自适应引导进化遗传算法

该文提出一种自适应引导进化遗传算法。算法中采用佳点集方法产生初始种群,结合保留精英个体策略,对种群进行分割,各子种群并行交叉变异,且其中一个子种群为随机产生的。为提高算法收敛速度,分别对各子种群中较优个体进行优秀基因位统计,据此对其它个体采取一种自适应引导变异操作。通过将算法运行过程建模为有限齐次马氏链,证明了算法的全局收敛性和收敛快速性。实验结果表明,自适应引导进化遗传算法较其它的遗传算法在收敛速度和准确度上都有较大提高。     

改进的遗传算法在加速寿命试验设计中的应用

为了提高遗传算法的搜索效率和收敛速度,本文给出了一种新的改进的遗传算法。该算法采用对群的优化来保持种群的多样性,保留历史最优个体并定期替换最优个体从而使得个体优化,对交叉概率和变异概率采用自适应的概率进行优化。通过对目标函数的测试表明,将改进遗传算法与基本遗传算法相比较,在函数最优值,平均收敛代数方面取得了令人满意的效果。     

自适应免疫遗传算法在认知决策引擎中的应用

提出一种自适应免疫遗传算法,设计自适应免疫遗传算子。该算法利用交叉率和变异率自适应调整策略,既防止交叉变异中的个体退化,又保证种群的多样性,并能快速收敛到全局最优解。仿真分析表明,与遗传算法等其他算法相比,该算法具有收敛速度快、平均适应度高、稳定性好等优点,能满足认知引擎参数优化的需要。     

基于遗传算法的亚100nm SOI MOSFET模型参数提取

为了简化亚100nm SOI MOSFET BSIMSOI4的模型参数提取过程,实现全局优化,使用了遗传算法技术,并提出了保留多个最优的自适应遗传算法.该算法通过保留最优个体的多个拷贝,对适应度高和适应度低的个体分别进行诱导变异和动态变异,在进化起始阶段和终止阶段分别执行随机交叉和诱导交叉,既具有全局优化特性,又加速了局部搜索过程,提高了最终解的质量.不同种群数和进化代数条件下的参数提取实例表明,该算法提取精度高、速度快,全局优化稳定性好;适当增加种群数,有利于加速算法的全局收敛过程.     

改进的遗传算法在排课系统中的应用研究

针对排课系统中常用的遗传算法中存在影响排课因素多、难以进行最优组合及排课效率低等问题,提出了一种改进的遗传算法。在该算法中,主要对传统遗传算法中的编码方式、初始化种群方式、选择操作、交叉操作、变异操作及冲突检测方式进行改进。仿真测试结果表明,改进后的遗传算法在收敛速度和获得最优解方面都有了很大提高。     

蜜蜂进化型遗传算法

本文提出了一种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)以概率进行交叉操作,增强了对种群最优个体所包含信息的开采能力.为了避免算法过早收敛,在代进化过程中引入了一个随机种群,提高了算法的勘探能力.通过将该算法建模为齐次有限Markov链,证明了它的全局收敛性.实验结果表明,蜜蜂进化型遗传算法是一种提高遗传算法性能的有效改进算法.     

基于改进遗传算法的自动组卷问题研究

为了解决传统遗传算法在自动组卷中容易出现未成熟收敛和收敛速度慢等问题,提出了一种基于改进遗传算法的自动组卷方法。采用分段二进制编码策略,对每个子空间进行初始种群选择,保证了初始种群舍有丰富的模式,从而增加搜索收敛于全局最优的可能性。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随解的变化而自适应调整。实验结果表明,改进的遗传算法能有效地解决自动组卷问题,提高了收敛速度和组卷的成功率。     

基于遗传聚类算法的Web日志挖掘研究

K-均值聚类对初始聚类中心的选取较敏感,容易陷入局部最优.将改进的遗传算法与K-均值聚类相结合,以优化聚类中心.在种群进化过程中,父代个体均从种群中适应度高的个体中选择,同时,根据个体适应度动态调节交叉概率和变异概率,避免早熟现象.文中采用改进的遗传算法,对学院网站服务器上的Web日志进行用户和页面聚类,达到了很好的聚类效果.     

基于个体排序的自适应遗传算法

针对遗传算法容易陷入局部最优的缺点,文中提出了一种基于个体排序的自适应遗传算法。在传统自适应遗传算法中,交叉概率和变异概率的自适应更新是依据个体的适应度值进行的。但是在算法后期,由于种群陷入局部极值,使得值的差异变小,更新时难以体现个体差异。借鉴序优化的思想,在所提改进算法中,将个体适应度值排序,并采用排序号替代适应度值。这种采用序差异取代值差异的方法能够增大种群中、后期的交叉概率和变异率的值,有利于避免算法陷入早熟收敛。文中对几种标准的函数进行了测试,结果表明,改进后的算法在收敛速度和收敛精度方面优于其他两种自适应改进算法。     

多蜂群进化遗传算法

提出一种多蜂群进化型遗传算法。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）,以概率进行交叉操作,增强了对种群最优个体所包含信息的开采能力。为避免算法早熟,被选雄蜂部分来自于其他蜂群,同时引入蜂王对其他蜜蜂的抑制机制,以提高蜂群的生物多样性。实验结果表明,多蜂群进化遗传算法是一种提高遗传算法性能的有效改进算法。     

多个体参与交叉的Pareto多目标遗传算法

Pareto多目标遗传算法是利用Pareto最优的概念发展出的一种求解多目标优化问题的向量优化方法,能够得到Pareto最优解集.由于采用常规的两个体参与交叉的遗传算法,使整个算法耗费在小生境(Niche)算子上的时间太多,导致算法的效率较低.本文发展出多个体参与交叉的Pareto多目标遗传算法,群体中的个体采用真实值表示,使该算法的速度大大提高,同时证明了相应的模式定理,并提出用方差和熵来分析该算法对解群多样性的影响.最后用算例说明了采用多个体参与交叉的Pareto多目标遗传算法与常规算法比较的结果,证明了本文提出算法的优越性.     

