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。     

改进遗传算法在自动组卷中的应用研究

为了避免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弱点,根据群体适应值的分布特点,采用了基于小生境的改进自适应遗传算法。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。改进后的算法明显提高了组卷的成功率和收敛速度,取得了满意的组卷效果。     

前馈补偿和自适应遗传算法的空调系统优化

变风量空调系统本身存在多变量、非线性、强耦合等问题,基本遗传算法很难起到很好的控制效果,将自适应遗传算法应用到变风量空调系统的实际控制过程中.针对基本遗传算法的缺陷,采用自适应遗传算法进行弥补,主要从种群分析、个体适应度值缩放方法、交叉概率和变异概率的自适应调整,保留优良个体这四个方面进行改进,提高了算法的运行效率和收...     

模糊自适应遗传算法

针对标准遗传算法在实际应用中存在的早熟问题,设计了标准遗传算法的一种改进形式--模糊自适应遗传算法.该算法是利用种群的方差和熵来衡量种群多样性,并根据每代种群的方差和熵设计模糊推理系统来自适应控制交叉概率和变异概率.通过多峰函数优化问题的仿真实验,表明了该模糊自适应遗传算法的可行性和有效性.     

基于熵的自适应变异的粒子群优化算法

在研究标准粒子群算法原理的基础上,提出了一种基于熵的自适应变异粒子群优化算法.此算法利用熵来评价种群的多样性,并根据种群的多样性自适应地调整变异概率和变异算子,进而利用变异操作丰富种群多样性,扩大搜索空间,避免陷入局部最优.将改进后的算法运用常见的几个测试函数进行了寻优仿真,仿真结果表明了基于熵的自适应变异粒子群优化算法的可行性和有效性.     

图像关联规则挖掘研究*

介绍了图像关联规则的相关概念,描述了传统的双种群遗传算法的执行过程;针对采用固定染色体交叉概率和染色体变异概率容易出现早熟、收敛速度较慢等问题,设计出了能自适应调整的染色体交叉算子和变异算子。最后将改进后的双种群遗传算法成功地运用到Landsat卫星遥感图像,实现了图像关联规则的提取,为退耕还林决策提供了有力的依据。     

基于自适应进化神经网络算法的入侵检测

针对目前多数入侵检测系统的低检测率问题,提出一种自适应进化神经网络算法AENNA。基于遗传算法和BP神经网络算法,利用模拟退火算法的概率突跳和局部搜索强的特性对遗传算法进行改进,采用双种群策略的遗传进化规则实现BP神经网络权值和结构的双重优化;通过对遗传算法的交叉算子与变异算子的改进,设计一种自适应的神经网络训练方法。实验结果表明,基于AENNA的入侵检测方法能够有效提高系统的检测率并降低误报率。     

自适应变异遗传算法及其应用

为了改善变异操作在遗传算法中的作用,提出自适应变异遗传算法,其变异操作能根据种群进化代数和个体的适应度值自适应地确定每个个体的变异概率,从而在保留遗传算法当前最优解的同时,维持了群体的多样性,提高了算法的全局搜索能力.与传统遗传算法相比,自适应变异遗传算法的离线性能和在线性能都有较大的改善.本文在实际应用中,将自适应变异遗传算法应用于估计动力学参数取得了较好的结果.     

虚拟企业伙伴选择的双种群自适应遗传算法

针对虚拟企业伙伴选择这一多目标优化问题,采用理想点法将其转换为多个单目标问题,并应用双种群自适应遗传算法进行问题求解。该算法涉及两个种群和自适应交叉、变异概率。在遗传过程中,每个种群的个体都根据适应度自动选择其交叉和变异概率,使个体对环境变化具有自适应调节能力;在一代遗传完成后,种群间交换优秀个体携带的遗传信息,以增加种群的多样性,避免陷入局部极值。通过算例,证实了该算法能很好地解决虚拟企业伙伴选择这一多目标优化问题。     

带密度加权的自适应遗传算法

为了改善传统自适应遗传算法收敛速度慢、易陷入局部最优解的情况,提出了带密度加权的自适应遗传算法. 该算法基于种群的分布密度,动态调整遗传算法的交叉概率和变异概率,并且在算法中使用了保留最佳个体法. 实验结果表明：该算法在破坏种群局部稳定性、跳出局部极值的同时,又能以较快的速度收敛于全局最优,提高了算法的实用性和鲁棒性.     

