基于梯度优化的自适应小生境遗传算法

针对基本遗传算法全局搜索能力差和收敛速度慢,且在求解多峰函数时仅能得到部分最优解的缺点,提出一种基于梯度优化的自适应小生境算法。该算法利用当前种群适应度和种群代数来设计交叉算子和变异算子,有效地保持了种群的多样性,改善全局搜索能力,加快了收敛速度,应用改进的梯度优化算子保证进化向最优解方向靠近,提高了计算峰值的精确度。对Shubert函数的仿真试验证明,该算法能改善全局搜索能力,加快算法收敛速度并提高计算精度。     

自适应梯度小生境混合优化算法

通过对梯度法和小生境遗传算法优缺点的分析,提出了一种自适应梯度小生境混合优化算法。小生境算法利用当前种群适应度和种群代数来设计交叉算子和变异算子,保持了种群的多样性,改善全局搜索能力,应用自适应变步长梯度算法的快速寻优特点来减少运行的时间,优化极值精度,加快了收敛速度。对Shubert函数的仿真试验,证明该算法能明显的改善全局搜索能力,加快算法收敛速度。     

基于自适应变异算子的差分进化算法

针对差分演化算法易于早熟、收敛速度慢和收敛精度低等问题,提出一种基于自适应变异算子的差分进化算法。给出个体向量粒子及维度层定义,并提出了基于维度层加权的异维维度选择策略,首次将加权异维学习策略引入差分演化算法中,有效地提高了种群的多样性;根据种群聚集度的思想,提出一种基于种群聚集度自适应的变异算子,该算子能依据种群个体当前的种群聚集度自适应地调整DE/best/1变异算子和加权异维学习变异算子的变异权重,加快算法收敛速度、提高其收敛精度。通过在20个典型的测试函数上进行测试,与7种具有代表性的算法相比,结果表明提出的算法在求解精度和收敛速度上具有很大优势,并显示出了非常好的鲁棒性。     

基于自适应启动策略的混合交叉动态约束多目标优化算法

针对单独采用冷启动方式而出现再次收敛速度慢、单种交叉算子自适应不足以及正态变异多样性程度偏弱等问题,提出一种基于自适应启动策略的新型混合交叉动态约束多目标优化算法。在算法设计中,首先采用冷热混合方式识别环境动态调整的程度,并引用柯西变异增强多样性;然后混合BLX α、SBX和DE三种差分进化经典交叉算子,并通过各自贡献度自适应调整其竞争力,以增强交叉操作对环境动态变化的自适应性;最后采用精英与进化两个群体相互协作,进一步均衡算法的局部和全局搜索能力。在6个标准测试函数上的仿真结果表明,该算法能在不同环境下动态识别调整的程度,增加初始种群多样性以提高算法的跟踪效果,且能在同一环境下自适应调整交叉算子以提高算法的收敛速度。     

自适应伪并行退火遗传算法解决最小权剖分问题

通过分析原有遗传算法解决剖分问题时,存在早熟现象的本质原因,对选择算子、交叉算子、变异算子提出了新的实现方法.为进一步提高算法的性能,将退火算法有机融合到遗传算法中,并采用多种群不同策略协同搜索机制,有效地避免过早收敛,对于参数采用构造模糊控制器自适应控制,加快了搜索速度、提高了搜索能力.仿真试验结果表明,该算法能够精确收敛到最优解或次优解.     

改进遗传算法在自动组卷中的应用研究

为了避免遗传算法在自动组卷中存在的未成熟收敛和收敛速度慢等弱点,根据群体适应值的分布特点,采用了基于小生境的改进自适应遗传算法。该算法采用模拟小生境法选择算子进行种群选取,并对交叉算子和变异算子进行了优化,实现了交叉和变异概率的非线性自适应调整。改进后的算法明显提高了组卷的成功率和收敛速度,取得了满意的组卷效果。     

混合正交遗传算法及其在函数优化上的应用

在分析和研究正交遗传算法的基础之上,依据混合优化策略及混合遗传算法的构造原则,通过对自适应正交局部搜索算子的改进提出了一种新的变异算子。该算子具备自适应全局搜索和局部搜索的能力,能够保证算法的变异概率取值为1.0时,算法的搜索效率最高;结合正交交叉算子之后,又能保证算法的交叉概率也取值为1.0时,算法的搜索效率最高;由此解决了交叉概率和变异概率参数的匹配问题。而使用的截断选择和负相关配对、最优交叉策略、精英选择和重复个体剔除策略等组合算子,一方面能够保证算法的收敛速度;另一方面也能有效地保持种群的多样性,这样在保证算法快速收敛的同时避免出现早熟现象;由此解决了＂全局最优＂和＂快速收敛＂的矛盾。因此,提出的改进型新算法在处理一些常用的测试函数上具有较高的效率。     

基于混合变异策略的动态差分演化算法

为提高差分演化算法的收敛速度和求解精度,提出了一种基于混合变异策略和参数自适应调整的动态差分演化算法,该算法首先选用3种变异策略作为候选池,通过记录各策略的历史效果来设置其候选概率,每个个体采用轮盘赌的机制从候选池中选取一个变异策略进行变异,在选择时采用动态机制让变异交叉产生的优秀试验个体直接替换目标个体来提高算法的收敛速度,算法的变异算子F、交叉算子CR根据进化中的反馈信息自适应动态调整。利用13个不同类型的经典测试函数进行实验,结果表明算法在收敛速度和求解精度上具有比较好的优势。     

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.     

