基于多种编码的多群体遗传算法

为了有效地克服标准遗传算法（SGA）中的早熟收敛现象,提出了一种基于多种编码的多群体遗传算法,该方法是采用3个群体同时进行进化的策略,其中,第1个 本是采用浮点数编码方法,以使该群体具有较强的局部搜索能力,第2个群体是采用二进制编码方法,以使该群体具有较强的全局搜索能力。第3个群体为“精华种群”,用于保存算法在进化过程中产生的优秀个体,在进化过程中,还通过引入“移民”策略来交换3个群体中的优秀个体,以有效地增加群体的多样性,该算法不仅不易陷入局部收敛,还具有较强的跳出局部收敛的能力,且收敛速度较快,通过对一系列典型复杂多模函数进行的优化计算试验,结果证实了该方法的有效性和优越性。     

基于混沌局部搜索的双种群遗传算法

针对遗传算法局部搜索能力差和早熟收敛的问题,提出一种基于混沌局部搜索的双种群遗传算法.将2个种群分别作为探测种群和开发种群,按不同交叉概率和变异概率进化.种群每进化一代即对其最优解做混沌局部搜索,若搜索到更优解,则取代原最优解,直至搜索到预设的混沌次数,同时2个种群之间每进化10代进行一次移民操作.在6个Benchma...     

基于虚拟种群辅助搜索的改进型遗传算法

针对现行各种改进型遗传算法容易早熟收敛,并且难跳出局部最优的问题,提出一种基于虚拟种群技术的改进型遗传算法.该改进型遗传算法不改变遗传算法中选择、交差、变异等核心算子的参数值,从而有效避免了种群进化过程中因控制遗传算子参数的策略设置不当而引起的算法收敛速度慢的问题.通过虚拟种群与实际种群间的信息交换,隐式地增大了实际种群的多样性.仿真结果表明,在种群规模相同的情况下,虚拟种群遗传算法能以最少的代数跳出局部最优,并在最小的代数收敛于全局最优.     

多峰搜索的自适应遗传算法

对多峰函数问题提出了基于峰值转换和优育子群相结合的遗传搜索策略.主要是:通过变换函数将多峰问题中的所有峰变成“等高”峰,从而保证每个峰都有同等机会被找到;在种群中实施各种遗传操作及近亲排斥策略,以保证种群的多样性;将种群中适应值超过阈值的个体迁徙形成一个子群,在子群中实施“梯度操作”,对个体进行精细进化.该方法不仅可保证较快地找到所有峰,而且无需对多峰函数做峰的个数已知、峰均匀健分布等任何先验假设.最后与Spears的简单子群法进行了对比实验.     

一种基于先小后大的遗传算法搜索策略

遗传算法(GeneticAlgorithm,GA)是处理复杂优化问题的一类通用性强的方法,但其实质上是一种随机搜索优化算法,待求解的搜索范围与算法的收敛速度有着密切关系。作者从该算法的搜索特点出发,提出先小范围搜索,再逐步扩大搜索范围的先小后大的搜索策略。实验表明该搜索策略可在一定程度上加快该算法的收敛速度。     

变搜索区域多种群遗传算法

针对孤岛型多种群遗传算法存在的缺陷,提出一种变搜索区域多种群遗传算法.首先,依据各种群最优个体的分布给出搜索区域动态变化的条件和策略;其次,基于搜索区域的测度和搜索粒度给出种群规模自适应调整方法;再次,从搜索区域的测度和种群规模等角度定量分析算法的性能;最后,通过两个典型函数优化验证算法的有效性.     

一种基于灾变的多群体遗传算法

在多群体遗传算法的实现中,迁移算子常会产生大量通信开销,也不利于搜索出多个模态峰点。针对上述不足,提出了一种改进的多群体遗传算法,用灾变产生新个体方式代替子群体之间的迁移效果,同时提出了尖点灾变模型及灾变发生的分歧条件。各子群遗传方式受灾条件的控制。仿真结果验证了算法的有效性。     

基于素描的遗传算法

传统遗传算法容易陷入局部最优解,本文借鉴美术中“素描”的思想,对传统的遗传算法进行了改进,提出了基于素描的新型遗传算法．该算法模拟人的素描行为,构造参数控制下的选择算子,再通过参数的调节来选择个体,并依据最优个体对选择算子进行修正,以达到动态调整群体进化过程中的种群多样性和收敛速度之间的矛盾,从而有效地避免了传统遗传算法中早熟现象,显著地提高了GA对全局最优解的搜索能力和收敛速度．这将使GA在众多实际的优化问题上将具有更广泛的应用前景．仿真结果表明,该算法正确有效,且性能优于现有的其它方法．     

