一种防止浮点遗传算法早熟收敛的父代选择策略

通过对浮点遗传算法早熟收敛现象的分析,提出了一种新的父代选择策略,既使用当前代的子代个体作为下代的父代个体,可使交叉算子持续地探索和开发新空间。引入对个体的代数保护策略,即在它发生变异前保证有足够的演化,可以避免对新空间不成熟的开发。通过与其它父代选择策略的对比,并通过实验和GENOCOP系统比较,表明本方法能得到较好的结果。     

应用逻辑操作改善遗传算法性能

从理论上分析了传统变异算子存在的不足,借鉴数字技术的有关原理为基因增添了逻辑表达能力,引入逻辑运算规则改进的了传统的遗传算法 子,实验结果表明,改进型遗传算法收敛速度快,克服早熟能力强。     

Two-Loop Real-Coded Genetic Algorithms with Adaptive Control of Mutation Step Sizes

Genetic algorithms are adaptive methods based on natural evolution that may be used for search and optimization problems. They process a population of search space solutions with three operations: selection, crossover, and mutation. Under their initial formulation, the search space solutions are coded using the binary alphabet, however other coding types have been taken into account for the representation issue, such as real coding. The real-coding approach seems particularly natural when tackling optimization problems of parameters with variables in continuous domains.A problem in the use of genetic algorithms is premature convergence, a premature stagnation of the search caused by the lack of population diversity. The mutation operator is the one responsible for the generation of diversity and therefore may be considered to be an important element in solving this problem. For the case of working under real coding, a solution involves the control, throughout the run, of the strength in which real genes are mutated, i.e., the step size.This paper presents TRAMSS, a Two-loop Real-coded genetic algorithm with Adaptive control of Mutation Step Sizes. It adjusts the step size of a mutation operator applied during the inner loop, for producing efficient local tuning. It also controls the step size of a mutation operator used by a restart operator performed in the outer loop, for reinitializing the population in order to ensure that different promising search zones are focused by the inner loop throughout the run. Experimental results show that the proposal consistently outperforms other mechanisms presented for controlling mutation step sizes, offering two main advantages simultaneously, better reliability and accuracy.     

基于寿命的变种群模糊遗传算法

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，提出了一种种群数变化的模糊遗传算法．该算法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．并采用模糊控制器控制交叉率，使其能够根据进化的实际情况自动调整．实验数据表明这种方法能够有效防止早收敛，大大改善遗传算法收敛性能．     

遗传算法的一个调节算子研究

虽然遗传算法在许多领域获得了成功应用，但它本身存在不成熟的过早收敛问题是影响其发展的中的课题，本文通过对遗传算法要理的分析和认识，给出了遗传算法早熟现象产生的原因是模式缺少，并提出了一个在遗传算法中在于模式抽取和模式补偿的调节算子以解决早期现象，最后给出了运算实例证明该算子是有效的。     

遗传算法及其研究进展

叙述标准遗传算法的基本原理,讨论遗传算法在解决各种复杂问题时存在的缺陷,并总结了相应的解决方案。     

一种新的进化计算算法模型--种群竞争消亡算法

为克服进化计算自身的早熟收敛缺陷,受自然界和人类社会进化现象的启发,文中研究得到了一种新的进化计算算法模型——种群竞争消亡算法。本文将该模型应用于温室作物生长模型的参数优化,并将试验结果与基本进化计算相比较,结果说明种群竞争消亡算法在稳定性和收敛性上确实比基本进化计算优越。     

一种基于学习机制的并行遗传算法

基于生物学群落的概念,提出了一个群落-种群-个体的三层模型,并在该模型上发展了一种基于学习机制的并行遗传算法(PGABL)。算法引入黑板模型作为控制和交互的数据结构,采用群内、群间、群落三个学习算子,将遗传进化和遗传学习相结合,有效地改善了遗传算法的性能。实验结果表明,该算法具有良好的适应性和稳定性。     

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。     

基于素描的遗传算法

传统遗传算法容易陷入局部最优解,本文借鉴美术中“素描”的思想,对传统的遗传算法进行了改进,提出了基于素描的新型遗传算法．该算法模拟人的素描行为,构造参数控制下的选择算子,再通过参数的调节来选择个体,并依据最优个体对选择算子进行修正,以达到动态调整群体进化过程中的种群多样性和收敛速度之间的矛盾,从而有效地避免了传统遗传算法中早熟现象,显著地提高了GA对全局最优解的搜索能力和收敛速度．这将使GA在众多实际的优化问题上将具有更广泛的应用前景．仿真结果表明,该算法正确有效,且性能优于现有的其它方法．