一种矩形邻域结构的教学优化算法

为了克服原始教学优化算法在求解复杂多峰函数时全局寻优精度不高和过早收敛的缺点,提出一种矩形邻域结构和个体扰动的教学优化算法.算法将种群空间设计为矩形结构,个体的矩形邻域由矩形厚度和围绕其的矩形区域个体决定,教和学两个阶段都使用邻域最优个体引导搜索,加强了算法勘探新解和开发局部最优解的能力;为了防止算法过早陷入局部最优,增加了基于搜索边界信息引导的个体扰动阶段,使得种群即使在进化的后期仍能保持较好的多样性.对带有偏移和旋转的复杂函数进行仿真测试,结果表明新算法在求解精度和稳定性方面,在绝大多数情况下优于原始教学算法和其他一些近来的优秀改进教学算法.     

Design of a loaded monopole having hemispherical coverage using agenetic algorithm

A genetic algorithm is used to design a monopole loaded with a modified folded dipole so that it radiates uniform power over the hemisphere. Each of the wires that make up the antenna are given a range of possible lengths. The genetic algorithm randomly selects a sample population of possible antenna configurations from the total population of all configurations. The radiation pattern of each sample configuration is computed using the numerical electromagnetics code (NEC). The solutions are compared with the desired pattern and ranked in terms of performance. The best solutions are retained and mated with one another and the process is repeated until an optimal solution is obtained. The genetic algorithm quickly produced an antenna that has a nearly uniform power over the hemisphere. Although the antenna was designed to operate at a frequency of 1.6 GHz, it performed satisfactorily over the frequency range from 1.4 to 1.8 GHz. The antenna was fabricated and the computational results were verified experimentally. We have shown that the genetic algorithm is a very powerful tool for designing wire antennas; it is expected that this process can be used to design any antenna that can be analyzed using an electromagnetic code     

基于改进鲸鱼优化策略的贝叶斯网络结构学习算法

针对当前贝叶斯网络结构学习算法易陷入局部最优和寻优效率低的问题,该文提出一种基于改进鲸鱼优化策略的贝叶斯网络结构学习算法。该算法首先提出一种新的方法建立较优的初始种群,然后利用不产生非法结构的交叉变异算子构建适用于贝叶斯网络结构学习的改进捕食行为,同时采用动态调节参数增强算法个体寻优的能力,通过适应度排序更新种群,最终获得最优的贝叶斯网络结构。仿真结果表明,该算法具有全局收敛性,寻优效率高,精确率高于其它同类优化算法。     

改进的遗传算法在(N+M)容错系统优化中的应用

根据(N M)容错控制系统模型高度非线性和复杂性的特点，尝试用一种改进的遗传算法来实现对此类复杂模型的优化求解。模拟退火和分层遗传算法是2种较好的改进遗传算法性能的方法，通过对其进行研究，将这两种思想有机地结合起来，提出了一种基于模拟退火机制的分层遗传算法。该算法以分层遗传算法流程作为主体流程，把模拟退火机制融入其中，用以调整优化群体。并将他应用于(N M)容错系统的数学模型的优化。仿真结果表明，该算法与传统遗传算法相比，不仅能增强算法的全局收敛性，还能加快遗传进化速度，得到满意的全局最优解。     

基于自适应免疫遗传算法的多序列比对

针对多序列比对问题提出一种基于自适应免疫遗传算法的多序列比对方法。为了保持群体中个体的多样性，以及加快算法的收敛速度，该算法中交叉概率和变异概率根据群体的多样性自适应调整，并且在选择免疫算子时采用择优策略，将免疫算子引入到自适应遗传算法中，通过对个体接种疫苗来进一步提升个体的存活能力。     

基于蚁群算法的测试集优化

电路集成度和复杂度的不断增加使电路故障诊断变得愈加困难.其中,测试集优化问题是电路故障诊断的关键问题之一.本文以新颖的蚁群算法为基础,较好地解决了测试集的优化问题,并通过实验证明了该算法的良好性能.     

Genetic-algorithm-based reliability optimization for computernetwork expansion

This paper explains the development and implementation of a new methodology for expanding existing computer networks. Expansion is achieved by adding new communication links and computer nodes such that reliability measures of the network are optimized within specified constraints. A genetic algorithm-based computer network expansion methodology (GANE) is developed to optimize a specified objective function (reliability measure) under a given set of network constraints. This technique is very powerful because the same approach can be extended to solve different types of problems; the only modification required is the objective function evaluation module. The versatility of the genetic algorithm is illustrated by applying it to solve various network expansion problems (optimize diameter, average distance and computer network reliability for network expansion). The results are compared with the optimal solutions computed using an exhaustive search of complete solution space. The results demonstrate that GANE is very effective (in both accuracy and computation time) and applies to a wide range of problems, but it does not guarantee the optimal results for every problem