一类自适应遗传算法及其在多峰值函数油画中的应用

在分析遗传进化过程的基础上,提出了一种新的自适应遗传算法,有效地解决了遗传算法的全局收敛性问题,并且在多峰值函数优化问题中显示了优良的性能。     

多重群体遗传算法在多选择背包问题中的应用

在解决多选择背包问题中，引入了多重群体遗传算法作为求解方法，根据此问题的特点，制定了具体的杂交、变异方法，设计了遗传算法。在算法中以目标函数加惩罚函数为适应值评价函数，采用新陈代谢的跨世代选择策略，以更好地保持进化过程中的遗传多样性。实践表明，引入了多重群体遗传算法之后，求解此问题效率有明显的改善与提高。     

基于线性映射的多物种捕食元胞遗传算法

为提高捕食元胞遗传算法的性能及在基因型上对种群进行区分,提出一种基于线性映射的多物种捕食元胞遗传算法。该算法通过引入映射矩阵,改变种群基因型到表现型的映射关系,使不同物种间所携带的遗传信息不同。在进化过程中,不同物种采用不同的遗传方式进行交叉,并根据种群离散程度自适应调整映射矩阵系数控制种群进化方向,有效提高算法跳出局部最优的能力。对若干低维及高维典型函数进行仿真实验,将文中算法与其它同类算法对比,实验结果表明,文中算法在全局收敛率上具有较明显的优势。     

Genetic Reinforcement Learning for Neurocontrol Problems

Empirical tests indicate that at least one class of genetic algorithms yields good performance for neural network weight optimization in terms of learning rates and scalability. The successful application of these genetic algorithms to supervised learning problems sets the stage for the use of genetic algorithms in reinforcement learning problems. On a simulated inverted-pendulum control problem, genetic reinforcement learning produces competitive results with AHC, another well-known reinforcement learning paradigm for neural networks that employs the temporal difference method. These algorithms are compared in terms of learning rates, performance-based generalization, and control behavior over time.     

一种基于相似性排挤的多种群混合遗传算法

在遗传算法优化的研究中,针对简单遗传算法存在的局部搜索能力差和早熟收敛的问题,提出一种相似性排挤的多种群混合遗传算法.新算法主要在宏观上设置多个子种群与一个最优保存种群的进化架构,并在子种群中引入模拟退火算法,构成合理的混合结构,用于提高算法的局部搜索能力.在微观方面,个体在子种群间交流时采取相似性评判标准,进而实施排挤替换操作,维护种群多样性,用于改善算法的早熟收敛问题.最后,通过对TSP问题的求解,验证算法的有效性与实用性.     

基于遗传算法的传感器网络动态联盟研究

动态联盟又称"虚拟企业",是一种企业管理手段.它指一些相互独立的商业过程或企业组成的暂时联合.这里,把其理念应用于无线传感器网络中随机散布模式的节点动态组合研究,并基于遗传算法设计了过程模型,很好地解决了大规模传感器网络在应用过程中的节能规划问题.最后,本文针对该算法结出了仿真结果并对其行了分析,以说明算法的有效性.     

基于分层的带服务约束组播路由问题的遗传算法

探讨了主动网络中带服务约束的组描路由问题模型，基于分层思想提出了求解该模型的遗传算法。分析了该算法的复杂性并进行了仿真，实验表明该算法能以较高的概率找到带服务约束的最优组播树。     

实数编码遗传算法的前向神经网络优化设计

提出一种综合控制策略的实数编码遗传算法,用该算法实现对前向网络结构及权值的同时优化设计。用非线性函数的逼近问题作仿真实验。结果表明,该算法能快速有效地确定网络结构及权值。     

基于遗传算法的原型模式选取算法

该文了原型模式选取对协同方法的模式识别性能有着非常重要的作用,并提出了一种基于遗传算法的原型模式选取算法,对从实际应用中获得的样本进行的实验证明：新算法能有效地在原型模式空间搜索全局最优解,使协同方法的识别性能有较大提高。     

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．     

一种求解TSP问题的多种群并行遗传算法

遗传算法是一种基于自然群体遗传机制的有效搜索算法,由于它在搜索空间中同时考虑许多点.减少了收敛于局部极值的可能,也增加了处理的并行性.因此可以利用并行遗传算法研究典型的TSP问题的求解.提出一种有效的多种群并行算法求解旅行商(TSP)问题,应用多种群遗传并行进化的思想,并在种群之间进行遗传信息交流,以解决经典遗传的收敛到局部最优值问题.仿真实验结果表明,方法在解的精度上以及解的质量上优于经典的遗传算法.     

遗传算法优化 BP 神经网络的信号检测

针对传统方法单独采用 BP 神经网络算法易陷入局部极值的问题,提出了遗传算法优化 BP 神经网络,并将其应用于 MIMO -OFDM系统信号检测中。该方法将遗传算法与神经网络相结合,用遗传算法优化神经网络初始值,使 BP 网络快速收敛到最优解,避免了由初始值的随机选取而带来的检测误码。仿真结果表明所提出的方法在误码率方面有比较好的性能。