一种基于遗传算法的进化计算模型

提出一种基于遗传算法的进化计算模型(ECM).在ECM的种群中,每个成员都根据其适应度值不同程度地影响着种群的进化.ECM定义了个体对进化的影响因子,并以个体的影响因子为参数定义了个体的形成算子.分析表明,ECM是采用算术交叉算子的两父辈遗传算法以及采用频率扫描交叉算子的多父辈交叉遗传算法的推广,形成操作是父代群体编码的凸组合.实验研究显示,ECM具有比经典遗传算法更强的优化计算功能.     

改进的遗传算法求解旅行商问题

提出一种解决旅行商问题的改进遗传算法.在传统遗传算法的基础上,引入贪婪算法进行种群初始化;从遗传进化代数和个体适应函数值两个方面实现遗传参数自适应调节,在加快寻优速度的同时防止寻优陷入局部最优;采用基于贪婪方法的启发式交叉算子优化交叉结果;对交叉前后的种群分别实施精英个体保留策略,保证最优基因结构得以延续.实验结果分析表明,改进的遗传算法可以在种群规模较小的情况下具有更可靠的寻优能力.     

The multi-criteria minimum spanning tree problem based genetic algorithm

Minimum spanning tree (MST) problem is of high importance in network optimization and can be solved efficiently. The multi-criteria MST (mc-MST) is a more realistic representation of the practical problems in the real world, but it is difficult for traditional optimization technique to deal with. In this paper, a non-generational genetic algorithm (GA) for mc-MST is proposed. To keep the population diversity, this paper designs an efficient crossover operator by using dislocation a crossover technique and builds a niche evolution procedure, where a better offspring does not replace the whole or most individuals but replaces the worse ones of the current population. To evaluate the non-generational GA, the solution sets generated by it are compared with solution sets from an improved algorithm for enumerating all Pareto optimal spanning trees. The improved enumeration algorithm is proved to find all Pareto optimal solutions and experimental results show that the non-generational GA is efficient.     

An enhanced GA technique for system training and prognostics

The commonly used genetic algorithm (GA)-based methods have some shortcomings in applications such as time-consuming and slow convergence. A novel enhanced genetic algorithm (EGA) technique is developed in this paper to overcome these problems in classical GA methods so as to provide a more efficient technique for system training and optimization. Two approaches are proposed in the EGA technique: Firstly, a novel group-based branch crossover operator is suggested to thoroughly explore local space and speed up convergence. Secondly, an enhanced MPT (Makinen-Periaux-Toivanen) mutation operator is proposed to promote global search capability. The effectiveness of the developed EGA is verified by simulations based on a series of benchmark test problems. The EGA technique is also implemented to train a neural-fuzzy predictor for real-time gear system monitoring. Test results show that the branch crossover operator and enhanced MPT mutation operator can effectively improve the convergence speed and global search capability. The EGA technique outperforms other related GA methods with respect to convergence speed and global search capability.     

An approaching genetic algorithm for automatic beam angle selection in IMRT planning

A method named approaching genetic algorithm (AGA) is introduced to automatically select the beam angles for intensity-modulated radiotherapy (IMRT) planning. In AGA, the best individual of the current population is found at first, and the rest of the normal individuals approach the current best one according to some specially designed rules. In the course of approaching, some better individuals may be obtained. Then, the current best individual is updated to try to approach the real best one. The approaching and updating operations of AGA replace the selection, crossover and mutation operations of the genetic algorithm (GA) completely. Using the specially designed updating strategies, AGA can recover the varieties of the population to a certain extent and retain the powerful ability of evolution, compared to GA. The beam angles are selected using AGA, followed by a beam intensity map optimization using conjugate gradient (CG). A simulated case and a clinical case with nasopharynx cancer are employed to demonstrate the feasibility of AGA. For the case investigated, AGA was feasible for the beam angle optimization (BAO) problem in IMRT planning and converged faster than GA.     

