一种改进的遗传算法在聚类分析中的应用

基于层次的聚类方法是聚类分析算法的基本方法之一,但是由于其自身的缺点（如：合并后不能撤消等）往往会导致聚类质量不高。文中通过将一种改进的遗传算法用于聚类分析中,实现了层次聚类,并通过改进遗传算法参数,以提高算法的性能,这样既改善了基本遗传算法收敛慢、易陷入局部最优解的问题,同时又加快了聚类速度,减小误差。     

一种改进的基于遗传算法的聚类分析方法

C－均值聚类收敛速度快，但是它容易陷入局部最优，且对初始解很敏感。遗传算法是一种全局搜索方法，但是它收敛速度慢。为了在搜索能力和收敛速度两方面都取得较好的效果，本文提出了一种改进的基于遗传算法的聚类分析方法。实验结果表明：本文提出的算法在聚类分析中搜索到全局最优解（或近似全局最优解）的能力要优于经典遗传算法及C－均值聚类算法；且通过对变异概率的巧妙设置，提高了算法的自适应能力。     

基于整体退火遗传算法的不等间距天线阵的综合

将一类非时齐（整体退火选择）、保证收敛且易于判断收敛的新型遗传算法应用于不等间距天线阵的综合，对天线阵的位置及加权系数进行了优化。实验表明：该算法收敛速度快，有极强的避免过早收敛及避免局部极值的全局优化能力。该方法为大型天线阵的优化设计提供了方便     

整体退火遗传算法在不等间距线天线阵的综合中的应用

将一类非比例选择（整体退火选择）、保证收敛且易于判断收敛的新型遗传算法应用于不等间距天线阵的综合，对天线阵的位置和加权系数进行了优化。实验实例表明：该算法收敛速度快，有极强的避免过早收敛及避免局部极值的全局优化的能力。该方法为大型天线阵的优化设计提供了工具。     

利用改进遗传算法的DOA估计

用极大似然估计（ＭＬＥ）得到到达信号的方向（ＤＯＡ）,在统计性能方面要比其它一些理论优越,但是由于该方法为种多维参数估计,采用常规搜索方法,精度受到网格限制,不能任意逼近最优解,并且容易收敛到局部最优。而遗传算法是一种有导向的随机搜索方法,它具有适用条件宽松,有较大的概率收敛到全局最优等优点。在此通过改进的遗传算法（ＩＧＡ）,较好地解决了一般搜索算法存在的不足,计算机模拟实验证明可行。     

遗传算法的自适应进化策略及TSP问题的遗传优化

本文研究遗传算法的进化策略，提出了一种在遗传操作层次上将局部搜索方法与基本遗传算法要结合，依据遗传群体的环境参量动态地调整遗传算法的进化策略和控制局部搜索强度的自适应进化策略，并结合货郎担（ＴＳＰ）优化问题介绍其具体实现方法，给出实验结果。     

免疫遗传算法及认知无线电参数优化决策

根据感知的频谱环境变化及时优化并调整无线电参数是认知无线电的关键技术之一,也是一个复杂的非线性多目标优化决策问题。遗传算法是最适合优化问题的,但当遗传算法应用于优化问题时存在过早收敛问题。提出了基于遗传算法和人工免疫系统相结合的免疫遗传算法（IGA）来克服以上问题。由于在GA算法中引入了免疫系统中抗体和抗原的概念并在每一次迭代中丢弃亲和力较大的抗体,有效地防止了GA中过早收敛现象。最后,用免疫遗传算法来解决认知无线电的参数优化问题。仿真结果表明,免疫遗传算法可以迅速达到最优决策。     

基于遗传算法的快速认知无线电系统

近几年来,在认知引擎（CE）中广泛应用遗传算法（GA）优化传输波形的各项参数,然而由于无线电波形需优化的参数和所达到的目标很多,形成了巨大的搜索空间,导致遗传算法收敛时间过长,不能满足认知无线电的实时应用。针对这一问题,提出一种快速认知无线电,通过遗传算法与案例学习结合来缩短反应时间,并进行了简单的实验仿真。仿真结果表明,快速认知无线电能够对环境进行快速自适应,算法收敛时间变短。     

基于嫁接遗传算法的微波电路优化技术

嫁接种群向进化种群添加个体的多样信息，避免了基本遗传算法的过早收敛。同时嫁接种群指导进化方向，加快了收敛速度。另一方面交叉矩阵使适值高的个体以低概率交叉，在一定程度上改善了算法的收敛性。最后用四种优化方法设计宽带阶梯阻抗变换器，结果表明基于嫁接遗传算法的微波电路优化设计具有高效性和精确性。     

基于遗传算法的微波电路优化方法

根据遗传算法的基本理论，并结合微波电路优化设计的特点，对传统遗传算法的部分操作提出了改进措施。将其与DFP算法相结合，研制出能够较好收敛到最优值的算法。应用于微波电路CAD中，证明了其有效性和实用性。     

