求解TSP的启发式顺序交叉算子

旅行商问题是经典的NP难组合优化问题之一.在用遗传算法求解旅行商问题时,顺序交叉算子是一种较为常用的遗传交叉算子.使用顺序交叉算子时的交叉点位置是随机指定的,不能反映关键遗传信息,导致算法执行效率较低.在顺序交叉算子的基础上,提出了一种启发式顺序交叉算子.该算子结合顺序交叉算子和启发式算法以得到双亲中交叉点位置,保留了双亲中关键的城市顺序信息.该算子改善了使用顺序交叉算子执行效率低的问题.实验结果表明了该算子的有效性.     

一种求解旅行商问题的贪婪边重组交叉算子

提出了一种新的求解旅行商问题的贪婪边重组交叉算子。该交叉算子吸取了边重组交叉算子的优点,使得父代在进化过程中获得的优良的边能顺利地遗传给子代。同时,在边重组的过程中,该交叉算子引入所求旅行商问题的具体信息以指导新边的生成,从而该交叉算子具有贪婪特征。实验结果表明:对于简单的旅行商问题,贪婪边重组交叉算子能显著提高算法效率;对于大规模的旅行商问题,该交叉算子的效果也较理想。     

旅行商问题的动态顺序插入交叉算子的研究

针对旅行商（TSP）问题的特点,在遗传算法的交叉过程中对边的邻接状况采用了新的评价标准,结合顺序交叉算子和贪婪策略设计提出了一种新的交叉算子：动态顺序插入交叉（DOIC）算子。该算子有效地利用了局部信息,并且能很好地继承父代优秀的基因段,实例仿真表明了该算子的有效性。     

一种基于有向交叉的遗传算法

从解空间的角度分析了交叉算子的作用,针对其盲目搜索的缺陷.提出一种有向交叉遗传算子.该算子通过优化控制交叉子代的落点位置.使交叉子代大概率地朝着最优解的方向进化.实验表明,该算子显著地加快了遗传算法的寻优速度.提高了遗传算法定位最优解的精度.     

基于工件位置交叉算子的车间作业调度算法

交叉算子是遗传算法中最主要的遗传算子,对种群的搜索性能起着重要的作用。基于操作编码的遗传算法多采用两点交叉算子,研究发现这种交叉算子收敛速度慢,容易陷入局部最优解,为此设计了一种基于工件位置的交叉算子,通过试验仿真验证了该算子在收敛速度和求全局最优解上有显著优势。     

一种基于基因重组策略的遗传算法

为了克服标准遗传算法的早熟现象,提高遗传算法的全局收敛性,文章提出了一种基于基因重组策略的遗传算法,该算法定义了一种新的交叉算子,即移位逻辑交叉算子(包括循环移位交叉算子和洗牌移位交叉算子),用它们对染色体的部分基因实现有规律的重组。实验结果表明,该算法比经典的遗传算法具有更好的收敛性和稳定性。     

基于基因重组原理的遗传算法

为了克服标准遗传算法的早熟现象,提高遗传算法的全局收敛性,提出了一种基于基因重组原理的遗传算法。定义了新的反向逻辑交叉算子和随机逻辑交叉算子,用它们对染色体的部分基因实现交叉重组。实验结果表明,该算法比经典的遗传算法具有更好的收敛性和稳定性,其中随机移位逻辑交叉算子可看成是蝶形移位逻辑交叉算子和洗牌移位逻辑交叉算子的推广,从而推广了文献[2]的结果。     

智能交叉算子遗传算法的新机制

分析了传统遗传算法中的交叉算子的作用与局限,认为正是交叉算子被赋予两个互相矛盾的任务,而使传统遗传算法的运行机制变得复杂。对交叉算子的功能进行简化,提出智能交叉算子,形成新的、简单的遗传运行机制。该机制认为,进化是由环境与个体共同实现的。基于这种思想,利用MATLAB编写了一个智能交叉遗传算法工具箱,并对该工具箱进行数值试验。结果表明该算法具有非常精确的全局求优的特点,克服了早熟收敛,且收敛速度较快。     

一种新的多父辈交叉遗传算法

提出了一种新的多父辈交叉遗传算法.该算法引入了父代数量自适应调节机制,使得交叉操作的父代数量自适应地收敛到一个合适的值,以克服多父辈遗传算法对于父辈数量的敏感性.该算法还采用了评价值加权的多父辈交叉算子.该算子是单点交叉、两点交叉、多点交叉、均匀交叉、算术交叉以及多父辈频率扫描交叉等算子的概括和推广,具有凸空间封闭特性,可以保证子代个体的合法性.在经典测试函数集上的实验结果验证了本算法的可行性.     

一种基于有向交叉的遗传算法

从解空间的角度分析了交叉算子的作用,针对其盲目搜索的缺陷,提出一种有向交叉遗传算子.该算子通过优化控制交叉子代的落点位置,使交叉子代大概率地朝着最优解的方向进化.实验表明,该算子显著地加快了遗传算法的寻优速度,提高了遗传算法定位最优解的精度.

