改进梯度算子的小生境遗传算法

为避免小生境遗传算法存在的早熟和收敛速度慢等问题,本文提出了一种改进的梯度算子,以保证进化朝最优解方向前进,提高计算峰值的精度。同时,利用进化代数和个体的适应度值,动态调整个体的交叉算子和变异算子,有效保证种群的多样性,改善全局搜索能力,加快收敛速度。将改进的梯度算子引入到基本小生境遗传算法和自适应小生境遗传算法,通过Shubert函数测试,证明本文改进后的算法与基本小生境遗传算法和自适应小生境遗传算法相比,不仅大大提高了收敛速度,并能搜索到所有全局最优解。     

基于SAC模型的改进遗传算法求解TSP问题

遗传算法(GA)的全局搜索能力强,易于操作,但其收敛速度慢,易陷入局部最优值.针对以上问题,利用深度强化学习模型SAC对遗传算法进行改进,并将其应用至旅行商问题(TSP)的求解.改进算法将种群作为与智能体(agent)交互的环境,引入贪心算法对环境进行初始化,使用改进后的交叉与变异运算作为agent的动作空间,将种群的进化过程视为一个整体,以最大化种群进化过程的累计奖励为目标,结合当前种群个体适应度情况,采用基于SAC的策略梯度算法,生成控制种群进化的动作策略,合理运用遗传算法的全局和局部搜索能力,优化种群的进化过程,平衡种群收敛速度与遗传操作次数之间的关系.对TSPLIB实例的实验结果表明,改进的遗传算法可有效地避免陷入局部最优解,在提高种群收敛速度的同时,减少寻优过程的迭代次数.     

改进的蜜蜂进化型遗传算法

提出一种改进的蜜蜂进化型遗传算法.在该算法中,种群的最优个体作为蜂王与被选的每个个体(雄蜂)以一定概率进行交叉操作,从而增强了对种群最优个体所包含信息的开采能力;同时,为了避免过早收敛,算法在种群次优解周围进行局部搜索,引入新的随机个体,增加算法的多样性.实验结果表明,该算法能有效地提高遗传算法性能的求解精度和收敛速度.     

基于免疫的新进化方法

遗传算法等进化算法是一种模拟达尔文＂适者生存＂进化思想的仿生算法,在求解复杂优化问题方面有巨大潜力。但在遗传算法等进化方法中,通过交叉、变异等过程产生的种群个体带有一定的随机性,而且会出现种群质量倒退的现象,故它们存在收敛速度较慢且易于陷入局部最优的缺点。如果引入免疫中的负选择思想,将进化种群的劣质个体视为＂非我＂,利用负选择对每代种群进行筛选,由此可以识别出劣质个体,并将其消灭,使种群快速收敛于全局最优。本文根据免疫的负选择思想,在遗传算法的基础上提出一种基于免疫的新进化算法。并将其应用于求解多极值函数的最值问题,通过实验表明了此方法具有更好的性能。     

基于多种群混沌遗传神经网络的模拟电路故障诊断

针对标准遗传算法优化BP神经网络收敛慢,易陷入局部最优的问题,提出了改进的多种群协同进化遗传算法,该算法改变了以往的随机初始化方法,采用了附加混沌扰动的tent映射初始化均匀分布的种群,提高了初始解的质量;每个种群采用自适应交叉率和变异率,引入移民算子实现种群间的横向联系;算法通过多种群的协同进化和种群间的个体移植提高了算法的搜索均匀性和效率;仿真实验表明该算法误差小,收敛速度快,诊断正确率高,较好地解决了模拟电路的软故障诊断问题。     

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。     

基于改进自适应遗传算法的物流配送路径优化研究

针对物流运输中带软时间窗车辆路径优化问题,提出一种改进的自适应遗传算法。为消除遗传算法初始种群随机性强,个体分散的缺陷,采用精英保留选择方法,加快算法的收敛速度,同时提出了交叉概率和变异概率自适应调整的交叉和变异方法,进化过程中交叉概率和变异概率根据适应度、进化代数和进化过程中个体未改变数目个数来自适应变化,提高算法的局部搜索能力,有效避免了算法出现未成熟收敛的情况。将新的自适应遗传算法(New Improved Adaptive Genetic Algorithm,简称NIAGA)应用于该路径优化问题的求解,实验结果表明改进后的自适应遗传算法在求解物流配送路径优化问题上有明显优势。     

