多亲交叉遗传算法及其在旅行商问题中的应用

针对传统遗传算法早熟收敛的缺点,提出多亲交叉遗传算法。与贪婪交叉算子相比,该交叉算子能够有效保留父代优质个体特征,维持群体多样性,同时能够很好地平衡深度搜索与广度搜索。基于旅行商问题的仿真测试表明了多亲交叉遗传算法的有效性。     

基于共享存储器的多亲遗传算法及其理论分析

针对多亲遗传算法与传统遗传算法相比在求解一些实际问题时,算法性能提高并不明显的现象,提出了一种基于共享存储器的多亲遗传算法,并对其进行了理论分析,证明了基于共享存储器的多亲遗传算法满足模式定理。此外,还采用测试函数和字符串问题对算法进行了仿真实验,结果表明了算法的有效性。     

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。     

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。     

多目标运输应急管理问题研究

该文首先分析了多目标运输方式选择多目标优化问题的数学模型及虚拟传输网络图,其次对传统遗传算法的染色体编码方式、交叉算子、变异算子进行了重新设计,并且重新定义了适应度函数,最后通过实例分析验证了改进的遗传算法解决多目标运输问题的优越性。     

一种改进多亲遗传算法的并行模型研究

通过分析传统遗传算法和多亲遗传算法的不足,提出了一种多亲遗传算法的改进算法：基于共享存储器的多亲遗传算法,并对其进行了理论分析,讨论了GA的并行模型特点后,结合粗粒度并行模型和群体分组的并行方式,提出了一种MGASM的并行模型,该模型有利于改进MGASM的性能,提高其搜索效率。将MGASM-PPGA应用到了数据聚类问题中,进行了仿真实验,获得了理想的实验结果。     

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。     

一种多染色体交叉的小生境遗传算法

生物进化一般只在两个个体间进行交配,传统的遗传算法也仅在两个染色体之间进行交叉操作。使用在三个以上的染色体进行交叉操作,并设计了多染色体交叉的算子。多染色体交叉算法可显著提高算法局部寻优能力和收敛速度,但由于收敛速度过快容易产生早熟现象。因此,设计了一种带子种群淘汰策略的小生境算法,可避免算法产生早熟现象。通过几种遗传算法的实验结果比较,证明多染色体交叉算法在多峰优化中的效果要优于传统遗传算法。     

一种基于改进遗传算法的多峰函数优化研究

本文针对多峰函数优化问题,提出了一种基于排序的遗传算法,该算法对原有遗传算法的编码方式、选择算子、交叉算子及变异算子进行了改进,增加了灾变算子及精度调整环节。使搜索效率有了较大提高,较好地避免了系统,在实例运行中体现出优良特性。     

改进的模拟退火遗传算法在函数优化中的应用

针对模拟退火遗传算法中可能出现的早熟收敛和后期进化较慢问题,提出了多规则选择算子,同时对交叉和变异算子进行了改进,引入了小生境技术解决早熟收敛问题。在此基础上针对函数优化问题设计了改进的模拟退火遗传算法。仿真实验表明,改进的算法在函数优化中,特别是在对多变量函数寻优中,收敛速度和收敛精度都有一定提高。     

改进遗传算法及其在带有目标是最小平均总流程时间的流水调度排序中的应用

提出了一个改进遗传算法的结构,并且应用于带有目标是最小平均总流程时间的流水调度排序中.为了改进一般遗传算法的程序,两个新的操作被引进到这个操作中.这两个操作为:1) 过滤操作:过滤掉在每一代中的最坏的个体,用前一代中的最好的个体替代它;2) 培育操作:当在一定代数内算法不改进时,选择一个培育操作用于培育最有希望的个体.通过大量的随机产生的问题的例子的计算机实验显示出,提出的算法的性能明显好于一般遗传算法,并且和此问题的最好的专门意义的启发式算法相匹配.新的MGA框架很容易扩展到其它最优化当中,只是实施的详细的步骤有所不同.     

基于改进遗传算法的面向路径测试数据生成

在遗传算法中,面向路径测试数据自动生成存在迭代次数多、效率低的问题。为此,提出一种改进型的遗传算法。通过分析被测源程序得到其结构信息,并利用该结构信息,控制遗传算法中交叉、变异操作发生的位置及范围,提高遗传操作的精确性和目的性。实验结果表明,与传统遗传算法相比,该算法具有更快的收敛速度,测试数据生成效率更高。     

热轧实施计划中最优倒垛问题的整数规划模型及遗传算法

对钢铁企业板坯库中的最优倒垛问题建立了0和1整数规划模型.这一模型是一个 二次规划模型,且目标函数的系数与变量的取值相关联,属于NP-难问题,获得较大规模的最 优解是不可能或非常困难.为了求解此问题,本文构造了改进遗传算法:(1)提出了适合于最 优倒垛问题的遗传编码,运用此编码,不但能够产生可行的初始染色体,而且能够保证在交叉 和变异操作后的染色体仍然可行;(2)改进了遗传算法结构,在新的结构中,增加了一个培育 操作,改进了交叉操作.通过精选随机产生的问题例子的实验显示出,提出的算法的性能明显 好于原系统的启发式算法,最好的改进率达到7.04％.     

