基于实数编码的多种群并行遗传算法研究

针对标准遗传算法(SGA)在实际应用中早熟收敛、解精度较低，以及传统的二进制编码方式带来的Hamming悬崖问题等等缺点，提出了一种基于实数编码的多种群并行遗传算法(RPGA)，理论分析和实例计算的结果说明RP-GA有效的提高了全局搜索能力和局部快速搜索能力，提高了遗传进化效率，对于改进SGA的缺点是十分有效的。     

嵌套式模糊自适应遗传算法

针对简单遗传算法(SGA)收敛速度慢和早熟收敛现象,将模糊逻辑理论应用于遗传算法,并采用两级嵌套的遗传算法,随主遗传算法GA1求解优化问题的进化进程用模糊控制的方法自适应地调整遗传算法的交叉概率和变异概率;利用另一个遗传算法GA2优化模糊规则库,实现了一种嵌套式模糊自适应遗传算法(NFAGA)。仿真结果表明,这种算法的全局搜索收敛速度和解的质量明显优于SGA和一般的自适应遗传算法(AGA)。     

基于遗传算法的机械优化设计

本文提出了用遗传算法解决轴承优化设计的方法。针对简单遗传算法(Simple Genetic Algorithms，简称SGA)在机械设计中出现的进化过程缓慢问题，采用最优保存策略(Elitist Genetic Algorithm)对计算过程进行处理。同时，针对后代个体不满足约束条件的问题，采用罚函数的方法进行处理。并给出在轴承行业中的算例。     

柔性多面体在遗传算法中的应用研究(I)

文章提出了一种柔性多面体的方向进化算子,并在基本遗传算法中嵌入柔性多面体搜索算法,从而构成了一种基于柔性多面体的新的混合遗传算法(flexiblepolyhedronhybridgeneticalgorithm,FP_HGA)。方向进化算子紧跟基本遗传算法的变异操作之后,其作用是使适应度较低的个体向适应度较高的个体进化;柔性多面体局部搜索算法作用是对当前代所有新个体在进入到下一代之前,使它移动到局部最优点。并用FP_HGA来求解Rosenbrock测试函数的最小值,FP_HGA算法和SGA(SimpleGeneticAlgorithm,SGA)算法的计算结果表明该混合遗传算法在收敛速度和精度方面均得到很大提高。     

具有年龄结构的遗传算法

该文提出了一种基于年龄结构的遗传算法。标准遗传算法(SGA)已经被成功地应用到很多进化优化问题上，但是对于复杂的多模态函数寻优时，会出现早熟收敛现象。为了解决这个问题，该文结合自然规律和遗传算法的特点，提出了具有年龄结构的遗传算法的框架以及实现。通过对不同年龄个体的不同操作，克服了早熟收敛问题且保持了群体的多样性，使算法能顺利地收敛到全局最优值。     

柔性多面体搜索算法在遗传算法中的综合应用研究

首先分析了柔性多面体搜索算法和基本遗传算法两者结合的基础，提出了柔性多面体方向进化算子和柔性多面体交叉算子，以这两个新的遗传操作算子和柔性多面体搜索算法为基础，提出了两种新的混合遗传算法FP-HGA(Ⅰ)、FP-HGA(Ⅱ).在FP-HGA(Ⅰ)中，嵌入了柔性多面体方向进化算子和柔性多面体搜索算法；在FP-HGA(Ⅱ)中，嵌入了柔性多面体交叉算子，用FP-HGA(Ⅰ)、FP-HGA(Ⅱ)及SGA(Simple Genetic Algorithm)来求解Rosenbrock测试函数的最小值，FP-HGA(Ⅰ)和FPHGA(Ⅱ)算法和SGA算法的计算结果表明该混合遗传算法在收敛速度和精度方面均得到很大提高．     

