求解全局优化问题的混合自适应正交遗传算法

提出了一种基于正交实验设计的混合自适应正交遗传算法(hybrid self-adaptive orthogonal genetic algorithm,简称HSOGA)以求解全局优化问题,此算法利用正交实验设计方法设计交叉算子,并提出一种自适应正交交叉算子.该自适应正交交叉算子根据父代个体的相似度自适应地调整正交表的因素个数和对父代个体进行因素分割的位置,生成具有代表性的子代个体,以更好地搜索空间.此外,新算法利用自适应正交交叉算子生成均匀分布的初始种群,以保证初始群体的多样性.同时引入了局部搜索策略以提高算法局部搜索能力和收敛速度.通过14个高维的Benchmark函数验证了算法的通用性和有效性.     

基于混合变异策略的改进差分进化算法及函数优化

针对差分进化算法DE 传统变异策略不能有效平衡全局搜索和局部搜索,并且算 子固定,导致算法早收敛、搜索效率较低。基于DE 变异策略性能,提出一种混合变异策略, 力图平衡算法探索和开发能力,使得前期增强全局搜索,保持种群多样性; 后期偏重局部搜 索,尽快收敛到全局最优值。同时操作算子采用随机正态缩放因子F 和时变交叉概率因子CＲ, 进一步改善算法性能。几个典型Benchmarks 测试函数实验表明: 该改进型差分进化算法能有 效避免早收敛,较好地提高算法的全局收敛能力和搜索效率。     

一种进化类混合算法的研究

针对现有的单一算法在解决数值优化问题中存在的问题,提出了一种基于进化计算的混合算法.该算法在原有遗传算法的基础上对交叉算子进行改进,同时将模拟退火算法与变异算子进行结合形成一种模拟变异算子;为提高算法的求解精度和收敛速度,在算法中引入了进化策略的自适应搜索特性; (μ,λ)选择算子的应用增加了跳出局部最优解的几率,精英保留策略的选用能够保障算法收敛于全局最优解.用两个典型的测试函数对该算法进行测试,测试结果表明算法能够跳出局部最优解的陷阱,快速高效,高精度地收敛于全局最优解.     

用于全局优化的混合正交遗传算法

为提高正交遗传算法收敛速度和搜索精度,在正交遗传算法的基础上引入局部搜索策略,提出一种新的聚类局部搜索算子。利用正交算子初始化种群,保证初始群体分布的均匀性和多样性。通过正交算子在全局范围内进行全局搜索,使算法能在全局范围内收敛。采用聚类局部搜索算子对群体进行局部搜索,以增强算法的收敛速度和搜索精度。对7个高维的Benchmark函数进行测试,仿真实验结果表明,与其他算法相比,该算法具有更好的搜索精度、收敛速度和全局寻优的能力。     

一种新的基于遗传操作的改进型遗传算法

交叉与变异是遗传算法的重要操作,提出了一种新的基于遗传操作的改进型遗传算法.采用最优保留和改进的轮盘赌选择方法,通过基因交叉概率控制交叉,根据高斯分布改进了交叉算子和变异算子,保证了算法的全局搜索能力、局部搜索能力及收敛速度.通过标准函数的数值实验,验证了新算法的有效性.     

基于混沌“微变异”自适应遗传算法

遗传算法可以较好地解决复杂的组合优化问题,但也存在两方面不足:一是搜索效率比其他优化算法低;二是容易过早收敛,陷入局部最优.对此,提出一种混沌“微变异”遗传算法.利用混沌优化算法具有随机性和遍历性的特点,解决遗传算法容易陷入局部最优解的早熟问题,使得新算法同时具有较强的局部搜索能力和完成全局寻找最优解的能力.同时,对遗传算法的选择算子增加了混沌扰动,对交叉算子和变异算子进行自适应调整,对适应度函数进行改进,使遗传算法整体性能得到提高.最后,通过经典函数验证表明,混沌“微变异”遗传算法比一般的混沌遗传算法和经典遗传算法的进化速度更快,搜索精度更高.     

