一种基于病毒原理的多种群遗传算法研究

病毒进化遗传算法是一种基于病毒原理的协同进化算法,通过病毒种群和宿主种群的分工协作,实现了继承信息在父代、子代群体间的纵向传递,同时也实现了进化基因在不同种群间的横向传播,有效解决了传统遗传算法在解空间的快速搜索与易陷入局部最优点的这对矛盾。该算法成功应用到旅行商问题并取得了令人满意的效果。     

共生进化算法母体选择策略性能研究及改进

轮盘赌在传统遗传算法中能加快进化速度和提高解质量,以共生进化算法求解一个复杂的柔性作业调度为例,跟踪共生种群进化过程。研究轮盘赌在以求得最优组合为目标的共生进化算法中对种群进化速度、种群多样性以及解质量的影响。为提高种群进化的解质量,引入了Worst策略。仿真实验表明,轮盘赌在共生进化算法中的应用不能促进解质量的提高,Worst策略能有效调节种群的进化速度并能提升解质量。     

基于构建基因库求解TSP问题的改进遗传算法

文章针对TSP问题设计了一种将基因库和遗传算法结合起来的新算法,该算法首先构建一个基因库,在单亲演化中利用基因库指导种群的进化方向,其次在此基础上采用单亲进化遗传算法中的基因重组操作,保留每次获得的最好解组成初始种群,最后采用顺序交叉算子进行群体演化。给出的实验结果显示,该算法所获得的解与最优解的相对误差都不超过2%,该算法的收敛速度和寻优能力明显优于该问题的单亲进化遗传算法。     

基于记忆库拉马克进化算法的作业车间调度

多种群遗传算法相比遗传算法在性能上能够有所提高,但对具有较多局部最优解的作业车间调度问题,多种群遗传算法仍然难以改善易陷入局部最优解和局部搜索能力差的缺点.因此,提出了一种求解作业车间调度问题的新算法MGA-MBL(multi-population genetic algorithm based on memory-base and Lamarckian evolution for job shop scheduling problem).MGA-MBL在多种群遗传算法的基础上通过引入记忆库策略,不但使子种群间的个体可以进行信息交换,而且有利于保持整个种群的多样性;通过构造基于拉马克进化机制的局部搜索算子来提高多种群遗传算法中子种群进化的局部搜索能力.由于MGA-MBL采用了全局寻优能力较强的模拟退火算法对记忆库中的个体进行优化,从而缓解了多种群遗传算法易陷入局部最优解的问题,并提高了算法求解作业车间调度问题的性能.对著名的benchmark数据进行测试,实验结果证实了MGA-MBL在求解作业车间调度问题上的有效性.     

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。     

一种新的优胜劣汰遗传算法

为防止进化种群早熟收敛，并考虑进化种群多样性与进化代数的关系，提出一种新的近亲交叉回避策略，该策略中实施亲交叉回避操作的下限随进化代数和种群平均海明距离变化，在此基础上提出一种新的优胜劣汰遗传算法，该算法能有效地避免近亲繁殖且体现了优胜劣汰思想，业已证明，提出的算法可以保证收敛到全局最优解，仿真结果表明，与简单遗传算法相比该算法是有效的。     

基于多种群的强者进化遗传算法

针对简单遗传算法存在的问题,提出了一种基于多个种群的强者进化遗传算法SEGA。该算法首先利用多个异构子种群并行进化的结果初步确定较好解(强者),然后按照新的强者变异算子进一步寻找最优解。仿真结果表明,该算法能够提高收敛的速度和稳定性。     

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。     

基于协同进化的自适应遗传算法研究

针对传统遗传算法易于陷入局部最优解,性能不稳定的问题,提出了一种基于协同进化的自适应遗传算法（CEAGA）。在协同进化的两层框架模型的基础上,引入一个自适应的变异策略,改进了协同进化遗传算法中的局部进化操作,加强了在上层中的局部搜索;在下层,在种群之间采用协同进化算法,克服未成熟收敛,在种群内部进化中引入自适应遗传操作,保护种群中的优秀个体。实验验证CEAGA既具有很快的收敛速度,又具有很好的全局搜索性能。     

基于协同进化遗传算法的模型拟合研究

普通遗传进化算法在解决模型拟合问题中,建模与优化顺序结构时优化效果有限、拟合速度慢、稳定性低。针对上述问题,提出基于协同进化遗传算法的模型拟合算法。该算法将建模与优化问题抽象成多种群间协同进化,通过种群间整体的适应度值交换,将种群关联起来,扩大智能算法建模过程中参数优化的时空作用范围。各种群间含有不同基因表达,在解决局部问题时具有自包含性,有利于更好地发挥各智能算法(遗传算法、遗传规划)的优势。实验结果表明,该算法的稳定性和收敛速度优于传统遗传进化算法。     

