似最优解状态的原则，对苯热裂解脱氢反应及产赖氨酸分批发酵动力学模型参数进行了估算。与文献中已有的结果相比，模型计算值与实验值的吻合程度相似或更优。所用方法也可用于以微分方程组为数学模型的这类过程的参数估算或寻优，从而研究者可以更加集中注意力于深入解决与数学模型本身有关的问题。     

基于一种新的优胜劣汰遗传算法的最小缩减计算

粗合集合理论现在已成为数据库知识分类的一种强有力的工具。而这种技术的核心问题是寻找一种最小缩减，即与原信息集合有相同的区分数据能力的最小的信息子集。提出了一种新的基于优胜劣汰遗传算法的最小缩减算法，在该算法中避免了传统遗传算法中的近亲繁殖和交叉、变异概率的盲目性，实验证明其具有较好的收敛性。     

基于并行遗传算法的配送路线求解

遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律演化而来的随机化搜索方法,已经成功运用在很多大规模的组合优化问题中。利用如今流行的并行计算机系统,对遗传算法进行并行化,可解决标准遗传算法的速度瓶颈问题。本文在MPI并行环境下,用C++语言实现了粗粒度模型的并行遗传算法。结合并行遗传算法的特点,提出了解决物流配送路线优化的策略以及给出相应的算法过程,并进行了有效验证。通过研究结果表明,与传统遗传算法相比,并行遗传算法提高了运算速度,降低了平均开销时间并且最小总路径值更理想。     

基于遗传算法无固定座位多课程混编的考试座位编排算法

遗传算法是一类借鉴生物界的进化规律（适者生存、优胜劣汰遗传机制）演化而来的随机化搜索方法,广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。广东省自学考试座位编排需要将参加不同课程的考生安排在同一个考场,而且编排的座位是随机的,所以经过研究决定采用遗传算法来实现考试座位的编排。     

基于排序采样策略的差分演化算法

基于传统的差分演化,对其种群的内部结构进行调整,提出了一种基于个体适应度排序的种群设置策略。并通过个体采样方式来选择个体参与变异步骤,结合优胜劣汰的选择策略,提出了基于个体排序的采样差分演化算法。通过优化测试函数的仿真试验,与传统差分演化算法和粒子群算法相比较,基于排序的采样差分演化算法在收敛速度和鲁棒性等方面有较好的优势。