模糊自适应遗传算法

针对标准遗传算法在实际应用中存在的早熟问题,设计了标准遗传算法的一种改进形式--模糊自适应遗传算法.该算法是利用种群的方差和熵来衡量种群多样性,并根据每代种群的方差和熵设计模糊推理系统来自适应控制交叉概率和变异概率.通过多峰函数优化问题的仿真实验,表明了该模糊自适应遗传算法的可行性和有效性.     

一种解决早熟收敛的自适应遗传算法设计

为了解决简单遗传算法(SimpleGeneticAlgorithm,SGA)易陷入局部最优解的问题,及以往自适应遗传算法只考虑与进化代数相关的交叉与变异概率,而忽略个体分布情况及种群规模不可变等问题,本文在保留以往自适应遗传算法优点的同时,设计了与种群中个体分布相关的可变交叉概率与变异概率。同时考虑了种群规模的波动情况,使算法在相对稳定的动态种群规模中寻找优质解。     

云自适应遗传算法

传统自适应遗传算法(AGA)虽能有效提高收敛速度,却难以增强算法的鲁棒性.以当代种群平均适应度为期望Ex,根据云模型"3En"规则确定熵En,由X条件云发生器自适应调整交叉变异概率,提出云自适应遗传算法(CAGA).由于云模型云滴具有随机性和稳定倾向性特点,使交叉变异概率值既具有传统AGA的趋势性,满足快速寻优能力;又具有随机性,且当种群适应度最大时并非绝对的零概率值,有利于提高种群多样性,从而大大改善避免陷入局部最优的能力.典型函数优化实验表明,与标准遗传算法(SGA)和AGA相比,CAGA具有更好的收敛速度和鲁棒性.     

一种可自适应调节参数的改进遗传算法

针对遗传算法在复杂问题应用中收敛速度十分缓慢的不足，本文引入收敛性因子和进程因子对种群进化的交叉概率和变异概率进行自适应调节，提出了可自适应调节参数的改进遗传算法．该算法很好地增强了遗传算法的全局搜索能力，提高了收敛速度．通过比较几个优化实例，验证了本文算法的有效性．     

一种新的种群数自适应遗传算法*

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点,提出了一种新的种群数自适应遗传算法。该算法在对进化种群数进行宏观调控的同时,再用个体寿命限制个体的生存期,实现对种群数的微观调控。实验数据表明,该算法具有比简单遗传算法好的收敛性能。     

一种新的自适应免疫进化算法

根据生物免疫系统的免疫网络调节机理，提出了一种新的自适应免疫进化算法．该算法按照抗体激励水平进行选择操作；同时建立优秀抗体记忆库，并采用种群自适应调节策略，保持了进化抗体群的多样性．试验表明，该算法比标准遗传算法的收敛性能好，能有效避免遗传算法种群多样性保持能力不足和早收敛的缺点．     

带密度加权的自适应遗传算法

为了改善传统自适应遗传算法收敛速度慢、易陷入局部最优解的情况,提出了带密度加权的自适应遗传算法. 该算法基于种群的分布密度,动态调整遗传算法的交叉概率和变异概率,并且在算法中使用了保留最佳个体法. 实验结果表明：该算法在破坏种群局部稳定性、跳出局部极值的同时,又能以较快的速度收敛于全局最优,提高了算法的实用性和鲁棒性.     

基于协同进化的自适应遗传算法研究

针对传统遗传算法易于陷入局部最优解,性能不稳定的问题,提出了一种基于协同进化的自适应遗传算法（CEAGA）。在协同进化的两层框架模型的基础上,引入一个自适应的变异策略,改进了协同进化遗传算法中的局部进化操作,加强了在上层中的局部搜索;在下层,在种群之间采用协同进化算法,克服未成熟收敛,在种群内部进化中引入自适应遗传操作,保护种群中的优秀个体。实验验证CEAGA既具有很快的收敛速度,又具有很好的全局搜索性能。     

基于自适应小生境遗传算法的船型优化

自适应小生境遗传算法能够克服基本小生境遗传算法操作复杂和计算费时的缺陷,同时具有保持种群的稳定性,获取合适的子种群规模,从而更快地获得最优解的特点。为快速获得阻力性能优良的船型,以势流兴波阻力理论Rankine源法为基础,采用自适应小生境遗传算法并结合CAD技术进行船型优化设计。S60船型的优化算例结果表明,采用自适应小生境遗传算法进行船型优化具有可行性。     

