旅行商问题(TSP)的伪并行遗传算法

旅行商问题(TSP)是典型的NP完全组合优化问题．本文基于遗传算法求解TSP问题时的独特性,提出一种采用无性繁殖的改进伪并行遗传算法,避免了交叉算子对良好基因模式的破坏;初始种群通过贪婪算法得到并进行预处理,提高算法的收敛速度;伪并行遗传算法中子群体之间的信息交换采用孤岛模型．这些改进措施对降低算法的复杂程度、提高算法的收敛速度和全局搜索能力有重要意义．仿真研究结果表明,该算法的寻优效率较高,有效地克服了标准遗传算法的早熟收敛问题．     

基于模拟退火机制的多种群并行遗传算法

模拟退火和多种群并行遗传进化是两种较好的改进遗传算法性能的方法 .将这两种思想有机地结合起来 ,提出了一种基于模拟退火机制的多种群并行遗传算法 .仿真结果表明 ,该算法不仅能增强算法的全局收敛性 ,还能加快遗传进化速度 ,得到满意的全局最优值 .     

最优权动态控制学习机制的多种群遗传算法

遗传算法(GA)的全局搜索能力强,易于操作,但收敛速度慢,易陷入局部极值.为克服上述缺陷,首先对算法初始化方法进行改进,采用海明距离作为聚类划分的相似性度量提出了一种均匀分区多种群初始化方法.该方法以相似性度量为准则划分出不同集合的聚类中心点,然后以偏好随机的方式产生多个不同的种群,避免算法因种群初始个体在解空间分布不够均匀而陷入局部收敛.其次在遗传算法中引入多种群并行机制和学习机制来提高算法的性能,通过对已有研究中两种机制在遗传算法中的作用进行分析,指出各自的优势和不足,分别对两种机制进行改进,提出改进的多种群并行机制与最优权动态控制的学习机制,并从理论角度探讨了改进的两种机制的合理性.最后,将两种机制有机结合起来,充分发挥两种机制的优点,抑制各自的不足之处.仿真实验结果表明,算法中经过改进的两种机制具有良好的沟通能力,结合新的初始化方法,使得算法在收敛速度和精度上都要优于其他几种已有的改进算法.     

基于多种群的多目标免疫算法

借鉴遗传算法中采用并行机制避免局部收敛的思想,提出了一种基于多种群的多目标免疫算法。在该算法中建立多个子种群分别进行免疫操作,子种群之间通过优秀个体转移进行信息交换,可有效地提高种群的多样性,加速收敛。采用几种典型的多目标优化函数进行实验,并同常用的多目标遗传算法NSGA-II进行比较,仿真结果表明了该算法能有效解决多目标优化问题且具有一定的优越性。     

车辆路径问题的改进的双种群遗传算法

提出了一种基于车辆路径问题的改进双种群遗传算法.该改进双种群遗传算法主要通过两个种群同时进行进化操作,并结合新交叉算子和种群交叉策略,以克服传统双种群遗传算法在求解车辆路径问题上所存在的不足.通过仿真实验,将改进的双种群遗传算法与其它几种遗传算法进行比较,改进的双种群遗传算法比其它几种遗传算法显著提高了优化效果.实验结果表明,该算法可以有效求得该问题的优化解,是解决车辆路径问题的好方法.     

基于改进混沌遗传算法的人脸特征选择

针对如何选定PCA特征空间维数的问题,提出了一种基于改进混沌遗传算法的特征选择方法.改进的混沌遗传算法采用两种不同规则的混沌映射,维持了种群的多样性,增强了算法的全局搜索能力.利用改进的混沌遗传算法对PCA变换后的特征向量进行选择,可以快速搜索到最有利于分类的特征子空间.仿真实验表明,该方法不但降低了特征空间的维数,而且获得了比采用其它方法更好的识别性能.     

解模糊交货期多机并行调度问题的改进量子遗传算法

在结合遗传算法和量子理论的基础上,提出了一种改进的量子遗传算法（IQGA）求解模糊交货期多机并行调度问题。采用量子比特相位比较法更新量子位,以加快搜索的速度和效率;采用求反解码操作,以扩大种群规模。通过仿真验证,改进的量子遗传算法在求解模糊交货期多机并行调度问题时有较好的寻优能力。     

基于种群规模可变的粗粒度并行遗传算法

在科学计算领域，并行计算越来越成熟，并行遗传算法开始受到关注。本文分析了遗传算法并行化的动机和实现模型，提出了一种新算法－基于种群规模可变的粗粒度并行遗传算法,仿真结果验证了这种新算法的有效性和合理性。     

一种基于GPU 加速细粒度并行遗传算法的实现方法

为改善遗传算法对大规模多变量求解的性能,提出一种基于图形处理器(GPU)加速细粒度并行遗传算法的实现方法.将并行遗传算法求解过程转化为GPU纹理渲染过程,使得遗传算法在GPU中加速执行.实验结果表明,该算法抑制了早熟现象,增大了并行遗传算法的种群规模,提高了算法的运算速度,并为普通用户研究并行遗传算法提供了一种可行的方法.     

