并行遗传算法收敛性分析及优化运算

经典遗传算法（Canonical Genetic Algorihms)利用单一种群对种群个体进行交叉、变异和选择操作，在进行过程中的超级个体易产生过早收敛现象，粗粒度并行遗传算法利用多个子群进行进化计算，各子群体分别独立进行遗传操作，相互交换最优个体后继续进化。文证明了该算法的搜索过程是一个有限时齐遍历马尔柯夫链，给出粗粒度并行遗传算法全局最优收敛性证明。对于旅行商问题TSP（Traveling Salesman Problem)利用粗粒度并行遗传算法进行了求解，以解决经典遗传算法的收敛到局部最优值问题。仿真结果表明，算法的收敛性能优于经典遗传算法。     

一种多策略并行遗传算法研究

针对传统遗传算法工程应用性能不足的特点,提出一种多策略并行遗传算法以增加算法的群体多样性及提高算法的鲁棒性;采用8个不同策略为并行遗传算法的分支遗传操作进行群体寻优,并将分支的群体采用自适应迁移策略实现最优个体的合理迁移,以分支群体的适应度为算法终止条件,实现群体寻优;利用连续单峰函数、连续多峰函数等多个函数进行平均收敛代数等参数进行算法测试,结果表明算法的鲁棒性、收敛性、稳定性及优化能力较传统遗传算法有较大的提高,该算法具有较强的工程应用性能。     

一种多策略并行遗传算法研究

针对传统遗传算法工程应用性能不足的特点,提出一种多策略并行遗传算法以增加算法的群体多样性及提高算法的鲁棒性;采用8个不同策略为并行遗传算法的分支遗传操作进行群体寻优,并将分支的群体采用自适应迁移策略实现最优个体的合理迁移,以分支群体的适应度为算法终止条件,实现群体寻优;利用连续单峰函数、连续多峰函数等多个函数进行平均收敛代数等参数进行算法测试,结果表明算法的鲁棒性、收敛性、稳定性及优化能力较传统遗传算法有较大的提高,该算法具有较强的工程应用性能.     

基于种群规模可变的粗粒度并行遗传算法

在科学计算领域，并行计算越来越成熟，并行遗传算法开始受到关注。本文分析了遗传算法并行化的动机和实现模型，提出了一种新算法－基于种群规模可变的粗粒度并行遗传算法,仿真结果验证了这种新算法的有效性和合理性。     

一种改进多亲遗传算法的并行模型研究

通过分析传统遗传算法和多亲遗传算法的不足,提出了一种多亲遗传算法的改进算法：基于共享存储器的多亲遗传算法,并对其进行了理论分析,讨论了GA的并行模型特点后,结合粗粒度并行模型和群体分组的并行方式,提出了一种MGASM的并行模型,该模型有利于改进MGASM的性能,提高其搜索效率。将MGASM-PPGA应用到了数据聚类问题中,进行了仿真实验,获得了理想的实验结果。     

基于DSP的分布式并行遗传算法

提出了一种基于多片DSP的单向迁移分布式并行遗传算法.将每一片DSP构成算法的一个子群体,通过DSP本身所具有的高速串行通信接口连接成环状,每个子群体只向一个方向的邻近子群体迁移个体以提高迁移的效率.实验表明,该方法有效地提高了遗传算法的运行效率.     

一种基于混沌迁移的伪并行遗传算法及其应用

为了解决遗传算法寻优过程中的早熟收敛问题 ,本文提出了一种基于混沌迁移策略的伪并行遗传算法 ,该算法针对实时性要求不高的优化问题采用串行的算法结构实现分解型并行遗传算法的“独立进化、信息交换”思想 .在并行进化的个体异步迁移过程中 ,引入了混沌迁移序列引导个体迁移过程 ,利用其遍历性和随机性 ,保证了子种群之间能够进行充分高效的信息交换 .仿真研究和在库存优化方面的应用研究表明 ,这种算法具有很强的全局搜索能力 ,寻优效率高 ,有效克服了标准遗传算法的早熟收敛问题 .     

一种多策略并行遗传算法及其收敛性分析

为解决传统遗传算法收敛速度慢、群体多样性不足的缺陷,提出了一种多策略并行的遗传算法;算法采用多策略并行处理的方式,产生不同策略模式下的个体,增加群体的多样性,再经过自适应迁移策略,提高算法的收敛速度;利用Markov链模型分析多策略并行遗传算法的收敛性;采用旅行商函数进行算法测试,结果表明改进算法的收敛性较传统遗传算法有较大的提高,具有较强的工程应用性能。     

一种理想并行遗传算法模型

文章讨论了并行遗传算法的迁移现象及群体规模估算模型 ,分析了迁移的过程,揭示了迁移的实质,并提出了在理想条件下的迁移计算模型.基于迁移计 算模型导出了粗粒度并行遗传算法进化质量估量模型.实验结果表明,模型比较准确地预测了 在特定领域进化质量的变化趋势.     