基于动态入侵的自适应遗传算法研究

根据生物入侵的思想,将入侵的概念引入到遗传算法中,提出了一种新的基于动态入侵自适应遗传算法。在选择操作结束后,根据当前的种群类型自适应调整入侵率;根据种群所属的种群类型和种群的平均适应度值,确定染色体交叉概率;根据个体的所属类型和变异基因位置自适应调整变异概率。最后将该算法应用到函数优化问题,实验结果表明,改进后的算法在种群的多样性,收敛速度以及算法效率方面有了一定的改进。     

一种用于智能组卷的自适应小生境遗传算法

在采用遗传算法进行智能组卷的过程中,常出现选择策略缺乏多样性保护机制的现象,易出现早熟收敛。为解决智能组卷的早熟收敛问题,提出一种自适应小生境遗传算法。采用小生境技术可提高个体的选择概率,增加个体的多样性选择机率;在保证算法收敛速度的情况下,给出一种一致变异算子,同时调节个体的变异概率和变异范围,提高种群多样性。最后,通过具体实例验证了该算法在较短的组卷时间内,可以实现全局寻优的结果,从而证明该算法的有效性。自适应小生境遗传算法在智能组卷中的应用具有实际意义。     

自适应遗传算法的改进及在曲线化简中的应用

针对固定遗传概率容易引起早熟及收敛慢的问题,对现有自适应遗传算法进行了改进。通过常见测试函数优化求解试验,验证了改进算法具有更好的全局收敛性和更快的收敛速度。在此基础上,将改进算法应用于曲线化简。仿真试验表明,其不仅能够较好地保持曲线的整体形态,还能够得到形变误差更小的化简结果。     

基于改进的遗传算法在函数优化中的应用

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点,提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率;为了加快寻优效率,在选择算子方面将引进的选择算子与最优保存策略相结合;为了使遗传操作过程中种群数量恒定,又提出了保留亲本的策略。通过仿真实验发现,与经典遗传算法GA和IAGA相比,改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。     

基于多种群进化的遗传算法

针对单个种群的遗传算法容易陷入局部收敛而出现早熟的情况,提出了一种新的多种群遗传算法,用多线程并行处理的方法实现种群之间同步进化。实验证明,基于多种群的遗传算法能够有效地避免局部收敛问题,通过与简单遗传算法进行比较,所提出的新算法不仅收敛速度快,而且收敛效率高,是一种可行、有效的算法。     

舰船补给物料搬运顺序优化问题的改进遗传算法

现有的多搬运工具可并行条件下的物料搬运顺序优化模型, 其采用的标准遗传算法收敛速度慢且易陷入局部最优. 提出了该模型的改进遗传算法, 采用精英保留策略代替传统的轮盘选择方法, 使用自适应策略设计交叉算子和变异算子. 以某一具体的舰船补给物料搬运顺序优化问题为背景, 通过实例进行了计算. 结果表明, 改进遗传算法收敛速度大大提高, 具有较高的求解质量和效率.     

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。     

基于蜜蜂双种群进化机制的云自适应遗传算法

为了提高传统自适应遗传算法的鲁棒性,受蜜蜂双种群进化的机制启发,把雄蜂通过竞争参与交叉及雄蜂与决定双蜂群优秀遗传基因的蜂后交叉的机制引入算法中,再利用正态云模型云滴的随机性和稳定倾向性特点,提出了基于蜜蜂双种群进化机制的云自适应遗传算法。算法由正态云模型的Y条件云发生器及蜂后参与的方式实现交叉操作,基本云发生器实现变异操作。函数优化实验和暴雨强度公式参数优化的仿真结果表明了算法的有效性和可行性。     

一种改进的基于关联规则挖掘的遗传算法

针对传统的遗传算法容易导致算法的过早收敛而陷于局部最优困境,或收敛时间过长而消耗大量的搜索时间的缺陷,该文提出了一种改进的遗传算法,该算法采用一种自适应变异率和改进的个体选择方法,并且将这种改进遗传算法应用于关联规则的挖掘,实验结果证明这种算法是有效的。