基于模糊遗传算法的神经模糊控制器的综合优化

针对遗传算法的特点，提出一种用模糊控制的方法来调整交叉概率和变异概率的改进模糊遗传算法及其算法结构，并将其应用于神经模糊控制器的综合优化设计。在以二阶模型为控制对象的仿真结果表明，此种模糊遗传算法不仅加快了解的收敛速度，而且大大提高了解的质量。     

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。     

基于捕食搜索策略的遗传算法研究

针对标准遗传算法易陷入局部最优而出现早熟,提出了一种基于捕食搜索策略的遗传算法。该算法在进化中模拟动物捕食搜索的过程,并根据种群中个体最优适应值来动态改变交叉和变异概率,从而加强算法的全局搜索和局部优化的能力。仿真实验表明该算法是有效的。     

基于改进的遗传算法在函数优化中的应用

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点,提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率;为了加快寻优效率,在选择算子方面将引进的选择算子与最优保存策略相结合;为了使遗传操作过程中种群数量恒定,又提出了保留亲本的策略。通过仿真实验发现,与经典遗传算法GA和IAGA相比,改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。     

小生境自适应遗传模拟退火智能组卷策略研究

为了提高智能组卷质量,提出一种基于小生境自适应遗传模拟退火算法的智能组卷策略.该算法动态调整交叉和变异概率进行遗传操作,对中间种群进行小生境选择和模拟退火操作,从而增强了种群多样性,有效克服了遗传算法局部收敛和早熟的缺点.文章针对各约束条件建立了组卷数学模型,给出了基于期望平均分的难度分布函数和小生境自适应遗传模拟退火组卷模型.大量测试数据表明,该方法是一种有效可行且实用的组卷方法.     

改进的自适应遗传算法医学图像配准研究

研究图像配准精度问题。图像配准技术一直被广泛应用在医学图像和遥感图像等众多领域,由于不同的模式设备对人体内的组织会存在不同的灵敏度和分辨率,造成了图像的分辨率不同,而传统的配准算法对于具有不同的分辨率的图像配准的精度度难以提高。为此提出了一种将改进的自适应遗传算法并应用到图像配准的优化过程中,该算法首先采用进化前后期分别调整交叉概率和变异概率来克服传统遗传算法容易陷入局部最优的缺点,同时采用了刚体旋转方法对图像进行旋转匹配,使得图像可以进行局部的匹配。仿真结果表明了该算法有效的提高了图像配准的精确度,验证了该算法是一种可行性有效的图像配准算法。     

变异区间自适应调整的遗传算法

在对遗传算法进化概率进行深入分析的基础上,提出了变异区间随演化进程自适应调整的遗传算法,旨在通过变异区间的自适应调整提高遗传算法的性能。实验结果表明变异区间自适应调整的遗传算法不仅比基本遗传算法有更快的收敛速度,而且有更高的求解精度。     

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。     

一种基于混沌搜索的自适应入侵遗传算法

将生物系统中“入侵”的概念引入遗传算法,提出了一种基于混沌搜索的自适应入侵遗传算法。该算法动态地引入入侵种群,并采用混沌搜索产生入侵个体。入侵种群的扩散使优良基因得以在个体间传播,优化了种群的基因构成,能够促使种群跳出局部最小,并向全局最优的方向进化,从而有效地避免了遗传算法的早熟现象。将该算法用于函数优化及解决模式分类问题的神经网络参数训练,实验结果表明,该算法具有较快的收敛速度和较强的寻优能力。     

求解车间作业调度问题的一种改进遗传算法

针对标准遗传算法收敛速度慢和易陷入局部最优的问题,在总结已有经验的基础上对标准遗传算法提出改进:采用基于工序的编码、解码方式,每一次遗传操作后对种群采用循环选择并保留最优个体,对交叉操作和变异概率的计算提出了一系列改进方法,避免遗传算法产生无用解或陷入局部优化,以提高效率。通过实验验证,改进后的算法具有可行性,并且可以得到十分满意的结果。