遗传算法的现状及发展动向

遗传算法在许多优化问题中都有成功的应用,但其本身也存在一些不足．如何改善遗 传算法的搜索能力和提高算法的收敛速度,使其更好地解决实际问题,是各国学者一直探索 的主要课题之一．本文综述了遗传算法中编码表示、适应度函数、选择策略、控制参数和遗 传算子等方面的各种改进措施,并给出了遗传算法的发展动向．     

自适应遗传算法在主题爬虫搜索策略中的应用研究

如何提高爬虫覆盖率和准确率是主题爬虫的研究热点之一。目前大多采用最佳优先搜索策略,针对该类主题爬虫易陷入局部最优的不足,设计结合遗传算法的主题爬虫搜索策略,并设计动态适应度函数和遗传算子使得爬虫具有一定的自适应性。与其他搜索策略以及结合非自适应遗传算法的搜索策略进行了比较,结果表明该算法能够在一定程度上提高爬虫性能。     

基于自适应选择和变异的改进粒子群算法

针对基本粒子群优化算法搜索精度低和易早熟的缺点,提出了一种基于自适应选择和变异算子的改进粒子群算法。选择算子可提高粒子群的整体适应度,增强粒子群的局部搜索能力;变异算子则能扩大粒子群的搜索范围,防止粒子群陷入局部最优。搜索时,根据全局极值在迭代过程中的变化情况,自适应地调整选择算子和变异算子使粒子群飞向全局最优。典型函数的算例测试表明,改进的粒子群算法较传统算法具有更高的搜索精度和更强的抗早熟能力。     

基于适应度分组的多策略人工蜂群算法

多策略机制是改进人工蜂群算法的有效手段,但是现有的很多相关工作未考虑种群中不同个体的特点,一视同仁地分配解搜索方程,导致多策略机制的有效性受到限制．为此,文中提出基于适应度分组的多策略人工蜂群算法,既考虑种群中的优秀个体,又照顾较差个体．首先,根据个体适应度把种群划分为三组,每组个体都有自己的特点,能在勘探和开采之间有所侧重．然后,为每组设计具备不同搜索能力的解搜索方程,使各组能相互分工与合作,更好地平衡整体种群的勘探和开采能力．最后,为了继续维持观察蜂阶段的原有作用,设计融合全局最优个体和精英个体的解搜索方程,充分发挥优秀个体在搜索过程中的引导作用．在CEC2013、CEC2015测试集上的实验表明文中算法竞争力较强．     

具有局部定向繁殖策略的自学习进化算法

提出一种具有局部定向繁殖策略的自学习进化算法(Active Evolutionary Algorithm with Local-directional Reproduction Strategy,LRSEA),它在每一代通过进化个体之间适应度差异找到最优进化方向,然后在此方向附近用局部定向繁殖策略进行局部搜索.针对目前进化算法研究中存在对个体主观能动性考虑不足,没有充分利用进化中“优秀信息”的问题,将主动进化机制引入到该算法中,提出反映个体学习能力的积极学习算子.实验结果表明:该算法收敛速度和局部搜索能力有明显改善.     

粒子群遗传优化算法

针对粒子群优化算法易早熟的缺点,本文在粒子群优化算法中引入遗传算法的变异算子和克隆选择算子,提出了一种改进的粒子群优化算法—粒子群遗传优化算法。粒子群遗传算法在传统粒子群优化迭代公式的基础上,通过变异率和克隆选择率两个参数自适应地调整变异操作和克隆选择操作。当粒子群最优粒子的适应度在优化迭代过程中陷入停滞时,利用变异算子对粒子群中部分粒子进行随机变异操作,扩大粒子群搜索范围,防止粒子群陷入局部最优;而当粒子群最优粒子适应度随优化迭代过程不断提高时,则利用克隆选择算子淘汰适应度较低的粒子,提高粒子群整体的平均适应度,增强粒子群对局部的搜索能力,提高算法的计算效率。典型函数的算例测试表明,粒子群遗传优化算法不但具有粒子群优化算法所具有的易于工程实现、计算效率高等优点,还克服了粒子群优化算法易陷入局部最优的缺点,提高了算法的抗早熟性。     

