基于单纯形的小生境混合遗传算法

总结单纯形搜索算法的核心思想.然后提出单纯形交叉方向算子和最优小生境、次差小生境与最差小生境3个概念.在最优小生境中采用单纯形搜索算法得到局部极值,在最优小生境与次差小生境之间用单纯形交叉方向算子产生优秀个体,而在最差小生境中采用受限单纯形搜索产生优秀个体,从而构成基于单纯形的小生境混合遗传算法SimplexNich-HGA.最后用SimplexNiche-HGA、单纯形混合遗传算法Simplex-HGA 以及基本遗传算法SGA求函数Rosenbrock的极值,并进一步用SimplexNiche-HGA和Simplex-HGA 求多峰值函数Shubert的极值,验证算法的正确性和求多峰值函数的极值的效率.     

基于单纯形算子的混合遗传算法

通过遗传算法（GA）与传统单纯形搜索法相结 合,并基于对遗传算法算子计算结构的调整,提出一种针对非线性规划问题的新算法——基 于单纯形算子的混合遗传算法（HGA）,仿真结果验证了这种新算法的有效性和合理性．     

柔性多面体搜索算法在遗传算法中的综合应用研究

首先分析了柔性多面体搜索算法和基本遗传算法两者结合的基础，提出了柔性多面体方向进化算子和柔性多面体交叉算子，以这两个新的遗传操作算子和柔性多面体搜索算法为基础，提出了两种新的混合遗传算法FP-HGA(Ⅰ)、FP-HGA(Ⅱ).在FP-HGA(Ⅰ)中，嵌入了柔性多面体方向进化算子和柔性多面体搜索算法；在FP-HGA(Ⅱ)中，嵌入了柔性多面体交叉算子，用FP-HGA(Ⅰ)、FP-HGA(Ⅱ)及SGA(Simple Genetic Algorithm)来求解Rosenbrock测试函数的最小值，FP-HGA(Ⅰ)和FPHGA(Ⅱ)算法和SGA算法的计算结果表明该混合遗传算法在收敛速度和精度方面均得到很大提高．     

一种基于单纯形搜索的粒子群优化算法

为了改善粒子群优化算法的求解性能,提出了一种基于单纯形搜索和粒子群优化的混合算法。该算法一方面自适应地确定惯性权重、认知以及社会参数来达到免参数目的,另一方面利用单纯形搜索来引导部分粒子的搜索方向,从而加速算法收敛。数值实验结果表明,与传统的粒子群算法和其他基于单纯形的粒子群算法相比,提出算法在评估次数、求解精度方面表现良好。     

柔性多面体在遗传算法中的应用研究(Ⅰ)

文章提出了一种柔性多面体的方向进化算子,并在基本遗传算法中嵌入柔性多面体搜索算法,从而构成了一种基于柔性多面体的新的混合遗传算法(flexble polyhedron hybrid genetic algorithm,FP_HGA).方向进化算子紧跟基本遗传算法的变异操作之后,其作用是使适应度较低的个体向适应度较高的个体进化;柔性多面体局部搜索算法作用是对当前代所有新个体在进入到下一代之前,使它移动到局部最优点.并用FP_HGA来求解Rosenbrock测试函数的最小值,FP HGA算法和SGA(Simple Genetic Algorithm,SGA)算法的计算结果表明该混合遗传算法在收敛速度和精度方面均得到很大提高.     

基于邻域搜索的混合遗传算法及其在对称TSP中的应用

基于邻域搜索的混合遗传算法是综合了遗传算法和邻域搜索算法各自优势的全局搜索算法。它既有遗传算法的全局搜索能力,又有高效的局部搜索能力。该算法较好地解决了两种不同算法结合所产生的矛盾。通过对对称TSP的实验表明,算法具有良好的全局寻优性能并得到很好的结果。     

改进遗传算法搜索性能的研究

本文针对改进遗传算法的搜索性能,提出了一种新的变异算子－自适应多位变异算子,它根据每一代的每一个体在当代中的优劣程度,自适应地控制其发生变异的位数。适应度差的个体变异的位数多,一方面使差的模式生存机会少,另一方面增加了种群的多样性,同时也扩大了搜索范围。我们用模式定理证明了该算子的有效性,并且我们作的仿真实验也同样表明该算子能大大改进遗传算法的搜索性能。     

柔性多面体在遗传算法中的应用研究(I)

文章提出了一种柔性多面体的方向进化算子,并在基本遗传算法中嵌入柔性多面体搜索算法,从而构成了一种基于柔性多面体的新的混合遗传算法(flexiblepolyhedronhybridgeneticalgorithm,FP_HGA)。方向进化算子紧跟基本遗传算法的变异操作之后,其作用是使适应度较低的个体向适应度较高的个体进化;柔性多面体局部搜索算法作用是对当前代所有新个体在进入到下一代之前,使它移动到局部最优点。并用FP_HGA来求解Rosenbrock测试函数的最小值,FP_HGA算法和SGA(SimpleGeneticAlgorithm,SGA)算法的计算结果表明该混合遗传算法在收敛速度和精度方面均得到很大提高。     