基于自寻优和交叉寻优的量子优化算法

为提高群智能优化算法的搜索能力,提出了一种量子优化算法。该算法基于量子位Bloch坐标,将种群分为最优个体和普通个体两部分并进行不同处理,对于最优个体,通过使所有量子比特在Bloch球面上绕着坐标轴多次旋转,生成多个新个体,并采用贪婪搜索策略选择最优个体;对于普通个体,将当前个体的量子比特向着随机交叉确定的目标位置旋转,生成新个体,并在当前个体和新个体之间通过贪婪选择以实现当前个体的交叉寻优。函数极值优化的仿真结果表明,所提算法在优化能力上,优于简单量子遗传算法、普通遗传算法和人工鱼群算法,从而验证了算法的有效性。该算法在高维能很好地避免陷入局部最优值,具有快速收敛性和良好的全局搜索能力,实验结果揭示出采用量子计算设计优化算法进而提升搜索能力的研究思路是可行的。     

一种基于并行遗传算法的网格资源分配方法

提出了基于并行遗传算法的网格资源分配方法,并采用粗粒度模型设计了该并行算法。为了评估该并行算法的性能,在PC集群上实现了该并行算法和一个串行遗传算法。通过比较两个算法的执行时间和解的质量,说明了并行算法极大地提高了求解的速度和质量,是一种高效的资源分配方法。     

基于Spark的并行遗传算法在物流配送问题中的应用

传统的遗传算法在数据量不足的单机情况下可能存在早熟的现象,遗传算法对搜索范围的依赖性很强,大搜索范围的遗传算法往往有更好的表现。为解决以上问题,可把Spark海量存储和并行计算的能力运用到遗传算法的求解上,实现一种粗粒度的并行遗传算法。利用Spark并行执行遗传算法的选择、交叉和变异等操作,可以大大提高遗传算法的搜索范围和执行速度。实验将改进后的遗传算法应用到物流配送问题中,结果表明,与单机和传统的并行模型相比,基于Spark的遗传算法在运行时间上明显减少,同时早熟的现象也得到了缓解。     

改进的并行遗传模型的构建及应用

遗传算法在处理一些复杂问题时效果不理想。该文在保证算法收敛和最大限度地搜索模型空间的基础上,对遗传算子采取相应策略进行改进,并通过界约束增加解的稳定性。为了提高计算效率,采用并行遗传算法,将并行计算机的高速并行性和遗传算法固有的并行性相结合,选择合适的迁移拓扑结构和迁移策略,构建并行模型。给出了改进后并行遗传算法(PGA)的设计流程图及详细算法描述,在叠前地震反演的实际应用中,取得了良好的效果。     

基于并行遗传算法的配送路线求解

遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律演化而来的随机化搜索方法,已经成功运用在很多大规模的组合优化问题中。利用如今流行的并行计算机系统,对遗传算法进行并行化,可解决标准遗传算法的速度瓶颈问题。本文在MPI并行环境下,用C++语言实现了粗粒度模型的并行遗传算法。结合并行遗传算法的特点,提出了解决物流配送路线优化的策略以及给出相应的算法过程,并进行了有效验证。通过研究结果表明,与传统遗传算法相比,并行遗传算法提高了运算速度,降低了平均开销时间并且最小总路径值更理想。     

改进粗粒度并行遗传算法在网格任务调度中的应用

现有并行遗传算法采用随机方法划分子种群,算法收敛性能不高,并且不可避免的破坏种群的较优模式;为了改进这些缺陷,设计了一种新的多点交叉算子,提出了一种改进的粗粒度并行遗传算法;取资源数为6,任务数为50,种群的规模为60,遗传代数为600;采用相同的控制参数进行仿真实验;仿真实验表明,与传统并行遗传算法相比较,提出的改进算法在收敛速度和寻优空间方面有很大的提升。     

易腐物品车辆路径问题的并行遗传算法

本文采用并行遗传算法研究了易腐物品的车辆路径问题。通过设计粗粒度并行遗传算法和交叉、变异等算子,提高了算法的计算效率和性能。最后,以计算示例验证了算法的有效性。     

网格平台下并行遗传算法的设计

并行遗传算法是遗传算法研究中的一个重要课题,提出了一种在网格平台下实现遗传算法的设计和一些关于遗传算法本身的改进,以及需要进一步研究的课题。     

基于并行遗传算法多旅行商问题的求解

以往求解多旅行商问题的研究仅局限于以各旅行商路程总和最小为优化标准的传统遗传算法,而没有考虑他们的速度和所花时间。在MPI并行环境下,用C++语言实现了粗粒度模型的并行遗传算法。结合并行遗传算法的特点,提出了解决多旅行商问题的策略以及给出相应的算法过程,并进行了有效验证。通过研究结果表明,与传统遗传算法相比,并行遗传算法提高了运算速度,降低了平均开销时间并且最小总路径值更理想。     

基于粗细粒交叉的搜索算法

针对一种新的群集智能--自由搜索优化的不足,提出了基于粗细粒交叉的搜索算法.该算法定义了粗粒交叉和细粒交叉两种算子.通过粗粒交叉,有利于产生新的优秀个体.提高算法的全局搜索能力}采用细粒交叉,在搜索半径内产生更多的优良基园,提高局部搜索能力.典型函数的实验结果表明:新算法的收敛速度、收敛精度,鲁棒性和稳定性大大优于基本自由搜索优化和标准微粒群算法.     

PHGA-COFFEE:多序列比对问题的并行混合遗传算法求解

设计了一个求解多序列比对问题的并行混合遗传算法（与之相应的软件称为PHGA-COFFEE）.该算法采用COFFEE函数作为个体的适应度函数,构造了六种遗传算子,特别是设计了两种新颖的变异算子,其中一种变异算子基于COFFEE的一致性信息设计,以改善算法的整体搜索能力.另一种变异算子基于动态规划方法设计,以增强其局部搜索能力.通过对BAliBASE中144个测试例的测试,证明该算法是有效的.与已有的算法相比,该算法对处于朦胧区和具有N/C末端延伸的序列比对问题有更强的问题求解能力.同时通过对算法并行化,其运行时间显著缩短.