基于云控制的混沌多种群自适应遗传算法

针对传统遗传算法存在的早熟收敛现象,提出一种基于云控制的混沌多种群自适应遗传算法。该算法兼顾全局性和个体差异性两方面平衡,通过云控制器实现交叉率和变异率的自适应调节。在种群正常进化时,对个体实行惩强扶弱措施,在发生早熟收敛或有早熟收敛趋势时,对劣质个体实行灾变,同时采用多种群优化机制实现种群之间的同步进化。实验结果表明,与标准遗传算法和自适应遗传算法相比,该算法能够有效地避免早熟收敛问题,具有较高的收敛效率。     

改进的遗传算法求解旅行商问题

提出一种解决旅行商问题的改进遗传算法.在传统遗传算法的基础上,引入贪婪算法进行种群初始化;从遗传进化代数和个体适应函数值两个方面实现遗传参数自适应调节,在加快寻优速度的同时防止寻优陷入局部最优;采用基于贪婪方法的启发式交叉算子优化交叉结果;对交叉前后的种群分别实施精英个体保留策略,保证最优基因结构得以延续.实验结果分析表明,改进的遗传算法可以在种群规模较小的情况下具有更可靠的寻优能力.     

一种双变异率的改进遗传算法及其仿真研究

针对标准遗传算法收敛速度慢,寻优能力差,易陷入局部最优等问题,提出了一种双变异率的改进遗传算法。在进化过程中,引入广义海明距离这个概念,当由广义海明距离控制的交叉操作产生个体数不足种群规模时,对原种群进行局部小变异,这样在避免近亲繁殖的同时又可扩大搜索空间,增加种群多样性,有效地抑制了早熟收敛;随后进行的全局大变异保证整个过程全局收敛。仿真实验用典型的测试函数验证了此算法能显著提高解的质量和收敛速度。     

改进的自适应遗传算法求解0/1背包问题

为提高遗传算法求解问题的性能,提出一种改进的自适应遗传算法,该算法在交叉概率和变异概率公式中引入了当代迭代次数因子,提出了基因差别比例（Ca）的概念。Ca越大的基因位发生交叉、变异的概率越大,产生新个体的可能性越大;在模式生成操作中,确定基因位的选取同样由Ca决定。仿真结果表明,此算法在求解0/1背包问题时,其寻优能力有很大提高。     

基于水波进化和动态莱维飞行的爬行动物搜索算法

针对爬行动物搜索算法存在收敛速度慢、寻优精度低和易陷入局部极值等缺陷,提出一种基于水波进化和动态莱维飞行的爬行动物搜索算法.采用Halton序列初始化种群,生成均匀分布的个体,减少个体搜索盲区和重叠概率以提升种群多样性;引入水波动态进化因子和自适应权重,协调算法全局搜索与局部开发之间的转换,提高算法收敛速度和寻优精度;结合一种动态莱维飞行变异策略,提升算法局部抗停滞能力.通过对14个基准测试函数的寻优对比分析、Wilcoxon秩和检验以及寻优时间对比结果可知,改进算法具有更好的收敛性能、寻优性能和鲁棒性.最后,通过工程应用中焊接梁设计的优化对比结果,进一步验证了改进算法处理实际工程问题的优越性.     

求解动态优化问题的多种群热力学遗传算法

多种群方法已被证明是提高演化算法动态优化性能的重要方法之一。提出了多种群热力学遗传算法（multi-population based thermodynamic genetic algorithm,MPTDGA）。该算法使用一个概率向量在热力学遗传算法迭代过程中不断演化优化与竞争学习,环境变化时分化成三个概率向量,并分别抽样产生原对偶和随机迁入三个子种群,依据这三个种群和记忆种群最好解的情况,选择新的工作概率向量进入新环境进行学习。在动态背包问题上的实验结果表明,MPTDGA比原对偶遗传算法跟踪最优解的能力更强,有很好的多样性,非常适合求解0-1动态优化问题。     

模拟退火遗传算法在机械臂路径规划中的应用

为研究机械臂的路径规划问题,将传统的退火算法与遗传算法相结合,提出了一种改进的模拟退火遗传算法.该算法不仅能自适应改变遗传过程中的交叉概率和变异概率,还加入了局部退火操作,对每代子种群进行退火处理以克服路径规划过程中陷入局部最优的问题.此外,引入整体退火观念,在整个进化过程中,随着温度的降低,不断拉伸适应度函数提高算法效率.将该算法应用于实验室自主研制的七自由度轻型冗余机械臂上,以时间冲击最优为目标进行轨迹规划.实验表明,该算法可以在保证各项约束的条件下获得最优路径.     