基于共享机制的自适应混合遗传算法

共享机制小生境遗传算法常由于保持算法种群的多样性而减缓了全局收敛速度.针对共享机制的这个缺陷,提出了一种基于共享机制的自适应混合遗传算法.将熵的概念引入共享机制,提出了用以度量种群多样性的小生境熵的概念;构造了小生境半径和进化参数(交叉、变异概率)的自适应计算方法;设计了用于增强算法局部搜索寻优能力的扩展突变算子.最后实验表明,该算法对于解决多模态函数优化问题具有很好的全局搜索能力和较快的收敛速度,能够有效避免早熟收敛.     

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。     

求解TSP问题的一种改进的遗传算法

TSP问题是典型的NP完全问题,遗传算法是求解NP完全问题的一种理想方法。文章针对解决TSP问题,提出使用改进的遗传算法,即用浓度控制选择策略以保证群体的多样性,用贪婪交叉算子和启发式倒位变异算子来提高算法的收敛速度,较好地解决了群体的多样性和收敛速度的矛盾。算法的分析和测试表明,该文算法的改进是有效的。     

基于可行方向变异的NSGA_Ⅱ改进算法

在已有多目标遗传算法(NSGA_Ⅱ)研究和分析的基础上,提出一种改进算法INSGA_Ⅱ。在引入算术交叉算子的同时,主要对变异算子进行了改进,引入了Zoutendijk可行方向变异算子。实验表明,改进的算法INSGA_Ⅱ具有更快的收敛速度、更好的收敛性和种群多样性。     

基于差分进化的飞蛾算法在电力调度中的应用

针对基本MFO算法存在后期收敛速度较慢、收敛精度低等缺点,提出了一种基于差分进化的改进飞蛾优化算法（DEMFO）。该算法首先将差分进化算法融合到MFO算法中,使得飞蛾种群个体之间具有变异、交叉、选择机制,DEMFO算法拥有更强的全局和局部搜索能力;运用柯西变异算子对飞蛾最优位置进行变异更新产生新解,保持飞蛾种群的多样性,帮助算法跳出局部最优;再引入动态自适应权重因子,使飞蛾的更新方式更具灵活性,引导算法朝着正确的搜索方向进行,从而有效地提高了算法的收敛性和精度;对该算法用8个测试函数进行仿真实验,从实验结果可以看出DEMFO算法在收敛速度和收敛精度上有了显著提高。将该算法成功应用于求解电力系统负荷经济调度（Economic Dispatch,ED）模型,在Matlab平台对140台机组算例进行了仿真,相比基本MFO算法,提出的DEMFO算法能够获得更高质量的优化解,提供更好的负荷经济调度方案,从而有效降低发电成本,产生巨大的经济效益。     

求解高维优化问题的遗传鸡群优化算法

针对鸡群算法在求解高维复杂优化问题时收敛速度慢、寻优精度不高、容易陷入局部最优等不足,结合遗传思想,增加公鸡和母鸡交配、变异产生新小鸡的概念,并设定交配周期和小鸡淘汰更新周期,利用交叉、变异算子对算法进行改进,得到一种改进的鸡群算法。通过对10组基准函数的实验结果进行分析,相比于标准鸡群算法和其他两种目前比较流行的群体智能优化算法,提出的改进鸡群算法在寻优精度、解的质量、收敛速度、稳定性及鲁棒性等方面优势明显,具有良好的性能。     

一种双变异率的改进遗传算法及其仿真研究

针对标准遗传算法收敛速度慢,寻优能力差,易陷入局部最优等问题,提出了一种双变异率的改进遗传算法。在进化过程中,引入广义海明距离这个概念,当由广义海明距离控制的交叉操作产生个体数不足种群规模时,对原种群进行局部小变异,这样在避免近亲繁殖的同时又可扩大搜索空间,增加种群多样性,有效地抑制了早熟收敛;随后进行的全局大变异保证整个过程全局收敛。仿真实验用典型的测试函数验证了此算法能显著提高解的质量和收敛速度。     

基于父个体相似度的自适应遗传算法

标准遗传算法在产生后代个体时采用先交叉后变异的策略,一方面当父个体非常相似时,交叉操作很难产生新的个体,影响算法对新的解空间进行搜索,从而导致种群多样性的丧失;另一方面交叉产生的优秀个体再历经变异,极有可能遭破坏而影响算法的收敛性。该文根据染色体的相似性,给出了个体相似度的概念,并在此基础上提出了依据父个体相似度的大小自适应地选择遗传算子(交叉或变异)的遗传算法。仿真实验表明,与采用常规遗传策略的遗传算法相比,新算法能显著提高解的质量和收敛速度。     

Modified genetic algorithms for manufacturing process planning in multiple parts manufacturing lines

Manufacturing process planning for multiple parts manufacturing is cast as a hard optimization problem for which a modified genetic algorithm is proposed in this paper. A cyclic crossover operation for an integer-based representation is implemented to ensure that recombination will not result in any violation of processing constraints. Unlike classical approaches, in which the mutation operator alone is used to foil the tendency towards premature convergence, a combination of a neighborhood search based mutation operator and a threshold operator were implemented. This combined approach was designed to; (a) improve the exploring potential and (b) increase population diversity of neighborhoods, in the genetic search process. Capabilities of a modified genetic algorithm method were tested through an application example of a multiple parts reconfigurable manufacturing line. Simulation results show that the proposed modified genetic algorithm method is more effective in generating manufacturing process plans when compared to; a simple genetic algorithm, and simulated annealing. A computational analysis indicates that improved, near optimal manufacturing process planning solutions for multiple parts manufacturing lines can be obtained by using a modified genetic algorithm method.