遗传操作的一般性算子及图象恢复处理

针对遗传算法中 收剑问题,设计了一种遗传操作的一般性算子,该算子能够：（１）判断群体多样性的好坏程度,以使决定交叉和变异谁是主要、辅助算子;（２）当 某代群体的多样性差时,随机独立地产生多个新种个体;（３）当接近最优解邻域时,加速向最优解收敛。本文结合退化图象的,提出子基于算子的衅象遗传恢复方法,计算机模拟和实验结果表明,该方法能够较好地解决简单遗传算法中过早收敛于非全局最佳恢复图象问题。     

基于遗传算法的梳状谱峰值控制方法

针对梳状谱峰值控制问题，采取遗传算法（GA）搜索梳状谱峰值的最小值。通过构造相位集进行编码，采用移民和精英保留使得结果收敛到最优解，实验结果表明此方法比穷举法效果好且耗时短。     

一种机载单站无源测向定位跟踪算法研究

首先提出了一种采用测量目标到达方向实现运动单站对固定辐射源进行无源定位的算法。算法利用遗传算法（GA）为扩展卡尔曼滤波（EKF）提供稳定可靠的初始状态，克服了EKF算法收敛速度慢、易发散，伪线性滤波（PLF）算法有偏差等缺点，从而获得了更好的定位效果。计算机仿真结果验证了上述方法的有效性。     

基于分层竞争的高效并行遗传算法

借鉴生态进化中普遍存在的竞争现象，本文提出了一种基于多层竞争的并行遗传算法（GAMLC,genetic algorithm based on multi-level competition）。仿真结果表明，该算法能较好地解决遗传算法中的早熟现象及收敛速度慢的问题，提高了搜索到全局最优解的概率。     

求解旅行商问题的改进混合蛙跳算法

混合蛙跳算法（Shuffled Frog Leaping Algorithm,SFLA）是解决组合优化问题的有效方法,’但是应用于TSP问题时,由于SFLA没有充分利用最佳个体的优良信息,导致收敛速度太慢。文中把遗传算法（Genetic Algorithm,GA）的交叉和变异引入SFLA,提出了一种针对旅行商问题（Traveling Salesman Problem,TsP）的改进混合蛙跳算法（Improved Shuffled Frog Leaping Al—gorithm,ISFLA）。应用于TSP的实验结果表明：ISFLA的收敛速度明显高于SFLA,同时优于GA和简单翻转算子。ISFLA不仅表现出了更快的收敛速度,而且能有效地缓解局部早熟收敛。     

基于贪婪策略的遗传算法求解多星观测任务优化

针对多星观测任务优化这一复杂度高的问题,在构建观测任务模型和任务规划模型的基础上,较为全面地考虑了观测窗口时间约束、姿态调整约束、观测过渡时间约束、光照条件及能量平衡约束和存储资源约束等条件,并建立了相应的数学模型。针对一般遗传算法在观测任务规划中应用时收敛速度慢的问题,设计了基于贪婪策略的遗传算法,采用STK生成多星观测任务列表,并在Matlab中编程求解观测任务规划方案,通过对比基于贪婪策略的遗传算法和一般遗传算法的性能,说明该方法在保证遗传算法收敛精度的前提下能提高算法的收敛速度,有效解决多星观测任务优化问题。     

基于自适应SAGA的测试数据自动生成

结合遗传算法（GA）的并行搜索结构和模拟退火（SA）的概率突跳性，并结合使用自适应的交叉算子和变异算子，提出了一种高效的自适应的SAGA混合优化算法。在自主开发的结构性测试工具WBoxTool中，使用自适应SAGA混合优化策略进行测试数据自动生成，并通过实例对基本遗传算法、自适应遗传算法和自适应SAGA进行了比较，结果表明自适应SAGA具有更强的搜索能力，可以更快的发现全局最优解。     

基于自适应遗传算法的最优M序列码搜索

编码信号已经广泛地应用于现代雷达系统中,而编码信号的旁瓣抑制一直是雷达信号处理中有待优化的问题。提出一种基于自适应遗传算法（AGA）优化搜索M序列二相码波形的方法。对于M序列,初始寄存器的选择对于主副比是很关键的。自适应遗传算法的遗传算子交叉概率与变异概率可自适应调整。与标准遗传算法（SGA）相比,这种算法能更好地避免＂早熟＂现象,保持了物种样本的多样性,最终能够收敛到脉压特性更好的序列。试验结果证明了该方法的可行性和有效性。     

改进的量子进化算法及其在TSP问题中的应用

针对量子进化算法（Quantum—inspired Evolutionary Algorithm，QEA），在解决实际问题中遇到的困难，提出一种改进的量子进化算法，应用于求解旅行商问题（Travelling Salesman Problem，TSP）,并提出了TSP中的Hamilton圈的随机搜索编码技术。通过求解TSP问题库中的部分问题，表明改进的算法比经典的量子进化算法及免疫遗传算法具有更快的收敛速度和更好的全局寻优能力。     

关于遗传算法过早收敛现象的特征分析及预防措施

在简要介绍了遗传算法的基础上，通过引入种群早熟集和种群多样度的概念，分析了遗传算法中过早收敛现象的起因与特征，阐明了杂交过程的成熟化效应是引起遗传算法过早收敛性的主因，提出了几种可以预防和克服过早收敛的新型遗传算法。