一种改进的双群进化规划算法

双群进化规划算法采用高斯振荡变异算子对解空间进行大范围盲搜索,效率较低。针对该问题提出一种改进的双群进化规划算法。采用与适应度函数相关的变异算子替换原双群进化规划算法中的高斯振荡变异算子,实现对解空间的导向性高效搜索。仿真结果表明,改进算法性能高于原有算法。     

带有变异算子的自适应粒子群优化算法

提出了一种新的带有变异算子的自适应粒子群优化算法,该算法使用了一种新的自适应惯性权重,使得算法在迭代的早期快速进人局部搜索,并且根据群体的适应度方差和平均聚集距离来判断算法在迭代的后期是否陷入局部最优点陷阱,对群体中的部分粒子采用新构造的变异运算作用,从而摆脱局部搜索的束缚,以实现全局搜索的性能。通过对六个例子的测试,表明这种改进的PSO算法的全局搜索能力和搜索成功率有较大提高。     

基于平均熵的自适应人工蜂群算法

针对基本人工蜂群算法容易陷入局部最优和早熟等问题,提出一种改进的人工蜂群算法(ASABC)。利用平均熵机制初始化种群,增加种群的多样性,避免算法陷入早熟;同时,采用自适应调节邻域搜索步长的策略来提高算法的局部搜索能力,提升算法的计算精度;为了平衡算法的全局搜索能力和局部搜索能力,引入自适应比例选择策略来代替人工蜂群算法的适应度比例选择方法。对8个标准测试函数的仿真实验结果表明,与3种常见的智能优化方法相比,改进的算法具有显著的局部搜索能力和较快的收敛速度。     

基于混合变异策略的改进差分进化算法及函数优化

针对差分进化算法DE 传统变异策略不能有效平衡全局搜索和局部搜索,并且算 子固定,导致算法早收敛、搜索效率较低。基于DE 变异策略性能,提出一种混合变异策略, 力图平衡算法探索和开发能力,使得前期增强全局搜索,保持种群多样性; 后期偏重局部搜 索,尽快收敛到全局最优值。同时操作算子采用随机正态缩放因子F 和时变交叉概率因子CＲ, 进一步改善算法性能。几个典型Benchmarks 测试函数实验表明: 该改进型差分进化算法能有 效避免早收敛,较好地提高算法的全局收敛能力和搜索效率。     

机器人路径规划中的改进型遗传算法

提出了一种应用于机器人路径规划的改进型遗传算法。针对机器人路径规划的实际应用,优化设计了交叉算子和变异算子,引入了自定义的插入和删除两种遗传操作。通过把地图特征信息作为参与决策的已知条件来约束遗传算子的操作过程,提高了算法的进化效率。自定义遗传算子的使用,使得算法对复杂地图也表现出良好的适应能力。计算机仿真实验证明该算法在最优解输出概率方面相对于基本遗传算法有了显著提高。     

一种求解旅行商问题的改进遗传算法

针对基本遗传算法存在容易"早熟",无法全局收敛的现象,设计了一种新交叉算子和变异算子,并在遗传算子构造中引入贪心控制策略.新算子的引入丰富了种群的多样性,提高了算法的全局搜索能力.实例仿真表明,改进遗传算法在迭代陷入局部最优时,能在较短的时间内跳出局部最优,继续寻找全局最优解.     

