求解最短路径的遗传算法中若干问题的讨论

针对道路交通网络中的最短路径问题,讨论了遗传算法中遗传算子的设计及运行参数的选择,提出一种新的交叉算子,提高了种群多样性.通过计算机仿真实验,比较了多种遗传算子设计方案的优劣及不同运行参数对算法效果的影响,为实际应用提供了参考.采用VC语言实现该遗传算法,并应用于实际的电子地图中,结果表明了算法的有效性和实用性.     

基于虚拟种群辅助搜索的改进型遗传算法

针对现行各种改进型遗传算法容易早熟收敛,并且难跳出局部最优的问题,提出一种基于虚拟种群技术的改进型遗传算法.该改进型遗传算法不改变遗传算法中选择、交差、变异等核心算子的参数值,从而有效避免了种群进化过程中因控制遗传算子参数的策略设置不当而引起的算法收敛速度慢的问题.通过虚拟种群与实际种群间的信息交换,隐式地增大了实际种群的多样性.仿真结果表明,在种群规模相同的情况下,虚拟种群遗传算法能以最少的代数跳出局部最优,并在最小的代数收敛于全局最优.     

一种启发式遗传算法及其在最短路径求取中的应用

对经典的遗传算子(选择算子、交叉算子和变异算子)进行重新设计,提出了一种启发式遗传算法。它能够根据种群的进化情况,动态地调整遗传算子,维持种群的多样性,克服过早收敛并加快了搜索速度,得到高品质解。将算法用于最短路径求取中,仿真结果证实是合理而有效的。     

基于遗传模拟退火的QoS单播路由算法

针对QoS的问题,设计了一种融合遗传算法和模拟退火算法的QoS路由算法,在遗传算法选择算子上借鉴了小生境的思想,避免了遗传初期有效基因的丢失;在遗传算法交叉算子和变异算子方面使用了自适应算子,使之能更好地适应网络的变化。通过与传统遗传算法进行比较,进一步说明了本算法的有效性。     

引入学习机制的自适应遗传算法设计与实现

目前遗传算法研究中,缺乏对历代群体进化规律的充分利用,因此引入学习机制,设计反映个体自主学习进化规律的自适应算子,并且结合现有的改进遗传算法,提出一种新的自适应遗传算法。最后以两个通用的测试函数为例对算法进行性能测试,结果表明,在采用相同参数的条件下,自适应算子能够以较低的代价提高遗传算法的收敛速度,并获得更好的最终优化结果。     

一种改进的小生境遗传聚类算法

传统的遗传算法具有早熟收敛和后期收敛速度慢的缺点,采用改进的小生境技术解决这一问题,同时根据具体问题改进了遗传算子,并将改进后的小生境遗传算法应用于聚类挖掘中。由于聚类挖掘算法中的K—means算法对初始值K的选取敏感,选取值的不同会导致聚类结果的不同,很容易陷入局部最优,使得聚类结果很差。因此,将改进的小生境遗传算法和K-means算法相结合,得出一种改进的小生境遗传聚类算法。验证表明优该算法对提高聚类分析质量是有效的。     

基于学习算子的自学习遗传算法设计

遗传算子是影响遗传算法优化效果的重要因素。针对目前遗传算法研究中忽视个体能动性，没有充分利用进化经验信息的不足，提出反映个体学习能力的学习算子。给出了以个体适应度的变化方向和速度为依据的学习算子设计方法及其计算过程。在此基础上与现有的改进遗传算子结合，提出一种新的改进遗传算法-自学习遗传算法，分析了自学习遗传算法与自适应遗传算法之间在原理上的区别。以一个弹道导弹射程优化问题为算例对算法进行了性能测试，结果表明，在采用相同的改进遗传算子的条件下，学习算子能够以较低的代价提高遗传算法的收敛速度，并获得更好的最终优化结果。     

免疫遗传算法在图像分割中的应用

提出一种基于免疫系统的免疫记忆特性所改进的遗传算法。该算法方面在传统的遗传算法的初始种群中,加入了根据先验知识制成的疫苗,从而大大提高了算法的收敛速度;另一方面,对遗传算子中的选择算子也进行了改进,吸取了免疫系统中的克隆选择的优点,并且根据细胞的亲和力进行变异,进而提高了图像分割的速度。     

