一种新的调节交叉和变异概率的自适应算法

提出一种新的基于模糊控制策略的交叉和变异概率自适应调节算法.该算法以相邻两代群体之间平均适应度函数和标准差的差值作为输入,以交叉和变异概率的变化量作为输出.并提出了与输入相对应的自适应归一化算子以及新的基于启发式知识的模糊规则,用于交叉和变异概率的调节.对3种不同测试函数的数值仿真研究表明,与其他2种自适应模糊控制算法相比,该调节算法可使遗传算法具有更快的搜索速度和更高的搜索质量.     

基于改进变异算子的遗传算法求解柔性作业车间调度①

柔性作业车间调度问题是对传统车间调度问题的扩充,它更接近于现实的生产调度问题。针对柔性作业车间调度的特点,设计了基于关键工序的变异算子,使变异集中于关键路径,从而提高了变异过程的效率。还采用二向量编码、初始种群定位法和POX交叉算子,设计了新的应用于柔性作业车间调度的遗传算法,并通过实验验证了算法的有效性。     

基于改进遗传算法的舰船路径规划

遗传算法在解决非线性问题上具有良好的适用性,但是也存在着收敛性慢和局部最优解的缺陷,并且在实际应用中缺乏特定知识的利用.针对舰船路径规划的特点,对标准遗传算法进行了改进和优化,采用基于坐标的一维编码方式,设计了插入算子、删除算子、平滑算子和扰动算子,提高了进化效率.计算机仿真结果表明,该算法在收敛速度和输出全局最优解的概率相对于标准遗传算法都有了显著提高.     

二进制粒子群算法在路径规划中的应用

全局路径规划是智能机器人的一个重要研究领域,将二进制粒子群算法应用于路径规划是一种新的尝试.提出一种机器人路径全局路径规划方法,介绍了利用改进的二进制粒子群算法进行路径规划的详细实现过程.机器人工作空间中的障碍物表示为多边形,对多边形顶点进行编号.利用二进制粒子群算法进行路径规划,粒子的长度定义为工作环境中障碍物顶点的个数,每一位为0或1表示路径是否经过该顶点.为了克服传统的二进制粒子群算法的早熟收敛问题,在改进的算法中采用了双重编码结构,并引入变异操作.最后给出仿真结果证明该方法的正确性和有效性.     

改进的多表达式编程算法在函数发现中的应用

为了提高多表达式编程算法的效率,研究了MEP基本算法的适应度函数、杂交策略和变异策略,对其进行了优化,提出了一种改进的MEP算法.改进的MEP算法采用归一化的均方根差作为适应度函数,采用概率区间来选择杂交算子,并使变异概率在进化过程中随着进化代数和适应值的变化进行动态调整.最后将改进的MEP算法应用于函数发现问题中,对算法的效率进行了验证.实验结果表明,与MEP基本算法相比,改进的MEP算法能够更快速地找到目标函数,算法的效率得到了提高.     

遗传交叉和变异对种群多样性的影响

首先,定义了群体的算术交叉扩展子空间、寻优空间和基因位直方图概念,并分析了交叉在解空间的扩展性．然后,证明了在二进制编码中,交叉不能改变基因层次上的多样性;而在实数编码中,在一定条件下,算术交叉可改变基因层次上的多样性,但以扩大寻优空间、产生无用解为代价．随后,证明了交叉可改变个体层次上的多样性,而变异可改变以上两个层次上的多样性．最后,分析了所得结论对遗传算法的改进和应用具有的指导意义,并通过仿
真加以验证．

     

求解多目标优化问题的分级变异量子进化算法

分析量子进化算法和免疫算子的特点,提出一种分级变异的量子进化算法,用于求解多目标优化问题.算法主要基于两个策略:首先,利用快速非受控排序和密度距离计算种群抗原-抗体的亲和度;然后,基于亲和度排序将个体进行分级,最优分级中的个体作为算法中的最优个体,大部分实施量子旋转更新和免疫操作,而剩余分级中的个体实施免疫交叉操作以获得新的个体补充种群.求解多目标0/1背包问题的实验结果表明了该算法的有效性.

     

一类自适应混沌文化算法

混沌变异进化算法忽略了混沌规律性,未充分利用知识来提高算法的局部收敛能力.为此,借鉴文化算法的双层进化结构,在文化算法的进化引导函数中引入自适应混沌变异策略,提出一种自适应混沌文化算法.利用进化过程隐含知识控制变异尺度,使知识引导个体能跳出局部较优解,在保证种群多样性的同时,实现进化后期的精细搜索.仿真结果表明,该算法可以有效提高进化收敛速度,具有较好的计算稳定性.     

自适应遗传算法在服装生产流水线平衡问题中的应用

将自适应遗传算法应用于服装生产流水线中,利用自适应遗传算法能够自动给出比较合适的交叉概率、和变异概率,显著提高了搜索效率,同时改进了遗传算法的搜索能力的特点,解决并行制造中的流水线平衡问题。针对某款运动上衣的生产工艺进行仿真,结果表明了该算法的有效性。     

基于双种群的进化策略算法

针对进化策略算法收敛速度较慢、容易早熟的问题,提出一种新的基于双种群的改进进化策略算法。将种群划分为规模较小的精英子群和规模较大的普通子群。精英子群用于存放种群中最优秀的个体,普通子群用于存放种群中的普通个体。对不同的子群采用不同的变异策略,使种群在解空间具有尽可能分散的全局搜索能力的同时在局部具有尽可能精细的局部搜索能力。通过理论分析证明了算法的正确性,对几个典型的函数应用该算法进行模拟进化实验,也取得了良好的效果。