具有年龄结构的遗传算法

结合自然规律以及遗传算法的特点 ,提出了具有年龄结构的遗传算法的框架以及实现。该算法能够通过对个体基因不同年龄的不同操作 ,克服遗传算法中存在的主要问题即过早收敛问题。该算法有效地保持群体的多样性 ,使遗传算法顺利地收敛到全局最优值。通过实际的例子说明 ,这种方法克服过早收敛问题并且相对于简单遗传算法提高了收敛速度     

具有年龄结构的遗传算法

结合自然规律以及遗传算法的特点,提出了具有年龄结构的遗传算法的框架以及实现。该算法能够通过对个体基因不同年龄的不同操作,克服遗传算法中存在的主要问题即过早收敛问题。该算法有效地保持群体的多样性,使遗传算法顺利地收敛到全局最优值。通过实际的例子说明,这种方法克服过早收敛问题并且相对于简单遗传算法提高了收敛速度。     

基于改进遗传算法的图像分割

为了快速准确地确定图像的最佳分割阈值,提出了一种改进的遗传算法.该算法通过完善选择机制、引进父子竞争机制和使用二元变异算子进行变异操作,有效地解决了遗传算法的收敛速度慢和种群过早成熟的问题.实验结果表明:采用改进遗传算法对图像搜索阈值时能收敛至全局最优解,并且大大缩短寻找最优阈值的时间,取得良好的分割效果.     

基于多级遗传算法的模糊隶属度函数的优化

针对遗传算法的在应用过程中出现的过早收敛问题,提出基基于多级遗传算法的模糊控制,通过高级遗传算法的操作遗传算法可以获得不同种类的优良模式的新个体,从而它们提供了更加平等的竞争机会,并且在低级遗传算法在中采用Ｍｅｔｒｏｐｏｌｉｓ判别准则对遗传算法的复制算子加以改进,有效地破坏群体中个体的单一性,增加多样性,使隶属度参数得到优化,从而改善了控制性能,倒立摆仿真实验表明这种方法是有效的,是解决早收敛问题     

基于自适应遗传的E-CID定位算法研究

针对LTE系统NLOS（非视距）环境下基于传统遗传的E-CID（增强小区识别）定位算法过早收敛于某局部最优解而非全局最优,文章提出了一种改进的自适应遗传E-CID定位算法,该算法通过对LTE终端位置数据进行加权最小二乘估算,利用遗传算法进行非线性最优解全局搜索,自适应的改变交叉及变异概率,避免了传统遗传算法过早收敛于局部最优解缺点。仿真结果表明：自适应遗传法比传统遗传算法优势更明显,定位精度更准确。     

基于种群成熟度的修正遗传算法

提出了一种基于种群成熟度的修正型遗传算法.在该算法中,提出一种新的对个体选择进行交叉的方法.同时分析了遗传算法出现早熟情况的机理.为了避免遗传算法的过早收敛问题,在遗传算法的进化过程中计算和判断种群的成熟度,为种群提供了双进化模式.实验结果表明,新算法不仅提高了算法的精度,而且能克服GA算法中出现的"早熟"现象,是一种提高遗传算法性能的有效改进算法.     

求解非满载车辆调度问题的免疫遗传算法

非满载车辆调度问题是车辆调度问题中的一个基本问题,由于它是一个典型的NP难题,传统方法的求解结果往往不能令人满意.曾有研究将传统的遗传算法用于求解非满载车辆调度问题,但是由于遗传算法在遗传后期的波动现象,导致了迭代次数过大和准确率不高.该实验根据生物免疫系统的机理提出的免疫遗传算法,结合了遗传算法的进化操作和生物免疫中的浓度机制,通过抗体的期望繁殖率实现对抗体的促进和抑制,改善未成熟收敛.该算法是在传统遗传算法全局随机搜索的基础上,借鉴生物免疫机制中抗体的多样性保持策略,改善了传统遗传算法的群体多样性,通过与遗传算法的比较,结果表明,该算法不仅收敛,而且具有更好的全局和局部搜索能力和收敛速度.     

遗传算法在路面材料参数识别中的应用研究

针对标准的遗传算法收敛速度慢的特点做了几点改进 :在群体初始化中 ,以均匀产生初始群体代替随机产生 ;实行截断选择 ,隐含了最优保存策略 ;动态变异 ,将改进后的遗传算法和系统识别原理相结合 ,应用于路面反分析中 .分别对理论数据和实测数据进行了计算分析 ,并和目前国内国际较通用的软件计算结果进行了比较分析 .结果表明 ,改进后的遗传算法收敛速度快 ,具有较强的全局优化能力 ,利用该算法进行路面反演可以避免解病态方程 ,反演结果稳定可靠     

基于降半Γ分布函数的自适应遗传算法

针对遗传算法中交叉概率和变异概率难以选取的问题,提出一种新的自适应遗传算法:利用降半Γ分布函数对交叉概率和变异概率进行自适应调整,使这两个参数随基因串的适合度值而变化.仿真结果表明:该算法与传统遗传算法,常规自适应遗传算法相比,有效地克服了过早收敛问题,提高了搜索效率.     