一种新的应用于文本特征子集优化的GATS算法

针对文本分类中特征子集优化问题,将禁忌搜索算法引入到遗传算法中对遗传算法的核心算子——交叉算子进行改进形成禁忌交叉算子,改进后的算法称为GATS（遗传禁忌搜索算法）,并将其应用在文本分类中来实现空间降维。实验证明,应用此方法进行文本特征项的选取不仅能够保持GA和TS算法本身的优点,还能在一定程度上提高文本分类的准确率。     

改进型自适应遗传算法在VRPTW中的应用

在以往方法研究的基础上,分析遗传算法中不同的遗传算子及其主要运行参数变异概率和交叉概率对求解问题的影响,对传统的遗传算法进行改进,提出改进型自适应遗传算法。实验结果表明,经过改进的遗传算法能够比较有效地避免算法的"早熟"收敛,能够以更大的概率获得问题的最优解,求解质量更为优良,提高算法的性能。     

A study on synergy of multiple crossover operators in a hierarchical genetic algorithm applied to structural optimisation

Development of crossover operators is based on three different mechanisms: mating selection mechanism, offspring generation mechanism and offspring selection mechanism. Most crossover operators are able to get exploration or exploitation of the domain depending on the way they handle the current diversity of the population. Each crossover operator directs the search towards a different region in the neighbourhood of the parents. The quality of the elements belonging to the visited region depends on the particular problem to be solved. This is confirmed by the well known No Free Lunch (NFL) theorems. The simultaneous use of diverse crossover operators on the population may induce more efficient algorithms. The aim of this paper is to analyse and to study complementary properties resulting from synergy effects using several crossover operators in particular for a hierarchical genetic algorithm. The reached improvements using multiple crossover operators will be analysed through some standard optimisation examples of hybrid composite structures.     

针对选址问题的一种遗传算法改进探究

选址问题是现代地理信息资源配置的重要研究领域之一,通用性强、鲁棒性高的遗传算法可以较好地解决这类问题。常用方法是使用二进制编码的遗传算法对栅格数据地图进行选址。为克服二进制编码的标准遗传算法在解决选址问题过程中易陷入早熟的缺点,在研究了使用不同算子、引入观测概念这两大类解决标准遗传算法陷入早熟问题的方法后,针对选址问题的特点,选择了引入多样性测度与应用小生境技术对遗传算法进行改进,并深入探究了引入多样性测度与应用小生境技术后,遗传算法解决选址问题的过程中准确性、在线性能函数、离线性能函数的改善;接着提出了进一步改进小生境技术的方法,使得遗传群体中的每一个个体都参与遗传操作,并且避免了两个相同的个体参与交叉操作的情况。最后通过地图选址实验,将改进的小生境遗传算法与多样性测度结合,成功提高了遗传算法的性能。     

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。     

基于混合优化算法的数据预处理算法Ⅱ

提出了KDD中数据预处理的一种基本算法.针对数据库中的属性,利用非监督学习算法,在获取了面向任务的目标数据子集的基础上,利用混合优化算法进行特征子集的选取.分析了遗传算法和混合遗传算法用于特征子集选择的基本算法,仿真实验说明了混合优化算法的有效性和可行性.     

遗传算法中几种常用的选择算子在C语言中的实现

主要利用C语言编写了遗传算法中几种常见的选择算子,并在一最优化问题上进行了测试。     

一种基于家庭聚类思想的遗传算法

从一个不同角度提出遗传算法的改进思想．这种新的遗传算法——Family Clustering CA(FCGA)和以往的改进方法不同的是，它根据种群中个体的相互关系，采用聚类思想对算法进行综合调控，利用“家庭选择”操作进行微调，使得收敛速度和多样性这两个指标都得到兼顾．从实际的仿真效果来看，效果显著．     

遗传算法的一种新颖编码研究

提出了一种新的基于N进制分部编码算子的遗传算法．该编码算子首先将每个基因值用N进制的浮点数表示，然后将其分为整数部分和小数部分，分别重新编码组成染色体；相应的选择、交叉、变异算子采用符号编码的思想，充分利用N进制浮点数的特点进行设计．在遗传算法开始阶段，该编码算子进行整数部分和小数部分的遗传操作，使得遗传算法在早期具有很强的全局搜索能力，避免陷入局部极值；在后期进行小数部分的遗传操作，使得遗传在后期具有很强的局部搜索能力，能够很快地搜索到全局极值．通过理论分析，证明了N进制分部编码算子与传统的浮点数编码和二进制编码算子相比具有优越性，并通过典型函数的仿真进行了验证．