遗传算子的分析

阐述了遗传算法的特点,分析了遗传算法中选择算子、交叉算子和变异算子的特性,讨论了不同遗传算子对算法最优结果的获得所起的作用,提出了改善算法性能的措施,并设计了切实可行的选择算子、交叉算子和变异算子。模拟结果表明,遗传算法能在较短的时间内提供优化解,为解决复杂的优化问题提供了可行方案。     

遗传布局中的交叉算子

针对遗传算法解决门阵列模式的布局问题时,传统的遗传交叉算子操作后出现了不可行的布局方案,因而寻找了3个新的交叉算子来避免产生这种冲突,通过实例对这3个算子的优越性进行了比较。     

标准遗传算法的参数分析

遗传算法是一种模拟自然界生物进化过程的随机搜索算法,该文对标准遗传算法进行简要的介绍并利用C语言实现标准遗传算法对函数进行优化并根据实验数据分析了种群大小、变异概率、交叉概率对算法的影响。     

求解高维优化问题的遗传鸡群优化算法

针对鸡群算法在求解高维复杂优化问题时收敛速度慢、寻优精度不高、容易陷入局部最优等不足,结合遗传思想,增加公鸡和母鸡交配、变异产生新小鸡的概念,并设定交配周期和小鸡淘汰更新周期,利用交叉、变异算子对算法进行改进,得到一种改进的鸡群算法。通过对10组基准函数的实验结果进行分析,相比于标准鸡群算法和其他两种目前比较流行的群体智能优化算法,提出的改进鸡群算法在寻优精度、解的质量、收敛速度、稳定性及鲁棒性等方面优势明显,具有良好的性能。     

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。     

广义交叉的遗传漂移分析

以广义交叉算子为对象，研究重组的遗传漂移现象．通过基因频率分析，证明了对角交叉和均匀扫描交叉不会引起遗传漂移，但基于基因频率的扫描交叉可导致遗传漂移，其程度随重组规模的增加而加剧．广义交叉算子的遗传优化实验表明，重组的遗传漂移只会产生不利于收敛速度和收敛可靠性的纯消极效果。     

基于改进的选择算子和交叉算子的遗传算法

为了有效解决遗传算法中收敛速度与局部最优解的矛盾,文中提出了一种具有改进的选择算子和改进的交叉算子的遗传算法。使用文中改进的选择算子,能够增加算法收敛于全局最优解的概率,从而不容易陷入局部最优,也就增加了找到最优解的概率,使用文中改进的交叉算子可以加快算法的收敛速度,从而缩短寻找最优解的时间。实验证明,这两种改进算子的结合能以较快速度收敛于全局最优解,因此能很好地解决遗传算法中收敛速度与局部最优解之间的矛盾。     

基于改进的选择算子和交叉算子的遗传算法

为了有效解决遗传算法中收敛速度与局部最优解的矛盾,文中提出了一种具有改进的选择算子和改进的交叉算子的遗传算法。使用文中改进的选择算子,能够增加算法收敛于全局最优解的概率,从而不容易陷入局部最优,也就增加了找到最优解的概率,使用文中改进的交叉算子可以加快算法的收敛速度,从而缩短寻找最优解的时间。实验证明,这两种改进算子的结合能以较快速度收敛于全局最优解,因此能很好地解决遗传算法中收敛速度与局部最优解之间的矛盾。     

基于排序的改进自适应遗传算法

本文提出了一种改进的自适应遗传算法,其遗传算子由个体在种群中的排序位置自适应地决定,其中选择算子还引入了disruptive selection的思想.该算法能避免群体中超级个体的出现,维持了种群的多样性,加快了种群的收敛速度,克服了遗传算法早熟的现象.函数优化的结果验证了该算法的有效性.     

基于动态算子遗传算法的光网络阻塞率的快速计算

给出了基于分层图模型的光网络中链路阻塞率的计算公式,提出了一种改进的遗传算法,通过动态调整交叉和变异两算子,在全局搜索的情况下,调大变异算子的值,控制交叉算子的值;在收敛到局部进行搜索时,控制变异算子,提高交叉算子值,提高局部搜索能力,得到了一种快速的光网络阻塞率的计算方法,通过模拟显示：与普通遗传算法相比可以提高计算速度60%,并降低网络的阻塞率。     

遗传算法的混合算子策略

在一般遗传算法中,求最优解时既可避免早熟收敛,又能提高收敛速度是困难的,因为算法中使用了单独一组交叉算子／变异算子。本文提出一种新的基于混合算子的遗传算法执行策略。在求解旅行商问题（TSP）中,为了提高局部搜索能力和收敛速度,给出了一种基于边重组的启发式交叉算子。仿真实验表明了这种算法的有效性。     

遗传算子对免疫算法性能影响的分析

在研究现有进化算法的优越性与存在不足的基础上,受生物免疫原理的启发,提出了一种新的算法--免疫算法.免疫算法是在免疫系统识别多样性的启发下所设计出的一种随机启发式算法,其参数的取值和操作的具体实现形式对算法的性能有较大的影响.本文详细地讨论了基于信息熵概念的免疫算法并分析了交叉和变异遗传算子对免疫算法性能的影响,将遗传算法的非均匀变异操作引入免疫算法,模拟实验结果表明了改进算法的有效性.     

Tackling Real-Coded Genetic Algorithms: Operators and Tools for Behavioural Analysis

Genetic algorithms play a significant role, as search techniques forhandling complex spaces, in many fields such as artificial intelligence, engineering, robotic, etc. Genetic algorithms are based on the underlying genetic process in biological organisms and on the naturalevolution principles of populations. These algorithms process apopulation of chromosomes, which represent search space solutions,with three operations: selection, crossover and mutation.Under its initial formulation, the search space solutions are coded using the binary alphabet. However, the good properties related with these algorithms do not stem from the use of this alphabet; other coding types have been considered for the representation issue, such as real coding, which would seem particularly natural when tackling optimization problems of parameters with variables in continuous domains. In this paper we review the features of real-coded genetic algorithms. Different models of genetic operators and some mechanisms available for studying the behaviour of this type of genetic algorithms are revised and compared.     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能。对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能,对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

带有遗传算子的烟花爆炸优化算法

受烟花爆炸现象的启发并结合遗传算法思想提出一种新的优化算法——带有遗传算子的烟花爆炸优化算法(GAFEO)。该算法主要模拟烟花爆炸的方式对解空间进行基本的并行弥漫式爆炸搜索,引入自适应局部搜索策略和遗传算法中的交叉变异策略以改善算法的优化性能。通过实验对12个常用高维测试函数进行优化计算,结果表明,与PSO算法以及其他新型算法相比,GAFEO算法在寻优能力、寻优精度等方面都具有较好的性能。     

遗传算法算子优化的应用

为了解决简单的遗传算法中容易出现"早熟收敛"等问题,需要对遗传算法进行改进.改善的算法采用自适应的交叉和变异算子,让交叉和变异概率随适应函数值的变化而变化.测试证明这是一种有效的优化方法,可以起到跳出"早熟",加速收敛的效果.     

遗传算法中交叉算子对群体多样性的影响

在遗传算法中,群体多样性对于避免早熟收敛、提高搜索效率以及保证搜索的全局性是至关重要的。本文分析了遗传算法在进化处理过程中导致群体多样性下降的原因,并着重就交叉算子与替换策略（或后期选择）的共同作用对群体多样性的影响作了较深入的探讨,完成交叉算子关于群体多样性损失的量化分析,并据此对如何平衡算法的“探测
测”与“开发”性能做了讨论。