一种带混合杂交算子的遗传算法及其收敛性

本文将传统遗传算法中的杂交算子与一种新设计的优化方法相结合,提出了一种能改善种群中个体适应度的混合杂交算子,并通过修正适应度函数给出了一种新的求解连续型数值优化问题的遗传算法,并证明了其全局收敛性。数据试验表明,该算法对这些测试函数的结果优于文献中的方法     

基于改进遗传算法的船舶管路布局设计

针对船舶管路布局设计中的路径规划问题提出一种改进型遗传算法求解方法。建立船舶管路布局设计问题的模型空间、约束条件和优化目标;提出一种基于连接点网格的定长编码方法,结合该编码方法设计了适合改进遗传算法应用的适应度函数和交叉、变异算子,定长编码可降低遗传算子设计复杂度和非法个体修补代价;提出在进化流程中嵌入以“去折弯”和“改模式”两种改善型变异方法构建的爬山操作,以提升算法收敛性和寻优能力。通过仿真实验验证所提算法具有可行性和先进性。     

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。     

求解VRP问题的一种基于交叉算子的改进型遗传算法

采用基于自然数编码染色体、改进型交叉算子并增加内外扰动策略,构造出一种改进型遗传算法。详细介绍了此算法的基本原理,并进行了代表性算例实验与结果分析。实验表明,该算法收敛速度快,有效地遏制了早熟收敛,防止了进化过程中最优解的退化,改善了遗传算法的性能,提高了算法优化效率,是求解车辆路径问题的一种有效算法。     

基于任务的数据交换平台

上下级单位以及同级单位之间的数据交换日渐频繁,这些单位采用的数据库多种多样,数据定义在语义、内容上存在冲突,需要交换的数据格式并不固定,随着业务的变化而变化。该文设计并实现了一个基于任务的数据交换系统,以端到端交换模型为基础,使其可以支持多种数据库之间数据交换和并发的数据交换任务,并通过配置满足交换内容变化的需求。     

融入遗传算法的混合蚁群算法

为了提高基本蚁群算法的收敛性能和全局求解能力,对基本蚁群算法进行了改进,提出了一类融入遗传算法的混合蚁群算法.在每代进化中保留最优解和次优解的公共解集后引入遗传操中的交叉算子和变异算子进行运算.对优秀解公共解集的保留加快了算法收敛速度,引入交叉和变异扩大了解的搜索空间,提高了解的全局性.通过对TSP问题的仿真运算表明,融入遗传算法的蚁群算法在收敛速度和解的全局性上都有较大的改善.     

遗传算法中选择交叉策略的改进

提出一种改进的遗传算法,为排序选择压力引入自适应调节机制,确保选择压力随种群性状的改变而动态调整,采用新的竞争择优交叉策略提高种群中个体的平均性能。选取典型测试函数进行仿真,结果表明该算法在寻优精度和收敛速度上较原有算法均有较大提高,收敛概率达90%以上。     

基于人类繁殖现象的遗传算法研究

标准遗传算法（SGA）只是对自然界遗传进化过程的比较简单的模拟,较少考虑人类特有的繁殖方式。提出一种基于人类繁殖现象的遗传算法（HRGA）,该算法的遗传算子包括选择算子、助长算子、交叉算子和变异算子,遗传个体具有雄性和雌性两种不同的性别,融合了个体的年龄和个体间的亲缘关系两种特征,在允许的年龄范围内,异性个体进行严格的远缘繁殖,从而克服了标准遗传算法容易出现的早熟收敛现象,提高了算法的收敛速度。通过对函数最优化问题的求解试验,证明了该算法具有很强的跳出局部收敛的能力,其全局收敛速度和最优解的质量明显高于标准遗传算法,同时也证明了该算法的有效性。     

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。     

采用改进的混合遗传算法求解高校排课问题

为了解决一个存在大量合班现象的高校排课问题,建立了相应的数学模型并采用改进的混合遗传算法进行了求解。在产生初始种群的过程中进行了乱序处理,以提高初始种群中个体的多样性,避免早熟收敛现象的发生;为了防止种群的退化,引入了保留最优个体策略和竞争机制;根据问题的特点设计了与之相适应的遗传算子;为了提高种群进化的效率,交叉概率和变异概率都使用了自适应参数;为了提高算法的局部搜索能力,在交叉操作阶段采用了模拟退火算法。通过Matlab与Access混合编程,实现了对大规模数据的高效处理。实例结果表明,该算法能够有效地解决存在合班现象的高校排课问题。     