     

一种变形杂交算子——轮转杂交算子

杂交算子是遗传算法的三个基本算子之一,它在改进解群质量方面发挥着重要作用。现有遗传算法的杂交算子通常选择两个个体组成母本进行杂交运算。该文提出了一种选择三个个体组成母本进行轮转杂交的思想,文章称这种新的杂交算子为轮转杂交算子。首先通过理论分析证明,它能够扩大遗传算子搜索子空间,使收敛结果更趋于最优解。然后将其用于分布式系统任务调度问题,模拟结果说明是可行的。     

交叉算子的极限一致性

交叉算子是遗传算法的主要操作算子之一，它使遗传算法具有了其它传统方法所没有的特性，并于它的理论研究对深入理解遗传算法具有重要意义，该文对遗传算法中常用的交叉算子（一点交叉算子、两点交叉算子、多点交叉算子和一致交叉算子）的性质进行了分析，综合考虑了交叉算子色全的双重作用，给了染色体在各种交叉算子作用下的变化规律，并得到了模式变化的极限性能，证明了这些交叉算子的极限一致性，即这些交叉算子在演化代数趋于无穷时对染色体的作用结果是一致的，同时对各自不同的收敛特点进行了分析，这些分析结果不仅UMDA等算法提供了一定的理论依据。也为今后的研究工作提供了基础。     

Crossover in Grammatical Evolution

We present an investigation into crossover in Grammatical Evolution that begins by examining a biologically-inspired homologous crossover operator that is compared to standard one and two-point operators. Results demonstrate that this homologous operator is no better than the simpler one-point operator traditionally adopted.An analysis of the effectiveness of one-point crossover is then conducted by determining the effects of this operator, by adopting a headless chicken-type crossover that swaps randomly generated fragments in place of the evolved strings. Experiments show detrimental effects with the utility of the headless chicken operator.Finally, the mechanism of crossover in GE is analysed and termed ripple crossover, due to its defining characteristics. An experiment is described where ripple crossover is applied to tree-based genetic programming, and the results show that ripple crossover is more effective in exploring the search space of possible programs than sub-tree crossover by examining the rate of premature convergence during the run. Ripple crossover produces populations whose fitness increases gradually over time, slower than, but to an eventual higher level than that of sub-tree crossover.     

交叉算子与免疫算子的作用比较

通过应用免疫原理设计免疫算子对交叉结果进行修复,将免疫算子作为“有导向的变异算子”取代经典演化算法中的“盲目的变异算子”,可以有效抑制优化过程中的退化现象。该文以旅行商问题为例,通过设置不同的交叉概率和免疫概率,对免疫遗传算法中交叉算子和免疫算子的作用进行研究。实验结果表明,交叉算子的作用在于保证候选解的多样性和建设性（将局部近似最优解组合成全局近似最优解）;而免疫算子的作用则是对候选解进行局部优化,二者的结合体现了搜索过程中勘探与开采的统一。     

多亲杂交算子及其在连续优化中的应用

提出了一种新的杂交算子,即基于邻域的多亲杂交算子,这种算子不仅呈现出多亲杂交的形式,而且内在隐含变异算子的特征。另一方面,为了加快收敛速度,引入了一种自适应的机制根据演化的进度调整邻域范围。实验表明,使用该算子的实数编码遗传算法在优化高维连续函数时是可行而有效的,尤其在BUMP问题的求解上有较大突破。     

A new crossover operator in genetic programming for object classification.

The crossover operator has been considered "the centre of the storm" in genetic programming (GP). However, many existing GP approaches to object recognition suggest that the standard GP crossover is not sufficiently powerful in producing good child programs due to the totally random choice of the crossover points. To deal with this problem, this paper introduces an approach with a new crossover operator in GP for object recognition, particularly object classification. In this approach, a local hill-climbing search is used in constructing good building blocks, a weight called looseness is introduced to identify the good building blocks in individual programs, and the looseness values are used as heuristics in choosing appropriate crossover points to preserve good building blocks. This approach is examined and compared with the standard crossover operator and the headless chicken crossover (HCC) method on a sequence of object classification problems. The results suggest that this approach outperforms the HCC, the standard crossover, and the standard crossover operator with hill climbing on all of these problems in terms of the classification accuracy. Although this approach spends a bit longer time than the standard crossover operator, it significantly improves the system efficiency over the HCC method.     

Theoretical analysis of evolutionary algorithms with an infinitepopulation size in continuous space. Part II: Analysis of thediversification role of crossover

For pt. I see ibid., p. 102-19. In this part of the paper the authors concentrate on the unique diversification role of the crossover operator in genetic algorithms. The explorative behavior of a generic crossover operator is revealed through a detailed large-sample analysis. Recursive equations for the population distributions are derived for a uniform crossover operator in multi-dimensional continuous space, showing how the crossover operator probes new regions of the solution space while keeping the population within the feasible region. The results of this analysis can be extended to the setting of a discrete space in a straightforward manner, shedding much light on the understanding of the essential role of crossover in genetic algorithms.     

交叉位置非等概率选取的遗传算法

以遗传算法应用中普遍采用的二进制编码为前提，分析了交叉位置等概率选取交叉操作对遗传算法寻优的不利影响，并提出交叉位置非等概率选取的交叉操作方法，利用该交叉操作算子的遗传算法具有较好的收敛性能。     

一种改进的TSP启发交叉算子

旅行商问题（TSP,Traveling Salesman Problem）是一种经典的NP组合优化问题。遗传算法在求解这类组合问题方面明显优于传统算法,同时也提出了许多求解较好路径的交叉算子。在对比分析唐立新提出的两种启发式交叉算法的基础上,提出了一种新的交叉算子。该算子通过判断父代的城市是否相邻来保存有效基因片断,通过加入一个移动的窗口来加快算法收敛。实验结果表明了该算子的有效性。