遗传算法中防止早熟收敛的几种措施

遗传算法在众多领域都有广泛的应用,但早熟现象是影响遗传算法的关键问题,本文对防止早熟收敛作了深入的研究。提出了几种克服这种缺点的措施。     

一种解决早熟收敛的自适应遗传算法设计

为了解决简单遗传算法(SimpleGeneticAlgorithm,SGA)易陷入局部最优解的问题,及以往自适应遗传算法只考虑与进化代数相关的交叉与变异概率,而忽略个体分布情况及种群规模不可变等问题,本文在保留以往自适应遗传算法优点的同时,设计了与种群中个体分布相关的可变交叉概率与变异概率。同时考虑了种群规模的波动情况,使算法在相对稳定的动态种群规模中寻找优质解。     

一种避免早熟收敛的改进遗传算法

针对传统遗传算法的早熟收敛问题,在著名的“基因块“假设的基础上,提出了一种改进算法:利用设计的新算子对传统遗传算法演化过程中被淘汰的个体进行二次演化,使得可能包含在将来的演化中对结果的全局最优性产生重要影响的基因块得以保留,以此来避免遗传算法早熟收敛现象。实验结果证明了该改进算法可以有效地避免早熟收敛,提高了算法全局优化能力。     

一种新的基于混沌变异解决早熟收敛的遗传算法

给出解决遗传算法早熟收敛问题的统一框架,基于新的混沌变异模型提出一种新的遗传算法。该算法充分利用混沌的初值敏感性和轨道遍历性,克服了已有混沌变异模型存在搜索盲区大的缺点。多峰值函数优化计算结果验证了该算法的可行性和有效性。     

解决一类遗传算法早熟收敛的混合法及其推广

本文分析了变型标准遗传算法ＶＣＧＡ（ｖａｒｉａｎｔｓｏｆｃａｎｏｎｉｃａｌｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓ）有时会产生早熟收敛的机理,提出了混合法ＨＶＣＳＤＡ（ｈｙｂｒｉｄＶＣＧＡｃｏｍｂｉｎｅｄｗｉｔｈｓｔｅｅｐｅｓｔｄｅｓｃｅｎｔａｐｐｒｏａｃｈ）,并进行了推广．该方法可使最优保存的超级个体时间序列离开早熟收敛状态而继续接近全局最优解．仿真实例表明了本文算法的有效性．在３０城市ＴＳＰ（ｔｒａｖｅｌｉｎｇｓａｌｅｓｍａｎｐｒｏｂｌｅｍ）的基准测试问题中,本文得到了路径为６．８２的结果,它好于用新的现代的启发式搜索方法——ＴＡＢＵ搜索法得到的６．９９的结果．     

一种改进的抑制早熟收敛的模糊遗传算法

针对遗传算法中的早熟收敛现象,提出一种改进的模糊遗传算法。该算法将群体适应度均方差和种群的进化代数作为模糊逻辑控制器判断早熟收敛的标准,并根据判断结果对优劣不等的个体采取相应的进化方法,即当种群正常进化时对个体执行“惩强扶弱”的措施以保持种群多样性,一旦发生早熟收敛或有早熟收敛的趋势则对劣质个体进行局部灾变,以恢复种群的进化能力。实验结果表明,与标准遗传算法、自适应遗传算法和模糊遗传算法相比,改进的模糊遗传算法能够更好地维持种群多样性,抑制早熟收敛。     

基于亲缘选择的遗传算法

针对传统遗传算法容易陷入局部最优解的缺陷,借鉴生物中亲缘选择的思想,提出基于亲缘选择的遗传算法。该算法构造新选择算子,通过按亲缘关系放弃一个解而获得另一个解来保证算法在最优解的领域内的有效搜索,提高遗传算法对全局最优解的搜索能力和收敛速度。仿真结果表明,该算法正确有效,性能优于现有的传统算法。     

一种种群自适应收敛的快速遗传算法

作为一种全局搜索算法,遗传算法的局部搜索能力较低,后期产生的无效进化与早熟收敛影响优化的速度和精度。已有的改进策略多以算法的时间复杂度为代价提高后期效率,严重限制了遗传算法在工业控制系统中的应用。针对这种情况,提出了一种新型种群自适应收敛的快速遗传算法,即通过提高种群的遗传质量,在严格控制算法复杂度的前提下提高优化性能。仿真结果证明,在不增加时间复杂度的前提下,新算法显著地提升了收敛精度和收敛速度。     

一种改进的抑制早熟收敛的遗传算法

针对遗传算法运算速度低、容易陷入局部最优值、早熟收敛等缺点,提出了遗传算法算子的一些改进策略,对遗传算法的选择、交叉、变异算子以及操作方法进行了改进,采用最佳保留选择策略,改进后的交叉与变异操作,使算法始终保持了种群的多样性,同时也提高了寻优最终结果的精确性.实验表明改进的遗传算法有效的改善了遗传算法的缺点,改进后的算法明显优于传统的遗传算法,该算法具有良好的有效性和可行性.     