混沌遗传算法及其在函数优化中的应用

将混沌优化和遗传算法结合起来,提出了混沌遗传算法(CGA,Chaos Genetic Algorithm),并将其应用于函数优化问题的求解。通过在种群进化的不同阶段引入混沌优化操作,大大提升了遗传算法的整体性能。实验结果表明,与标准遗传算法(SGA)相比,该算法能更有效地求得全局最优解,具有更快的收敛速度。     

模糊逻辑遗传算法的新方法

模糊逻辑是近年来提出的一种自适应调整策略,可以用来动态调整遗传算法的参数,以提高其性能.在此提出一种模糊逻辑遗传算法(FGA)的新模糊控制系统,它根据种群的进化速度和多样性的反馈信息,通过模糊逻辑控制器来对交叉率Pc和变异率Pm进行动态的自适应控制.实验结果表明,提出的FGA相对于简单遗传算法(SGA),不仅在与实际最优值差值上获得高1～3个数量级的精度,而且还提高了收敛的速度,较好地解决了SGA容易陷入早熟状态、某些函数进化速度慢等问题.     

柔性多面体在遗传算法中的应用研究(Ⅰ)

文章提出了一种柔性多面体的方向进化算子,并在基本遗传算法中嵌入柔性多面体搜索算法,从而构成了一种基于柔性多面体的新的混合遗传算法(flexble polyhedron hybrid genetic algorithm,FP_HGA).方向进化算子紧跟基本遗传算法的变异操作之后,其作用是使适应度较低的个体向适应度较高的个体进化;柔性多面体局部搜索算法作用是对当前代所有新个体在进入到下一代之前,使它移动到局部最优点.并用FP_HGA来求解Rosenbrock测试函数的最小值,FP HGA算法和SGA(Simple Genetic Algorithm,SGA)算法的计算结果表明该混合遗传算法在收敛速度和精度方面均得到很大提高.     

基于变尺度混沌优化策略的混合遗传算法

针对标准遗传算法（SGA）存在的收敛速度慢，易陷入局部极小等问题，提出了新的混合遗传算法，利用变尺度混沌优化方法，对经过一次遗传操作的种群进行混沌搜索寻优，引导种群快速进化，该方法具有搜索速度快，计算精度高，使用方便等特点，算例分析表明，该方法的综合性能优于SGA及其它混合GA。     

Structural pattern recognition using genetic algorithms with specialized operators

This paper presents a genetic algorithm (GA)-based optimization procedure for structural pattern recognition in a model-based recognition system using attributed relational graph (ARG) matching technique. The objective of our work is to improve the GA-based ARG matching procedures leading to a faster convergence rate and better quality mapping between a scene ARG and a set of given model ARGs. In this study, potential solutions are represented by integer strings indicating the mapping between scene and model vertices. The fitness of each solution string is computed by accumulating the similarity between the unary and binary attributes of the matched vertex pairs. We propose novel crossover and mutation operators, specifically for this problem. With these specialized genetic operators, the proposed algorithm converges to better quality solutions at a faster rate than the standard genetic algorithm (SGA). In addition, the proposed algorithm is also capable of recognizing multiple instances of any model object. An efficient pose-clustering algorithm is used to eliminate occasional wrong mappings and to determine the presence/pose of the model in the scene. We demonstrate the superior performance of our proposed algorithm using extensive experimental results.     

利用改进的自适应遗传算法确定有机化合物分子式

针对简单遗传算法存在早熟和收敛速度慢的缺点,提出了一种改进的自适应遗传算法用来确定有机化合物分子式.在现有自适应遗传算法的基础上,对编码方式和遗传算子操作等几方面进行了改进.改进后的自适应遗传算法在防止早熟和加快收敛方面优于简单遗传算法.该算法应用到确定有机化合物分子式时,取得很好的效果.     

