自适应遗传算法在特征选择中的改进及应用

传统遗传算法在求解全局问题具有很强的鲁棒性,但由于传统遗传算法固定的交叉率和变异率,使得传统遗传算法在求解复杂问题上存在早收敛及搜索后期运行效率低等缺点。针对此问题,提出了基于个体寿命的变种群自适应遗传算法,对种群规模,交叉率及变异率作了优化调整,使其能够根据进化的实际情况自动调整。实验结果表明,相比传统遗传算法,这个算法在全局优化能力及收敛速度上均有显著提高。     

遗传算法中交叉和变异概率选择的自适应方法及作用机理

在指出了传统遗传算法中交叉和变异概率的选择具有盲目性的基础上, 提出了遗传算法中交叉和变异概率选择的改进措施, 对其作用机理进行了深入的分析, 指出改进算法体现了自适应策略. 用一个非常复杂的数学函数对新算法进行了测试, 结果表明改进算法克服了传统遗传算法难以解决的早熟和局部收敛的问题.     

基于模糊推理动态调整遗传算法交叉率和变异率的方法

标准遗传算法的交叉率和变异率是随机选择的.在指出这种选择具有盲目性的基础上,提出了利用模糊推理动态调整交叉率和变异率的改进遗传算法,并通过模糊神经网络参数优化的实例对该改进算法与标准遗传算法进行比较.实验结果表明新算法对交叉率和变异率有效地进行动态控制,不仅保留了标准遗传算法的优点,又加强了全局搜索能力和加快了收敛速度,是一种很有前途的算法.     

一种新的改进遗传算法

该文提出了一种新的改进遗传算法,通过设计与进化代数相关的交叉概率及与个体适应度相关的自适应变异概率,并采取避免近亲繁殖的交叉手段等方法,来改善遗传算法的质量,提高其搜索能力和收敛速度。计算结果表明该算法达到了预期效果。     

自适应变异率的遗传算法

标准遗传算法的变异运算以固定的变异率进行操作,即不管遗传个体的适应度大小, 所有个体的染色体均以不变的概率进行变异.该文根据遗传个体的适应度值自适应地确定各个个体变异率,适应度值大的个体以较小的概率进行变异,而适应度值小的个体以较大的概率进行变异.通过这种方法,可以减少优秀染色体模式被变异破坏的可能性,从而提高遗传寻优计算的效率,加快遗传算法的收敛速度.     

利用排序对遗传算法的改进和自适应交叉概率

作为一种并行、自适应,全局搜索方法,遗传算法已在多种领域得到应用。文中先简单介绍了遗传算法的发展、基本程序与几种遗传操作,然后详细说明了排序选择。在此基础上文中提出了在非线性排序中加入适应值信息和交叉前进行排序两种改进方法。为了减少近新遗传,文中还设计了一种自适应交叉概率。实验中选择具有不同特点的四个测试函数进行测试,寻优结果表明改进的算法对加快收敛速度,提高寻优效果起到了作用。     

一种改进的实数自适应遗传算法

研究了基于实数编码的遗传算法的改进问题．针对实数编码在搜索后期存在搜索效率低、易早熟收敛等现象．讨论了遗传算法的参数调节问题．提出一种自适应交叉概率和变异概率,既考虑了进化代数对算法的影响,又考虑到每代不同个体适应度的作用,给出一种改进的实数自适应遗传算法．最后利用3个测试函数对算法进行验证,在函数的最终值、平均运行代数、收敛概率几方面都取得了较好的结果．     

自适应变异遗传算法及其应用

为了改善变异操作在遗传算法中的作用,提出自适应变异遗传算法,其变异操作能根据种群进化代数和个体的适应度值自适应地确定每个个体的变异概率,从而在保留遗传算法当前最优解的同时,维持了群体的多样性,提高了算法的全局搜索能力.与传统遗传算法相比,自适应变异遗传算法的离线性能和在线性能都有较大的改善.本文在实际应用中,将自适应变异遗传算法应用于估计动力学参数取得了较好的结果.     