一种快速收敛的遗传算法

本文针对传统遗传算法收敛速度慢的缺点，提出了一种改进的快速收敛算法，并以八皇后问题为例进行了数值模拟，实验结果表明这种改进的遗传在收敛速度上大大优于传统遗传算法。     

Estimation of selection efficiency from the increment of adaptation

A genetic algorithm is proposed that uses not the adaptation (fitness) itself but the increment of adaptation during selection. The algorithm proposed makes it possible to avoid the premature convergence of computations. The efficiency of the algorithm is experimentally estimated. __________ Translated from Kibernetika i Sistemnyi Analiz, No. 3, pp. 70–75, May–June 2006.     

应用逻辑操作改善遗传算法性能

从理论上分析了传统变异算子存在的不足,借鉴数字技术的有关原理为基因增添了逻辑表达能力,引入逻辑运算规则改进的了传统的遗传算法 子,实验结果表明,改进型遗传算法收敛速度快,克服早熟能力强。     

联姻遗传算法在CSTR 系统中的应用

将基于联姻遗传算法的模型参考自适应控制方法引入连续搅拌反应釜这一复杂的非线性系统,通过运用新型的联姻遗传算法对控制系统的PID参数进行在线调整,使模型参考自适应控制达到理想的控制效果。仿真结果表明了该方法的良好控制性能。     

Two-Loop Real-Coded Genetic Algorithms with Adaptive Control of Mutation Step Sizes

Genetic algorithms are adaptive methods based on natural evolution that may be used for search and optimization problems. They process a population of search space solutions with three operations: selection, crossover, and mutation. Under their initial formulation, the search space solutions are coded using the binary alphabet, however other coding types have been taken into account for the representation issue, such as real coding. The real-coding approach seems particularly natural when tackling optimization problems of parameters with variables in continuous domains.A problem in the use of genetic algorithms is premature convergence, a premature stagnation of the search caused by the lack of population diversity. The mutation operator is the one responsible for the generation of diversity and therefore may be considered to be an important element in solving this problem. For the case of working under real coding, a solution involves the control, throughout the run, of the strength in which real genes are mutated, i.e., the step size.This paper presents TRAMSS, a Two-loop Real-coded genetic algorithm with Adaptive control of Mutation Step Sizes. It adjusts the step size of a mutation operator applied during the inner loop, for producing efficient local tuning. It also controls the step size of a mutation operator used by a restart operator performed in the outer loop, for reinitializing the population in order to ensure that different promising search zones are focused by the inner loop throughout the run. Experimental results show that the proposal consistently outperforms other mechanisms presented for controlling mutation step sizes, offering two main advantages simultaneously, better reliability and accuracy.     

遗传算法的一个调节算子研究

虽然遗传算法在许多领域获得了成功应用，但它本身存在不成熟的过早收敛问题是影响其发展的中的课题，本文通过对遗传算法要理的分析和认识，给出了遗传算法早熟现象产生的原因是模式缺少，并提出了一个在遗传算法中在于模式抽取和模式补偿的调节算子以解决早期现象，最后给出了运算实例证明该算子是有效的。     

基于寿命的变种群模糊遗传算法

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点，提出了一种种群数变化的模糊遗传算法．该算法对进化种群数进行宏观调控的同时，再用个体寿命限制个体的生存期，实现对种群数的微观调控．并采用模糊控制器控制交叉率，使其能够根据进化的实际情况自动调整．实验数据表明这种方法能够有效防止早收敛，大大改善遗传算法收敛性能．     

遗传算法及其研究进展

叙述标准遗传算法的基本原理,讨论遗传算法在解决各种复杂问题时存在的缺陷,并总结了相应的解决方案。     

遗传算法中自适应的比例选择策略

基于适应度比例的选择策略是遗传算法的基本选择方法,但采用该策略易出现未成熟收敛和随机漫游现象。通过实验分析了两种现象的成因,提出采用自适应的比例选择策略来依据种群性状的改变而动态地调整选择压力,进而调整算法求精和求泛能力的平衡。分析和对比实验证实,新的选择策略可有效克服未成熟收敛和随机漫游现象。     

一种新的进化计算算法模型--种群竞争消亡算法

为克服进化计算自身的早熟收敛缺陷,受自然界和人类社会进化现象的启发,文中研究得到了一种新的进化计算算法模型——种群竞争消亡算法。本文将该模型应用于温室作物生长模型的参数优化,并将试验结果与基本进化计算相比较,结果说明种群竞争消亡算法在稳定性和收敛性上确实比基本进化计算优越。     

基于混合粒子群算法的高维优化问题求解

为解决高维复杂函数的优化问题，克服标准粒子群算法早熟收敛、局部搜索能力弱等缺点，在标准粒子群优化算法中融合了遗传算法的设计思想，提出了一种新颖的混合粒子群算法。高维函数个别维上的差解导致算法最终无法找到全局最优解，而通常的优化算法很难寻找到每一维上的最佳值。受遗传算法思想的启发，在粒子的进化过程中，通过对最优粒子的每一维进行评价，找到导致最终解质量差的维度，对其维上的数据进行变异，进而有针对性地改进，寻找到每一维上的最佳位置。对典型高维复杂函数的仿真表明：算法在求解质量和求解速度两方面都得到了好的结果。