并行遗传算法的FPGA硬件实现研究

提出基于FPGA的并行遗传算法的硬件实现系统,从硬件实现角度提高遗传算法的收敛速度.硬件系统划分4个子系统,每个子系统同步而单独地运行一个群体大小为M的简单遗传算法,在简单遗传算法每代结束时,总控制器从4个子系统中选取1个最佳个体,然后复制到与其物理相邻的2个子系统中,实现子系统之间的信息交换.每个子系统采用5段流水线处理技术,即将子系统划分为解码操作、适应度计算、预选操作、随机地址比例选择操作以及交叉-变异操作5个单元.为了解决各段速度瓶颈,适应度计算采用4个具有加速模块的NiosⅡ处理器,预选操作采用M个取整电路,交叉-变异操作采用1个交叉部件和1个变异部件,解码操作采用2个解码部件的内部并行处理方式.用遗传算法标准测试函数Ⅱ测试该硬件系统,实验数据表明,由FPGA硬件实现的并行遗传算法同由软件实现的遗传算法相比,收敛速度大幅度提高,约2个数量级.     

基于多智能体的新型遗传算法及其在复杂系统中的应用研究

通过对简单遗传算法及其研究现状的分析研究，及对复杂系统与简单遗传 算法特点的比较分析，针对简单遗传算法的不足，提出了一种基于多智能体的新型遗传算法，定义了新型遗传算法中的环境、智能体结构、遗传算子、目标/评估函数和流程图，最后用一个测试函数和复杂环境下的多峰函数对它进行了验证分析. 结果表明，新型遗传算法具有明显的优点和优势，特别适合于复杂系统中的问题求解．     

基于遗传算法的图象不变矩匹配

研究模板和图象间的有效匹配，利用不变矩特征作为检测模板和图象中物体轮廓相似度的测度，同时把遗传算法引入图象匹配识别，并针对简单遗传算法在应用过程中出现收敛过早和早熟现象的问题，采用了一种 改进型遗传算法。该算法和不变矩相结合能有效检测出具有平移、旋转 和尺度变化的物体，该方法可以应用于实际图象匹配和识别中。     

FMS scheduling with knowledge based genetic algorithm approach

In this paper a complex scheduling problem in flexible manufacturing system (FMS) has been addressed with a novel approach called knowledge based genetic algorithm (KBGA). The literature review indicates that meta-heuristics may be used for combinatorial decision-making problem in FMS and simple genetic algorithm (SGA) is one of the meta-heuristics that has attracted many researchers. This novel approach combines KB (which uses the power of tacit and implicit expert knowledge) and inherent quality of SGA for searching the optima simultaneously. In this novel approach, the knowledge has been used on four different stages of SGA: initialization, selection, crossover, and mutation. Two objective functions known as throughput and mean flow time, have been taken to measure the performance of the FMS. The usefulness of the algorithm has been measured on the basis of number of generations used for achieving better results than SGA. To show the efficacy of the proposed algorithm, a numerical example of scheduling data set has been tested. The KBGA was also tested on 10 different moderate size of data set to show its robustness for large sized problems involving flexibility (that offers multiple options) in FMS.     

基于动态自适应遗传算法的调制信号特征选择

神经网络分类器已被广泛应用在自动模式识别中。降低输入数据特征维数对其结构的简化和性能的提高至关重要。简单遗传算法早熟收敛和局部搜索能力弱的缺陷，使它在特征选择中的效果不理想。提出基于进化群体中值信息的动态自适应遗传算法。仿真结果表明，该算法优选特征子集速度快，解的质量稳定，神经网络分类器的识别准确率有显著提高。     

基于改进遗传算法的智能组卷方法

组卷问题是一个多约束多目标优化问题。建立了一种新的试卷矩阵数学模型,提出了改进的遗传算法编码方式,并通过改进初始群体的产生方法和遗传算子,有效提高了遗传算法的收敛速度,并较好地避免了局部收敛现象。实验结果表明,在试题库试题数量适中、分布合理的情况下,本算法产生的试卷能够很好满足各项组卷指标。     

基于MATLAB遗传算法(SGA)实现

利用MATLAB编程实现了基本遗传算法（SGA），并构作了SGA工具库函数，通过仿真示例验证了该实现方法的有效性，表明它能够对函数进行全局寻优。