车辆路径优化问题及求解方法研究综述

车辆路径优化问题一直以来是物流研究领域的一个热点和难点.现实生活的许多问题都可看作是车辆路径问题(VRP),因此国内外学者近年来不断提出多种车辆路径优化问题及求解方法以解决愈加复杂的问题.为进一步理清国内外研究现状,对如半开放式VRP、多级VRP、多目标VRP、绿色VRP等车辆路径优化问题,进行了总结分析,然后对车辆路径求解方法进行了介绍,特别地是对元启发式算法进行了较为详细的综述.最后,面向车辆路径优化问题和求解方法在当前形势下面临的新挑战,展望了一些新研究方向,如多目标优化、多级配送网络、绿色VRP、新型交通工具VRP和算法的通用性.     

基于改进遗传算法的自动组卷问题的研究

自动组卷优化问题的研究,由于题库组卷的随机性,难度很大。针对传统遗传算法在自动组卷中存在的未成熟收敛和收敛速度慢等问题,为了快速可信地组卷,提出了一种改进的遗传算法。该算法采用模拟小生境法选择算子进行种群选取,并对交叉算子和变异算子进行了优化,实现了交叉和变异概率的非线性自适应调整。进行仿真实验,结果证明,改进的遗传算法在组卷的有效性、稳定性和收敛速度等方面有显著的提高,更能有效解决自动组卷问题,具有较好的使用性能和实用性,能够极大的满足用户组卷的需求。     

非线性约束优化问题的自适应差分进化算法

提出了一种非线性约束优化问题改进的自适应差分进化算法。该算法对差分进化算法中固定的加权因子和交叉概率因子进行改进;定义了约束违反度函数,将约束优化问题转化为无约束双目标优化问题,在每次迭代中按照约束违反度的大小保留一部分性能较优不可行粒子,有效地维持了种群的多样性;为了扩大粒子的搜索范围引入变异算子。数值实验表明,新算法具有较快的收敛速度和较好的全局寻优能力。     

处理动态优化问题的捕食元胞遗传算法

根据自然界中的捕食关系,提出一种捕食策略来代替元胞遗传算法中的演化规则,并构建了基于捕食策略的元胞遗传算法以处理动态环境下的优化问题.在元胞空间中,捕食者对其捕食范围内的被捕者进行猎取并捕获其中最弱的一个.对捕食策略中种群规模的相互关系进行了研究,通过引入正交交叉算子进一步提高了算法的搜索能力.选择不同强度、复杂度的动态优化问题进行算法性能验证,所得结果表明新算法具有良好的处理动态优化问题的能力.     

Large scale economic dispatch of power systems using oppositional invasive weed optimization

This paper presents an evolutionary hybrid algorithm of invasive weed optimization (IWO) merged with oppositional based learning to solve the large scale economic load dispatch (ELD) problems. The oppositional invasive weed optimization (OIWO) is based on the colonizing behavior of weed plants and empowered by quasi opposite numbers. The proposed OIWO methodology has been developed to minimize the total generation cost by satisfying several constraints such as generation limits, load demand, valve point loading effect, multi-fuel options and transmission losses. The proposed algorithm is tested and validated using five different test systems. The most important merit of the proposed methodology is high accuracy and good convergence characteristics and robustness to solve ELD problems. The simulation results of the proposed OIWO algorithm show its applicability and superiority when compared with the results of other tested algorithms such as oppositional real coded chemical reaction, shuffled differential evolution, biogeography based optimization, improved coordinated aggregation based PSO, quantum-inspired particle swarm optimization, hybrid quantum mechanics inspired particle swarm optimization, modified shuffled frog leaping algorithm with genetic algorithm, simulated annealing based optimization and estimation of distribution and differential evolution algorithm.     

基于粒子群遗传算法的智能组卷策略

在线考试摒弃了传统纸质考试固有的缺点,在网络教育领域里获得了非常广泛的应用。人工智能化考试组卷,是完成在线考试高效性的重要技术之一。组卷问题,是多发展目标的组合优化问题,一般来说具备数个解。人工智能算法对于寻找此类问题的最优解具有明显优势。本文首先分析和研究目前主流的智能组卷算法,并结合组卷的有关原理及数学实验模型,提出一种基于粒子群遗传算法的智能组卷策略,将群体中的粒子和个体极值、群体极值进行遗传算法中的交叉操作与粒子本身展开变异操作,同时通过自适应调节交叉概率和变异概率、分段实数编码等方式,提升算法性能。最后经过对比实验验证该算法的优势。