改进遗传算法搜索性能的大变异操作

遗传算法是一种模仿自然界生物进化过程中选择和遗传的机理而构造出的一种优化搜索算法，但是，简单遗传算法的收敛速度较慢，稳定性较差，针对这些问题，本文提出了一种被称为“大变异”的改善遗传算法性能的操作，在文中分别讨论了该操作的思路，实现的方法，并给出了它的有效性的数值实验证明。  

遗传算法在优化问题中的应用研究进展

分析了传统优化方法的局限性，阐述了遗传算法的基本思想和特点，综述了遗传算法在函数优化领域的主要成果，并指出需要进一步研究的工作。  

基于蚂蚁算法的函数优化

针对一般的(无约束或有约束)函数优化问题,给出一种新的基于蚂蚁群集智能的随机搜索算法,对目标函数没有任何可微甚至连续的要求,可有效克服经典算法易于陷入局部最优解的常见弊病.大量算例测试结果表明,该算法具有良好的效果.  

采用混沌变异的进化算法

根据混沌理论关于进化与混沌的关系，设计一种采用混沌变异算子的进化算法，并提出“尺度收缩”的变异策略。对极小值函数优化问题的仿真实例表明，混沌变异是实数编码进化算法变异算子的有效实现；而采用“尺度收缩”策略的混沌变异算子明显改善了群体平均适应值，提高了算法性能，是解决优化问题的有效方法。  

基于进化遗传算法的优化计算

针对经典遗传算法在优化计算中存在的弊端,提出进化遗传算法.在染色体基因位编码方式、交叉与变异算子、适合度函数设计、候选解染色体选取方式及收敛准则等方面做了改进.通过对极难优化的Shekel类函数等的优化计算,说明该算法具有良好的全局搜索能力和较快的收敛速度.  

多模态函数优化的协同多群体遗传算法

讨论了多模态函数优化的遗传算法(GA)求解方法.分析了传统的基于排挤选择模型 和基于适应值共享的GA方法的特点和不足,应用模式理论研究了GA群体进化行为.提出了 宏观小生境思想和协同多群体GA的基本框架和详细算法流程,并给出了一种自动小生境半径 估计方法.采用典型函数进行了实例计算,结果表明了协同多群体GA的有效性.  

遗传算法的性能分析

以几个典型的函数优化问题为例，比较，分析几种不同策略下遗传算法的全局收敛性及收敛速度，发现了以往理论分析与实际问题之间的不一致，提出以寻找最优解或最优解组的角度衡量算法收敛性能的观点及标准，定义了一个更为直观地反映算法收敛过程的测度函数及部分在线特性。  

一种函数优化问题的混合遗传算法

将传统的局部搜索算法和遗传算法相结合,可以较好地解决遗传算法在达到全局最优解前收敛慢的问题.文章给出一种结合可变多面体法和正交遗传算法的混合算法.实验表明,它通过对问题的解空间交替进行全局和局部搜索,能更有效地求解函数优化问题.  

利用目标函数梯度的遗传算法

多数遗传算法在搜索解时没有充分利用其问题域的知识.提出了一类新的改进的适应度函数的遗传算法.它考虑了函数在搜索点的函数值及其变化率,并将该信息加入适应度函数,使得按概率选择的染色体不但具有较小的函数值(对极小化问题而言),而且具有较大的函数值变化率.实验结果表明,这类方法的收敛速度明显高于标准遗传算法.  

基于遗传算法的Rosenbrock函数优化问题的研究

本文利用遗传算法研究了极小化Rosenbrock函数的问题．较多的计算机模拟实验结果表明，遗传算法可以有效地解决这一问题．文中还分析了一些改进的遗传算法对于该问题搜索速度的影响，得到了适于解决此问题的合理的遗传操作，从而为有效地解决最速下降法所不能实现的某一类函数代化问题提供了一种新的途径．