求解最大团问题的混合修复遗传算法及其在社会网络中的应用

社会网络分析是数据挖掘中与社会生活联系最紧密的热点之一,凝聚子群分析是一种典型的社会网络子结构分析方法,其中最大团结构是关系最紧密的凝聚子群,最大团问题的研究在社会网络分析中有重要意义。针对遗传算法在求解最大团问题中运行时间长、部分基准图例求解精度不高等问题,提出了一种基于混合修复策略的遗传算法MGA。MGA算法融合度修复和随机染色体修复方法并结合随机配对的精英选择、均匀块交叉和倒位变异算子,可以有效避免算法陷入局部最优,在加快收敛速度和丰富种群多样性方面有明显效果。算法在DIMACS基准图例和典型的社会网络实例上进行了测试,实验结果表明MGA算法具有较好的求解精度和较快的收敛速度。     

A modified genetic algorithm for the flow shop sequencing problem to minimize mean flow time

A modified genetic algorithm (MGA) is developed for solving the flow shop sequencing problem with the objective of minimizing mean flow time. To improve the general genetic algorithm (GA) procedure, two additional operations are introduced into the algorithm. One replaces the worst solutions in each generation with the best solutions found in previous generations. The other improves the most promising solution, through local search, whenever the best solution has not been updated for a certain number of generations. Computational experiments on randomly generated problems are carried out to compare the MGA with the general GA and special-purpose heuristics. The results show that the MGA is superior to general GA in solution quality with similar computation times. The MGA solutions are also better than those given by special-purpose heuristics though MGA takes longer computation time.     

基于遗传算法的图象不变矩匹配

研究模板和图象间的有效匹配，利用不变矩特征作为检测模板和图象中物体轮廓相似度的测度，同时把遗传算法引入图象匹配识别，并针对简单遗传算法在应用过程中出现收敛过早和早熟现象的问题，采用了一种 改进型遗传算法。该算法和不变矩相结合能有效检测出具有平移、旋转 和尺度变化的物体，该方法可以应用于实际图象匹配和识别中。     

An intelligent fuzzy sliding mode control system with application on precision table positioning

In this paper, an intelligent fuzzy sliding mode control system, which cooperates with a new learning approach called modulus genetic algorithm, is proposed. Furthermore, it is applied to a high precision table positioning system for verifying its practicability. Fuzzy sliding mode controller (FSMC) is a special type of fuzzy controller with certain attractive advantages than the conventional fuzzy controller. The learning and stability issues of FSMC are discussed in the paper. Furthermore, to overcome the encoding/decoding procedure that leads to considerable numeric errors in conventional genetic algorithm, this paper proposes a new algorithm called modulus genetic algorithm (MGA). The MGA uses the modulus operation such that the encoding/decoding procedure is not necessary. It has the following advantages: (1) the evolution can be speeded up; (2) the numeric truncation error can be avoided; (3) the precision of solution can be increased. For verifying the practicability of the proposed approach, the MGA‐based FSMC is applied to design a position controller for a high precision table. The experimental results show the proposed approach can achieve submicro positioning precision. © 2001 John Wiley & Sons, Inc.     

Microgenetic algorithms as generalized hill-climbing operators forGA optimization

We investigate the potential of a microgenetic algorithm (MGA) as a generalized hill-climbing operator. Combining a standard GA with the suggested MGA operator leads to a hybrid genetic scheme GA-MGA, with enhanced searching qualities. The main GA performs global search while the MGA explores a neighborhood of the current solution provided by the main GA, looking for better solutions. The MGA operator performs genetic local search. The major advantage of MGA is its ability to identify and follow narrow ridges of arbitrary direction leading to the global optimum. The proposed GA-MGA scheme is tested against 13 different schemes, including a simple GA and GAs with different hill-climbing operators. Experiments are conducted on a test set including eight constrained optimization problems with continuous variables. Extensive simulation results demonstrate the efficiency of the proposed GA-MGA scheme. For the same number of fitness evaluations, GA-MGA exhibited a significantly better performance in terms of solution accuracy, feasibility percentage of the attained solutions, and robustness     

基于多路规划遗传算法的负载均衡方法

在负载均衡问题中,负载调度方法足核心,它的好坏直接影响均衡系统的性能.提出一种基于多路规划遗传算法的服务器端负载均衡算法.该方法借鉴生物界自然选择和自然遗传机制,模拟自然进化过程搜索最优解,为负载均衡问题提供了新的计算模型.同时,多路规划(多次交叉或变异)后取最优策略的应用,使得多路规划遗传算法的优化性能大为提高.该方法降低了服务器端请求的响应时间,提高了服务器端CPU的利用率,从而改善了系统性能.数据实例表明,该方法是可行的、正确的和有效的.     

A new genetic approach for structure learning of Bayesian networks: Matrix genetic algorithm

In this paper, a novel method for structure learning of a Bayesian network (BN) is developed. A new genetic approach called the matrix genetic algorithm (MGA) is proposed. In this method, an individual structure is represented as a matrix chromosome and each matrix chromosome is encoded as concatenation of upper and lower triangular parts. The two triangular parts denote the connection in the BN structure. Further, new genetic operators are developed to implement the MGA. The genetic operators are closed in the set of the directed acyclic graph (DAG). Finally, the proposed scheme is applied to real world and benchmark applications, and its effectiveness is demonstrated through computer simulation.