基于模式定理的遗传算法交叉和变异概率上限

基于模式定理的推广形式，给出含有选择、交叉操怍遗传算法一致交叉概率的上限，以及含有选择、交叉和变异操作遗传算法单点变异和一致变异概率的上限，分折了含有联赛选择、一致交叉操作遗传算法运行前期和后期对优良模式的影响，并用8位陷阱函数验证了上述结论的正确性，该结果可用于指导遗传操作与控制参数的设计。     

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。     

遗传算法中选择交叉策略的改进

提出一种改进的遗传算法,为排序选择压力引入自适应调节机制,确保选择压力随种群性状的改变而动态调整,采用新的竞争择优交叉策略提高种群中个体的平均性能。选取典型测试函数进行仿真,结果表明该算法在寻优精度和收敛速度上较原有算法均有较大提高,收敛概率达90%以上。     

嵌套式模糊自适应遗传算法

针对简单遗传算法(SGA)收敛速度慢和早熟收敛现象,将模糊逻辑理论应用于遗传算法,并采用两级嵌套的遗传算法,随主遗传算法GA1求解优化问题的进化进程用模糊控制的方法自适应地调整遗传算法的交叉概率和变异概率;利用另一个遗传算法GA2优化模糊规则库,实现了一种嵌套式模糊自适应遗传算法(NFAGA)。仿真结果表明,这种算法的全局搜索收敛速度和解的质量明显优于SGA和一般的自适应遗传算法(AGA)。     

一种基于种群熵的自适应遗传算法

遗传算法中的交叉概率和变异概率是影响算法行为和性能的关键所在,直接影响算法的收敛速度,甚至影响有限进化代内的收敛性。本文通过分析交叉概率和变异概率对算法的影响,设计了一种依据种群多样性和进化代数自适应调节的交叉概率和变异概率,改善了传统遗传算法存在＂早熟＂现象和算法后期收敛速度慢的不足。最后,给出了三个典型函数的模拟例子,通过与传统SGA和AGA的对比结果显示,本文的改进提高了算法的性能。     

基于球面杂交的动态自适应克隆选择算法

基于球面杂交策略,提出一种动态自适应克隆选择算法。在该算法的每次迭代过程中,动态地计算出每个抗体的变异概率,根据抗体的亲和度将抗体种群分为记忆单元和一般抗体单元,以球面杂交方式对种群进行调整,从而加快算法的全局搜索速度。实例验证了该算法的有效性、可行性。     

解非线性方程自适应变搜索区间的遗传算法

叙述了解非线性方程的一种自适应变搜索区间的遗传算法(GANE)。数值实验表明该算法大大增强了一般遗传算法的性能;在求解非线性方程(组)时,克服了传统方法的某些局限性,完全不需要考虑初始值的选取以及初始区间的确定,甚至在有多个根的任意区间内也可以高效地搜索到精度较高的各个根。     

均匀块交叉遗传算法

交叉操作是遗传算法的三个基本算子之一,它在改进解群质量方面发挥着重要作用。我们提出一种均匀块交叉算子,并通过理论分析证明,它能够防止早熟收敛,使收敛结果更趋于最优解。两类算例表明,本文提出的交叉操作易于实施,且有效。     

自适应梯度指导交叉的进化算法

针对进化算法随机盲目搜索的缺点,提出一种新的自适应梯度信息指导交叉的进化算法.该算法首先利用混沌序列初始化种群,在迭代过程中,根据当前最优个体的梯度信息和种群与个体的聚集程度,自适应地确定最优个体的负梯度方向范围,在该范围内随机选择个体与当前最优个体进行算术交叉操作,使交叉后的个体以较大概率向较好解的方向进化.另外,引入自适应变异算子用于平衡算法的开发和探测能力.几个典型测试函数的实验结果表明,新算法具有较高的收敛精度.     

自适应多位变异遗传算法的实现

Genetic algorithm is a widely used optimization method. Crossover and mutation are two Basicl operatorsof the genetic algorithm. On the basis of analyzing the principles of simple genetic algorithm and discussing its exist-ing problems of crossover point and mutation bit, this paper presents a way of the adaptive multiple bit mutation ge-netic algorithm , which not only can keep the population diversity but also has quicker convergence speed. The resultsof the multi-modal function optimization show that the adaptive multiple bit mutation genetic algorithm is practical and efficient.