Genetic K-means algorithm

In this paper, we propose a novel hybrid genetic algorithm (GA) that finds a globally optimal partition of a given data into a specified number of clusters. GA's used earlier in clustering employ either an expensive crossover operator to generate valid child chromosomes from parent chromosomes or a costly fitness function or both. To circumvent these expensive operations, we hybridize GA with a classical gradient descent algorithm used in clustering, viz. K-means algorithm. Hence, the name genetic K-means algorithm (GKA). We define K-means operator, one-step of K-means algorithm, and use it in GKA as a search operator instead of crossover. We also define a biased mutation operator specific to clustering called distance-based-mutation. Using finite Markov chain theory, we prove that the GKA converges to the global optimum. It is observed in the simulations that GKA converges to the best known optimum corresponding to the given data in concurrence with the convergence result. It is also observed that GKA searches faster than some of the other evolutionary algorithms used for clustering.     

基于免疫遗传算法的复杂网络社区发现

针对大部分基于智能优化算法的社区发现方法存在的种群退化、寻优能力不强、计算过程复杂、需要先验知识等问题,提出了一种基于免疫遗传算法(GA)的复杂网络社区发现方法。算法将改进的字符编码和相应的遗传算子相结合,在不需要先验知识的情况下可自动获得最优社区数和社区划分方案;将免疫原理引入遗传算法的选择操作中,保持了群体多样性,改善了遗传算法所固有的退化现象;在初始化种群及交叉和变异算子中利用网络拓扑结构的局部信息,有效缩小了搜索空间,增强了寻优能力。计算机生成网络和真实网络上的仿真实验结果表明算法可自动获取最优社区数和社区划分方案并具有较高的精度,说明算法具有可行性和有效性。     

基于标准差的自适应激素调节遗传算法

基于生物内分泌系统的激素调节原理,提出了一种新的自适应遗传算法。该算法以内分泌激素调节的H ill函数下降形式为基础,设计了自适应交叉算子和自适应变异算子,使交叉率和变异率在遗传算法迭代过程中,能够根据函数适应度值的标准差进行自适应调节,使得整个进化过程中将种群多样性维持在合理水平,从而保证算法的正常进化。4种测试函数及三维人脑图像分割的实验结果显示,提出的自适应遗传算法可较好地保持种群多样性并克服早熟现象,性能优于其他3种自适应遗传算法及传统遗传算法。     

全局数值寻优的一种混合遗传算法

提出一种与单纯形法相结合，用于解决全局数值优化问题的混合遗传算法. 在该混合方法中，采用了非线性排序选择、多个交叉后代竞争择优、变异尺度自适应变化变异算子和适应性阶段进化策略等改进的遗传机制，并采用精英个体保留策略、修改的单纯形策略及改进的遗传策略共同产生下一代群体. 数值结果表明提出的该方法的有效性.     

基于改进遗传算法的无人机路径规划

针对传统遗传算法收敛速度慢、容易陷入局部最优、规划路径不够平滑、代价高等问题,提出了一种基于改进遗传算法的无人机（UAV）路径规划方法,该算法对遗传算法的选择算子、交叉算子和变异算子进行改进,从而规划出平滑、可飞的路径。首先,建立适合UAV田间信息获取的环境模型,并考虑UAV的目标函数与约束条件以建立适合本场景的更为复杂、精确的数学模型;然后,提出了混合无重串选择算子、非对称映射交叉算子和启发式多次变异算子,寻找最优路径以及扩大种群搜索范围;最后,采用三次B样条曲线对规划出的路径进行平滑,得到平滑的飞行路径,并且减少了算法的计算时间。实验结果表明,与传统遗传算法相比,所提算法的代价值降低了68%,收敛迭代次数减少了67%;相较蚁群优化（ACO）算法,其代价值降低了55%,收敛迭代次数减少了58%。通过大量对比实验得出,当交叉率的值为（1/染色体长度）时,算法的收敛效果最好。在不同环境下进行算法性能测试,结果表明所提算法具有很好的环境适应性,适合于复杂环境下的路径规划。