可拓聚类适应度共享小生境遗传算法研究

针对遗传算法易陷入早熟收敛和全局搜索能力差等缺点,提出一种基于可拓理论的小生境遗传算法.算法首先构造了遗传编码物元和可拓遗传算子,然后通过可拓聚类方法实现小生境群体的划分,结合适应度共享技术和聚类代表个体保存策略,维持稳定多样的小生境.仿真实验表明,该算法能可靠、快速地收敛到全局最优解,有效避免早熟收敛,其收敛速度和求解精度均优于简单遗传算法和常规小生境算法.     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

An adaptive genetic algorithm with diversity-guided mutation and its global convergence property

An adaptive genetic algorithm with diversity-guided mutation, which combines adaptive probabilities of crossover and mutation was proposed. By means of homogeneous finite Markov chains, it is proved that adaptive genetic algorithm with diversity-guided mutation and genetic algorithm with diversity-guided mutation converge to the global optimum if they maintain the best solutions, and the convergence of adaptive genetic algorithms with adaptive probabilities of crossover and mutation was studied. The performances of the above algorithms in optimizing several unimodal and multimodal functions were compared. The results show that for multimodal functions the average convergence generation of the adaptive genetic algorithm with diversity-guided mutation is about 900 less than that of adaptive genetic algorithm with adaptive probabilities and genetic algorithm with diversity-guided mutation, and the adaptive genetic algorithm with diversity-guided mutation does not lead to premature convergence. It is also shown that the better balance between overcoming premature convergence and quickening convergence speed can be gotten.     

基于种群分类解决遗传算法的“早熟”与“漂移”问题

为了有效解决遗传算法在实际应用过程中经常面临的早熟收敛和遗传漂移问题,分析了导致早熟收敛和遗传漂移这两种现象出现的原因,针对其主要原因提出了基于模糊聚类的种群分类改进的遗传算法,避免近亲繁殖导致早熟,并将模糊聚类的结果与各种遗传操作有效结合,提高了算法向最优解收敛的准确性和稳定性。最后,仿真结果显示新的改进算法比标准遗传算法更有效。     

遗传算法的收敛性分析

理论分析算法发生过早收敛的原因、收敛速度与各个控制参数以及适应度函数的关系,并提出与证明了判断遗传算法收敛性的统一判据。     

一种改进的自适应遗传算法

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法.针对传统遗传算法和自适应遗传算法存在"早熟"现象及收敛速度慢的不足,提出了一种改进的自适应遗传算法,并对交叉概率和遗传概率进行改进.仿真结果说明了改进的自适应遗传算法比传统遗传算法和自适应遗传算法在收敛性能和搜索能力上都有很大的提高.     

Grid-Based Pseudo-Parallel Genetic Algorithm and Its Application

The genetic algorithm(GA)is a global searchand opti mizationtechnique developedfromnatural ge-netical[1].However,duringthe application process ofGA,there are two main problems—“premature”con-vergence and lower convergence speed[2].The paral-lel genetic algorithm(PGA)is more efficient andfaster than the si mple genetic algorithm(SGA),andcan alsorestrain premature convergence.But usually,PGA must run on a parallel computer of LAN[3],itcosts higher.The pseudo-parallel genetic algorithms…     

遗传算法编码机制的比较研究

结合理论分析和计算机仿真实验对遗传算法的二进制编码和十进制编码在搜索效率和优化结果的鲁棒性方面进行了比较研究 .研究结果表明 :二进制编码与十进制编码相比 ,通常情况下前者的搜索效率高 ,寻优结果对交叉概率和变异概率鲁棒性好 .进一步地理论分析表明 ,低进制编码遗传算法在搜索效率和优化结果鲁棒性方面普遍优于高进制编码遗传算法 .因此 ,在工程应用实践中宜选用低进制编码的遗传算法 .本文得出的结论为遗传算法编码机制的理论研究和遗传算法在工程应用实践中编码机制的选取提供了理论指导 .     

遗传算法中群体多样性评价指标的研究

本文针对遗传算法中早熟问题进行了分析,提出了评价群体多样性的两个性能指标,在此基础上结合模糊逻辑调节遗传算法的交叉和变异概率.对一组函数优化问题对标准算法和优化算法进行测试,测试结果表明基于模糊逻辑控制的遗传算法的性能要优于标准遗传算法.证明本文提出的群体多样性的评价指标是有效的.     

基于轮换寻优的遗传算法在神经网络中的应用

基于最优控制中的轮换寻优思想 ,对遗传算法进行了改进。综合采用交叉编码方法和多参数级联之点映射编码方法对寻优参数进行编码 ,为了避免遗传算法中经常出现的过早收敛现象的发生 ,把近亲回避交叉策略和最优保留方法应用到遗传算法中 ,对神经网络的权值和阈值进行了分组轮换寻优 ,成功地完成了对多层前馈神经网络的训练 ,并与常规的BP算法和常规的遗传算法进行了比较。仿真结果表明 ,改进算法的效果比常规的BP算法和常规的遗传算法要好。这种寻优方法把传统的寻优方法和遗传算法结合起来 ,为全局寻优方法提出了一种途径 ,但更通用的全局寻优方法还有待进一步研究