混合正交遗传算法及其在函数优化上的应用

在分析和研究正交遗传算法的基础之上,依据混合优化策略及混合遗传算法的构造原则,通过对自适应正交局部搜索算子的改进提出了一种新的变异算子。该算子具备自适应全局搜索和局部搜索的能力,能够保证算法的变异概率取值为1.0时,算法的搜索效率最高;结合正交交叉算子之后,又能保证算法的交叉概率也取值为1.0时,算法的搜索效率最高;由此解决了交叉概率和变异概率参数的匹配问题。而使用的截断选择和负相关配对、最优交叉策略、精英选择和重复个体剔除策略等组合算子,一方面能够保证算法的收敛速度;另一方面也能有效地保持种群的多样性,这样在保证算法快速收敛的同时避免出现早熟现象;由此解决了＂全局最优＂和＂快速收敛＂的矛盾。因此,提出的改进型新算法在处理一些常用的测试函数上具有较高的效率。     

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。     

遗传算法中的交叉算子的述评

交叉算子是遗传算法中的一种重要算子,对遗传算法中较成熟的交叉算子进行了简单介绍,在此基础上结合文献内容,从理论应用以及作用机理等几个方面对遗传算法中改进的交叉算子进行了分析和讨论,可以发现改进后的交叉算子能在一定程度上克服传统遗传算法的缺点,提高其搜索效率和精度,有效避免过早收敛。进一步提出遗传算法中交叉算子的未来研究方向,为今后遗传算法的应用和发展奠定了基础。     

一种结合Tabu 搜索的非线性遗传算法研究

利用Tabu搜索的强大局部搜索性能,提出一种新的非线性遗传算法．该方法将Tabu搜索技术内嵌于遗传算子中,构造了基于Tabu搜索的非线性杂交及变异算子,它能有效地提高算子的局部搜索能力,通过实例仿真证明了该算法的有效性;同时,以“平均截止代数”和“平均截止代数分布熵”作为评价指标,对该方法的优化效率进行研究,定量评价了该方法的优化效率,通过与实数遗传算法进行比较,说明了该方法的优化效率高于实数遗传算法．     

求解旅行商问题的一个改进的遗传算法

利用遗传算法求解TSP问题,通常需要使用PCX,CX和OX等特殊的交叉算子以提高算法的运行效率。针对自然数编码的方式,提出一种改进的遗传算法,即改进传统的顺序交叉算子,进行不相同子排列顺序交叉,使子代继承父代中优秀的子排列,加快算法的收敛速度。另外,采用没有重复的稳态繁殖避免早熟。实验结果表明,此改进算法对于TSP和DHC问题均具有较好的性能。     

机器人路径规划中的改进型遗传算法

提出了一种应用于机器人路径规划的改进型遗传算法。针对机器人路径规划的实际应用,优化设计了交叉算子和变异算子,引入了自定义的插入和删除两种遗传操作。通过把地图特征信息作为参与决策的已知条件来约束遗传算子的操作过程,提高了算法的进化效率。自定义遗传算子的使用,使得算法对复杂地图也表现出良好的适应能力。计算机仿真实验证明该算法在最优解输出概率方面相对于基本遗传算法有了显著提高。     

基于遗传算法和禁忌搜索的混合优化策略

将禁忌搜索和遗传算法相结合,给出了一种求解优化问题的混合策略--禁忌遗传优化算法.该算法一方面为禁忌搜索找到了较好的初始点,减少了调用禁忌搜索的次数,另一方面也可以克服遗传算法爬山能力差的缺点,从而加快了收敛速度,提高了解的质量.通过实例验证了该优化算法的有效性和可靠性,并将其用于网络拥塞控制的研究中,为进一步实施网络拥塞控制提供了一种有效的途径.     

基于多级搜索区域的协同进化遗传算法*

针对传统多种群协同进化算法仍然存在收敛速度慢、计算复杂性不能随进化过程有效降低等问题,提出了一种基于多级搜索区域的协同进化遗传算法,给出了一种衡量种群进化停滞的标准。通过聚类分析将搜索区域划为三个等级,对于较高等级的区域加强搜索粒度,逐步缩小搜索范围,提高了收敛速度并降低了算法复杂度。实验结果表明,该算法是求解最优化问题的一种有效方法。     

基于随机算子的快速多目标遗传算法

在NSGA-Ⅱ算法的基础上,对NSGA-Ⅱ构造非支配集的方法进行了改进,用擂台赛法则构造非支配集,当非支配集小于种群大小时,采用随机算子在可行域内随机产生新的解个体填充到下一代父种群中,形成了一种新的多目标遗传算法。在实验部分将改进后的算法和NSGA-II进行了性能比较,实验结果表明改进后的算法具有良好的分布性,算法运行效率也较高。     

Hybrid genetic algorithm with adaptive local search scheme

This paper proposes a hybrid genetic algorithm (a-hGA) with adaptive local search scheme. For designing the a-hGA, a local search technique is incorporated in the loop of genetic algorithm (GA), and whether or not the local search technique is used in the GA is automatically determined by the adaptive local search scheme. Two modes of adaptive local search schemes are developed in this paper. First mode is to use the conditional local search method that can measure the average fitness values obtained from the continuous two generations of the a-hGA, while second one is to apply the similarity coefficient method that can measure a similarity among the individuals of the population of the a-hGA. These two adaptive local search schemes are included in the a-hGA loop, respectively. Therefore, the a-hGA can be divided into two types: a-hGA1 and a-hGA2. To prove the efficiency of the a-hGA1 and a-hGA2, a canonical GA (cGA) and a hybrid GA (hGA) with local search technique and without any adaptive local search scheme are also presented. In numerical example, all the algorithms (cGA, hGA, a-hGA1 and a-hGA2) are tested and analyzed. Finally, the efficiency of the proposed a-hGA1 and a-hGA2 is proved by various measures of performance.