基于锦标赛选择变异策略的改进差分进化算法及函数优化

针对差分进化算法传统变异策略在全局收敛鲁棒性和搜索效率上不能达到一个很好的折衷,并且算法的操作算子固定,导致搜索效率低、易早熟收敛等问题,文中在差分进化算法变异策略性能分析的基础上,提出了一种基于锦标赛选择的变异策略。该策略采用“锦标赛选择”对随机选取的变异向量排序选出基向量,差分向量选择有利于搜索的方向并对其 “强化”,以提高收敛速率和维持种群多样性;同时操作算子采用随机正态缩放因子F和时变交叉概率因子CR,以平衡局部搜索和全局搜索;最后,利用4个典型Benchmarks测试函数对改进算法进行测试。实验结果表明,该改进型差分进化算法能有效避免早熟收敛,较好地提高算法的全局收敛能力和搜索效率。     

改进的自适应遗传算法在函数优化中的应用*

针对传统遗传算法在复杂函数优化的寻优搜索中容易陷入局部极值,搜索效率低,不稳定等特点,提出一种改进的自适应遗传算法,该算法的思想是根据进化中种群适应度的集中分散的程度非线性地自适应调节遗传进化的运算流程和交叉概率Pc、变异概率Pm的值,从而能更好地产生新的个体摆脱局部极值搜索到全局最优解,并采取最优保存策略来保证改进的自适应遗传算法的收敛性。仿真实验结果表明,与现存其他算法相比,改进的自适应遗传算法在全局寻优的收敛速度、最优解、求解精度、和稳定性等方面都有了较大的改进和提高。     

一种新的求解函数优化问题的快速演化算法

提出一种新的求解函数优化的快速演化算法;新算法的特征是引入一种基于高斯变异和Cauchy变异的混合自适应变异算子,并作为算法的唯一遗传算子;提出多父体变异的群体爬山搜索策略;采用随机排序选择策略,克服了经典算法易于陷入局部最优解的常见弊病;新算法具有保持群体的多样性、全概率收敛、淘汰压力小、子空间搜索、快速收敛、评价次数少等特性;通过7个标准测试函数测试结果表明,新算法在所有的测试函数中体现出很好的性能,具有稳定、高效和快速等特点.     

精英化岛屿种群引导的差分进化算法

针对差分进化算法常见的早熟收敛、搜索停滞和求解精度低的问题,研究一种精英化岛屿种群的差分进化算法（EIDE）。为了实现全局搜索与局部搜索能力并重,EIDE划分多个岛屿种群,根据迭代时的适应度情况,动态地将岛屿种群分类为精英岛屿和普通岛屿;针对精英岛屿,提出一种控制参数自适应方法,依据岛屿适应度情况,自适应地调整变异概率与交叉概率,同时算法利用增强局部搜索的变异策略,提高收敛速度与精度;针对普通岛屿,使用适合全局搜索的变异与交叉概率及变异策略,维护种群多样性。EIDE提出了一种可控的“移民”与“个体迁移”策略,控制优质基因流动,有效避免早熟收敛与搜索停滞问题。在9个benchmark函数上的测试结果表明,新算法具有较强的全局寻优能力与稳定性,且收敛速度较快。     

一类高效的混合遗传算法

提出了一类用于求解函数优化问题的实数编码混合遗传算法。该算法由全局搜索和局部搜索模型组成，并将正交交叉运用于遗传操作产生的后代个体。一方面．本文提出的混合遗传算法能够有效地保持群体的多样性；另一方面，正交交叉能够产生高质量的个体。四个测试函数优化结果显示它在求解高维优化问题和复杂多极值优化问题方面有优势。     

并行混合遗传算法及其在布局设计中的应用

布局问题在理沦上属于NPC问题，在工程实践上具有广泛的应用。为较好地求解该问题，该文以并行遗传算法（PGA）为基础，针对其早熟和收敛速度慢两大缺陷加以改进，给出了一种并行混合遗传算法(PHGA)．PHGA采用该文提出的压力插他排序选择算子，起到了双重作用：一是在进化初期可以防止早熟；二是在进化后期有利于加快算法的收敛。算法利用混沌初始化可提高初始群体的质量，并依自适应交叉和变异概率值对子群体进行分类，与Powell法混合可以很好地改善算法的局部搜索性能。文中通过标准函数优化和布局设计的算例验证了该算法的可行性和有效性。     

复杂网络社区挖掘——-基于聚类融合的遗传算法

针对当前研究复杂网络社区挖掘的热点问题, 提出了一种基于聚类融合的遗传算法用于复杂网络社区挖掘. 该算法将聚类融合引入到交叉算子中, 利用父个体的聚类信息辅以网络拓扑结构的局部信息产生新个体, 避免了传统交叉算子单纯交换字符块而忽略了聚类内容所带来的问题. 为使聚类融合的作用得以充分发挥, 本文提出了基于马尔科夫随机游走的初始群体生成算法, 使初始群体中的个体具有一定聚类精度并有较强的多样性. 初始群体生成算法与基于聚类融合的交叉算子互相配合, 有效地增强了算法的寻优能力. 此外, 算法将局部搜索机制用于变异算子, 通过迫使变异节点与其多数邻居在同一社区内, 有针对性地缩小了搜索空间, 从而加快了算法收敛速度. 在计算机生成网络和真实世界网络上进行了测试, 并与当前具有代表性的社区挖掘算法进行比较, 实验结果表明了该算法的可行性和有效性.     