QoS组播路由的并行遗传算法

针对遗传算法应用于服务质量(QoS)组播路由时运算时间长的问题,提出一种基于集群路由器的并行遗传算法,并对集群路由器的体系结构加以改进,使其适用于该并行遗传算法的运行。该算法对种群初始化方法进行改进,使每个从路由器能独立初始化种群,减少主从路由器之间的通信次数,缩短算法收敛的时间。实验结果证明了该算法的有效性。     

基于多链拓展编码方案的量子遗传算法

为了提高量子遗传算法的性能,提出了一种基于多链拓展编码方案的量子遗传算法。根据编码方案,将每个量子位分解为多个并列的基因,有效地拓展了搜索空间;结合编码方案提出量子更新策略,并引入了动态调整旋转角机制对个体进行更新,使用量子非门变异策略实现量子变异。仿真实验中,分析了使用不同变异概率[0,0.1,…,0.9,1]时对算法性能的影响,对比了分别使用普通量子遗传算法、双链编码方案、三链编码方案以及四链编码方案的量子遗传算法在优化函数极值问题时算法的性能。实验结果证明,通过增加基因链可以显著提高算法的性能,多链拓展编码方案可以提高量子遗传算法的性能,是有效的。     

基于改进的混合基因算法的FIR数字滤波器设计

研究了利用模拟退火遗传算法来设计FIR数字滤波器的方法。针对算法在寻优过程中，易陷入局部最优解和搜索缓慢的特点提出了改进方法，该方法充分利用了遗传算法的并行化抽样过程和模拟退火算法中控制算法的收敛性，不仅优化了时间性能，避免出现收敛的“早熟”现象，而且在一定程度上提高了算法的搜索性能。最后结合FIR低通数字滤波器的设计给出了仿真结果。     

一种配电网故障区间定位改进算法的研究

当前配电网故障定位的研究主要关注遗传算法等智能算法。本文着眼于常规遗传算法在局部收敛、寻优速度等方面存在的缺陷问题,提出了一种改进方法。该方法以遗传算法全局寻优能力为基础,通过引入自适应调整系数对参数进行优化编码,对种群多样性水平进行综合考量,在保持高收敛性和寻优能力的基础上,增强了全局寻优能力,有效规避了局部最优解,同时在变异操作过程中进行个体优选,提高了算法的寻优速度,减少了迭代次数,显著提升了寻优效率。通过最后通过对一个20节点的配电网络进行了故障定位实验仿真,证明了该方法该算法在信息完整与信息畸变的情形下都能完成准确的故障定位,并且寻优效果显著优于传统算法,具备很好的有效性与优越性。     

对一类带聚类特征TSP问题的并行遗传算法求解

提出了一种带聚类处理的并行遗传算法,该算法首先对大规模TSP问题进行聚类处理,将其分解成一些小规模TSP问题,然后分别对每个小规模TSP问题利用遗传算法并行求解,最后将所有小规模TSP问题的解按一定规则合并成大规模TSP问题的解。对大规模TSP问题的模拟实验表明该算法极大地提高了遗传算法的收敛速度。     

一种多策略结合的改进文化算法

为了更有效地抑制文化遗传算法的早熟收敛现象和提高收敛速度,提出了一种多策略结合的文化遗传算法。该算法在信念空间,使用与文化算法不同的接受函数、影响函数和更新函数,在群体空间,针对种群采取多种群化,并采用自适应的交叉变异操作且多种群之间加入竞争机制的遗传算法,这样使得改进后的算法具有更强的全局寻优能力和局部寻优能力,有效避免陷入局部最优,抑制了早熟收敛,提高了收敛效率。用上述算法对几个典型函数进行优化,实验证明了多种群自适应的文化遗传算法的有效性和可行性,新的算法不易陷入早熟收敛,此外全局搜索能力和局部搜索能力得到有效平衡,收敛率高。     

基于量子粒子群优化的DAG并行任务调度研究*

任务调度是网络并行计算系统的核心问题之一。在有向无环图(DAG)描述问题的基础上,提出了一种进行并行任务调度的量子粒子群优化算法。首先对DAG并行任务调度问题作出定义,并给出了优化问题的目标;然后分别讨论了问题的编码表示、解码方案、位置向量的计算方法、离散问题连续化、算法的总体流程等;最后给出算法的仿真实验情况及分析,实验结果表明,该算法有良好的全局寻优性能和快捷的收敛速度,调度效果优于遗传算法和粒子群优化算法。     

一种多策略并行遗传算法及其收敛性分析

为解决传统遗传算法收敛速度慢、群体多样性不足的缺陷,提出了一种多策略并行的遗传算法;算法采用多策略并行处理的方式,产生不同策略模式下的个体,增加群体的多样性,再经过自适应迁移策略,提高算法的收敛速度;利用Markov链模型分析多策略并行遗传算法的收敛性;采用旅行商函数进行算法测试,结果表明改进算法的收敛性较传统遗传算法有较大的提高,具有较强的工程应用性能。     

一种遗传BP网络及其在故障诊断中的应用

针对旋转机械故障自动诊断问题及传统BP网络和遗传算法在进行故障诊断时所存在的缺点,提出了一种改进的遗传BP网络方法,该方法首先利用改进的遗传算法进行粗精度的学习以达到选取初值的效果,然后采用改进的BP算法完成对给定精度的网络学习,建立的网络学习收敛速度快且易于实现。仿真实验证明了该方法对旋转机械故障诊断问题具有良好的适应性。     

改进型遗传蚁群混合算法求解0/1背包问题

针对原有的遗传蚁群混合算法收敛速度慢、运行时间长等缺陷,提出了一种新混合算法,该算法从蚁群中选取部分优良个体采用遗传算法寻优,所选个体数目随迭代次数自适应变化,同时,对算法中的交叉、变异操作以及赋值等方面进行了一些改进。仿真结果表明,该算法在搜索能力、收敛速度以及程序运行时间方面都有明显的提高,由此证明了该算法的有效性。