基于改进郭涛算法的CCEA函数优化问题

郭涛算法在求解函数优化问题方面具有独特的优势,其核心在于多父体杂交。鉴于郭涛算法只有杂交操作而没有变异操作,该文引入高斯正态分布变异算子,提高了对复杂问题的求解效率。分析合作式协同演化算法(CCEA),采用多种群相互作用协同进化的策略求解复杂问题。同时在合作式协同演化模型中引入了郭涛算法,求解复杂高维的函数优化问题。实验结果表明,该模型的效率优于其他模型。     

遗传算法及其工具箱在函数优化问题中的应用

函数优化是遗传算法的经典应用领域,也是对遗传算法进行性能评价的常用算例。由此,该文首先对遗传算法的基本原理和定义,以及其工具箱作了简介,最后结合实例,简述了遗传算法及其工具箱在函数优化问题中的应用。     

基于知识库求解TSP问题的改进遗传算法

旅行商问题是一个典型的、易于描述却难以处理的np完全问题,快速有效地解决旅行商问题具有重要的理论和实际意义。该文提出了一种改进的遗传算法求解旅行商问题。该算法将遗传算法和知识库结合起来,利用遗传算法全局搜索能力强和知识库具有存储记忆功能的特点,提高了遗传算法求解旅行商问题的效率。并通过实验数据对基本遗传算法和改进遗传算法的求解结果进行比较,证明改进遗传算法的可行性和有效性。最后给出了改进遗传算法的重要问题和新的研究方向。     

多约束条件下路由选择算法研究

采用遗传算法和蚁群算法相结合的融合算法，继承了遗传算法和蚁群算法的优点，在求精解效率上优于遗传算法，在时间效率上优于蚁群算法，能很好地实现多约束条件的最优路径计算，测试证明融合算法优化性能和时间性能都取得了很好的效果。     

遗传和模拟退火融合的软硬件划分

针对嵌入式系统软硬件划分问题,在比较了遗传算法（GA）和模拟退火（SA）各自优缺点的基础上,提出了采用遗传/模拟退火混合算法（GASA）的策略。该算法的核心思想是将模拟退火算法嵌入到遗传算法中,利用遗传优化算法的结果来制约模拟退火的随机状态产生,然后根据模拟退火算法的接受准则和随机状态产生函数来更新遗传算法的种群,从而最终得到最优解。与单纯的遗传算法和模拟退火算法进行对比实验,实验结果表明,GASA更有优势,得到的划分结果也更优秀。     

基于遗传粒子群算法的飞行冲突解脱

飞行冲突解脱是空中交通流量控制与优化调度中的难点。针对遗传算法求解多机飞行冲突存在搜索速度慢、易陷入局部最优与早熟收敛的问题,提出一种遗传粒子群算法解决多机飞行冲突。该算法综合遗传算法的全局搜索能力和粒子群算法的记忆功能与快速收敛特性,能够有效地解决遗传算法求解飞行冲突存在的不足。仿真验证了该算法能够得出较好的结果,无论是在搜索速度还是在求解精度上都有明显的提高。     

基于交互式遗传算法的个性化建筑物外观设计

交互式遗传算法通过交互式的手段以用户对个体的评估来替代传统遗传算法的适应度函数设计,在艺术创作、设计等偏向于人类主观感受的领域具有很高的应用价值和广泛的现实意义。该文提出并设计了一个面向建筑物外观设计的基于交互式遗传算法的建筑设计计算机辅助系统,通过交互式手段以用户对个体评估来替代传统GA对适应度函数值进行自动计算,将两个专业领域知识的结合和互补,为建筑设计人员能够更快、更好地满足客户提出的个性化要求提供帮助。该系统从应用层次验证了算法的可行性和实用性。     

量子遗传算法在TSP中的应用

本文提出了一种改进的量子遗传算法,其核心是对量子遗传算法中的量子旋转门的调整策略进行改进。在现有的静态、指数型动态调整策略的基础上提出了基于正弦函数的动态调整策略。文中对旅行商问题（TSP）的仿真实验结果表明：改进后的算法的优化质量和效率都优于遗传算法和一般量子遗传算法。     

一种基于混合遗传算法的车间调度算法

为了克服单独的遗传算法用于车间作业调度缺点,提出一种遗传算法与启发式算法结合的混合遗传算法,在运用该算法的过程中给出了适合的遗传操作和启发式规则的应用方法。结果表明：混合遗传算法优于两种单独的算法。