混合遗传算法与模拟退火法

论文将适合全局搜索的遗传算法(GA)和适合局部搜索的模拟退火算法(SA)相结合,提出了混合GA-SA计算方法。一方面,算法采用混沌初始化,提高了初始群体的质量;另一方面,算法采用Gray编码以及动态自适应调节交叉概率和变异概率,提高了收敛速度,并有效防止种群早熟现象。实例验证了该算法的可行性和有效性。     

自适应遗传算法在智能组卷中的应用

遗传算法以其具有自适应全局寻优和智能搜索技术,并且收敛性好的特性,能很好地满足自动组卷的要求,但简单遗传算法比较容易引起"未成熟收敛"和"搜索缓慢"等问题。本文提出自适应性的交叉和变异算子,能够降低多重约束目标,有效维持种群的多样性,避免产生局部最优解,改善未成熟收敛。     

一种结合自适应局部搜索的粒子群优化算法

本文提出一种结合自适应局部搜索的混合粒子群优化算法.该方法在粒子群优化算法的全局搜索过程中,使用能根据当前种群搜索状态自适应地调整局部搜索空间大小的局部搜索算法加强其局部搜索能力.采用了著名的基准函数对算法的性能进行测试,并与其他已有算法进行了比较.结果表明,这种混合粒子群优化算法能获得更高的搜索成功率和质量更好的解,特别在高维复杂函数优化上具有很强的竞争力.     

A fuzzy self-tuning parallel genetic algorithm for optimization

The genetic algorithm (GA) is now a very popular tool for solving optimization problems. Each operator has its special approach route to a solution. For example, a GA using crossover as its major operator arrives at solutions depending on its initial conditions. In other words, a GA with multiple operators should be more robust in global search. However, a multiple operator GA needs a large population size thus taking a huge time for evaluation. We therefore apply fuzzy reasoning to give effective operators more opportunity to search while keeping the overall population size constant. We propose a fuzzy self-tuning parallel genetic algorithm (FPGA) for optimization problems. In our test case FPGA there are four operators—crossover, mutation, sub-exchange, and sub-copy. These operators are modified using the eugenic concept under the assumption that the individuals with higher fitness values have a higher probability of breeding new better individuals. All operators are executed in each generation through parallel processing, but the populations of these operators are decided by fuzzy reasoning. The fuzzy reasoning senses the contributions of these operators, and then decides their population sizes. The contribution of each operator is defined as an accumulative increment of fitness value due to each operator's success in searching. We make the assumption that the operators that give higher contribution are more suitable for the typical optimization problem. The fuzzy reasoning is built under this concept and adjusts the population sizes in each generation. As a test case, a FPGA is applied to the optimization of the fuzzy rule set for a model reference adaptive control system. The simulation results show that the FPGA is better at finding optimal solutions than a traditional GA.     

游戏引擎最短路径搜索优化遗传算法设计

为满足游戏地图中最短路径搜索求解, 提出了一种优化的自适应遗传算法。该算法采用与游戏地图中节点数和弧段数相关联的节点复杂度算子, 结合种群的整体情况和进化潜力来设定自适应遗传算法的交叉率和变异率。实验表明, 该算法避免了搜索结果陷入局部最优解, 确保最短路径的搜索成功率及提高搜索速度, 在游戏引擎设计中具有一定的实用价值。     

一种求解旅行商问题的改进遗传算法

针对基本遗传算法存在容易"早熟",无法全局收敛的现象,设计了一种新交叉算子和变异算子,并在遗传算子构造中引入贪心控制策略.新算子的引入丰富了种群的多样性,提高了算法的全局搜索能力.实例仿真表明,改进遗传算法在迭代陷入局部最优时,能在较短的时间内跳出局部最优,继续寻找全局最优解.     

基于遗传算法的网格资源分配与调度研究

合理的资源调度可以在很大程度上提高网格系统资源的利用率,遗传算法（GA）因具有强大稳健的隐并行解空间搜索功能,被广泛应用于任务分配和调度问题的求解。本文在研究标准遗传算法（SGA）的基础上,提出与小生境技术相结合的自适应选择概率、父子竞争（PCC）交叉算子、插入变异算子和最优保存策略,改进SGA算法,在很好地保持种群收敛性的同时,提高了算法的局部和全局搜索能力。仿真实验结果表明,本文算法与其它调度算法比较,更能有效地实现资源的分配,可以成功应用于网格环境下独立任务的分配与调度。