一种基于隔离自适应算子的遗传算法研究

本文首先介绍了遗传算法的理论知识,阐述了基本遗传算法的优点及不足之处。然后在小生境遗传算法的基 础上,引入了隔离技术以及自适应算子,形成了一种基于隔离技术以及梯度算子的小生境遗传算法。理论及实践均表明,新的 改进的遗传算法在实际问题的解决中确实优于基本小生境遗传算法。     

基于遗传算子的改进粒子群优化算法

为了克服PSO算法容易陷入局部最优的缺陷,提出一种基于遗传算子的改进PSO算法。该算法借鉴常规的遗传算法中的选择交叉操作,在优化搜索过程中更新粒子的位置时,进行交叉操作,可以扩大全局搜索范围,避免局部最优,提高粒子的多样性。对改进后的算法使用几个典型的测试函数进行了仿真实验,实验结果表明,相比于标准PSO该算法的全局搜索能力和收敛精度都有较大提高,有效地改善了优化性能。     

约束优化问题的改进遗传算法设计

遗传算子是影响遗传算法优化效果的重要因素,针对目前遗传算法研究中对约束优化问题求解的不足,提出基于退火思想的退火选择算子和加权适应度算子,并给出了退火选择算子和加权适应度算子设计方法及其计算过程.在此基础上与现有的遗传算子结合,提出一种新的改进遗传算法,分析了改进遗传算法与基于罚函数遗传算法之间在原理上的区别.最后以两个测试函数为算例对算法进行了性能测试,结果表明改进的遗传算法具有良好的优化性能,能获得更好的优化结果.     

基于学习算子的自学习遗传算法设计

遗传算子是影响遗传算法优化效果的重要因素。针对目前遗传算法研究中忽视个体能动性,没有充分利用进化经验信息的不足,提出反映个体学习能力的学习算子。给出了以个体适应度的变化方向和速度为依据的学习算子设计方法及其计算过程。在此基础上与现有的改进遗传算子结合,提出一种新的改进遗传算法-自学习遗传算法,分析了自学习遗传算法与自适应遗传算法之间在原理上的区别。以一个弹道导弹射程优化问题为算例对算法进行了性能测试,结果表明,在采用相同的改进遗传算子的条件下,学习算子能够以较低的代价提高遗传算法的收敛速度,并获得更好的最终优化结果。     

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。     

改进的模拟退火遗传算法在函数优化中的应用

针对模拟退火遗传算法中可能出现的早熟收敛和后期进化较慢问题,提出了多规则选择算子,同时对交叉和变异算子进行了改进,引入了小生境技术解决早熟收敛问题。在此基础上针对函数优化问题设计了改进的模拟退火遗传算法。仿真实验表明,改进的算法在函数优化中,特别是在对多变量函数寻优中,收敛速度和收敛精度都有一定提高。     

基于复合形法的聚类遗传算法

针对标准遗传算法的未成熟收敛问题和局部收敛能力不佳等情况,提出一种基于复合形法的聚类遗传算法。通过使用复合形法结合聚类小生境技术对传统的遗传算法进行改进,得到基于复合形法的自适应聚类遗传算法（NCGA）。该算法使用FORTRAN语言进行编程,通过使用三种复杂的测试函数对其性能进行测试,并与自适应遗传算法（AGA）进行了性能比较,还分析了初始种群的优劣对算法性能的影响。测试结果表明：对于遗传算法的改进效果明显,在遗传算法中融入复合形操作能明显增强遗传算法的局部搜索能力,且聚类技术使得遗传算法的全局搜索能力得到显著增强,反向学习操作的添加能增强算法的稳定性。改进后的遗传算法的性能明显好于传统的遗传算法。     

基于免疫遗传算法的光突发交换路由技术

针对光突发交换多目标路由优化问题,提出了一种基于免疫遗传算法的智能化的光突发交换路由方案。将智能算法与光突发交换路由相结合,改进了现有的光突发交换路由技术。通过在基本遗传算法中引入免疫算子,它由免疫选择和免疫抑制组成,并利用生物免疫机制中的抗原识别、抗体记忆来控制收敛方向,保证遗传算法尽快收敛到全局最优解。仿真结果表明,与基本遗传算法相比,该算法克服了基本遗传算法的退化现象,且能平衡负载,较快收敛到最优解。