基于双模式变异策略的改进遗传算法

针对基本遗传算法寻优速度慢且易陷入局部最优的缺陷,提出了一种基于双模式变异策略的改进遗传算法。在标准变异的基础上引入个体线性差分变异思想形成双变异模式,同时利用控制参数对两种变异模式加以平衡。通过10个基准测试函数仿真实验,结果表明本改进算法在寻优速度和全局收敛能力上都有较大的提高。     

利用遗传算法优化BP神经网络

首先阐述了BP算法和遗传算法,并指出BP算法和遗传算法各自的优缺点,讨论了如何利用遗传算法优化BP神经网络,并举实例进行了仿真。结果表明该方法具有一定的实用价值。     

运用变异算子随机搜索求解全局优化问题

通过改进遗传算法,提出一种求解全局优化问题的变异基随机搜索方法．该法以变异算子作为唯一的遗传算子,利用生物变异原理进行局部搜索,同时为使算法具有一定的全局搜索性能引入随机初始化技术．它具有较强的局部搜索能力,可在有限时间内取得较好解．仿真实验证明,本算法在求解全局优化问题上的有效性,并表明其局部收敛能力与求解结果均优于传统遗传算法．     

一种求解TSP问题的改进遗传算法

旅行商问题（Traveling Salesman Problem TSP）是一个典型的组合优化问题，但应用基本遗传算法求解TSP问题时存在许多不足．结合TSP问题的特点，提出一种改进的遗传算法：应用贪心策略初始化种群，用2-opt对其进行优化，使得在初始个体中就包含较优子路径，在一定程度上加快算法收敛性，防止早熟和近亲繁殖．对交叉算子和变异算子进行改进后，既能维持种群的多样性，也保留了父代个体大部分优良性能．应用改进的算法对20个城市的TSP问题进行求解，结果表明该算法求解速度快而且求解的质量较好．     

基于蚁群算法的改进遗传算法

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率低。根据这一缺陷提出一种将蚁群算法融合到遗传算法的新策略：为了弥补遗传算法中的变异算子变异过程中的盲目无原则性,将蚁群算法的正反馈思想引入到遗传算法中。利用蚁群算法信息素更新原则指导变异规则,有效地提高了算法的寻优效率,优化了解的质量。为了验证算法的有效性,对TSPLIB库中的两个公共实际事例eil51和gr202以及安徽省17个城市的数据进行了仿真实验,结果表明改进后的算法是有效的。     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

全局最优位置变异粒子群优化算法

针对粒子群优化算法的早熟收敛,容易陷入局部最优且搜索精度不高等缺点,在现有的粒子群优化算法的基础上对其进行了若干改进,提出了避免微粒群陷入局部最优的全局最优位置变异的粒子群算法,并与其他算法做了比较,体现了其优越性.     

基于改进遗传算法的起重机臂架结构优化设计

在起重机臂架结构设计中,引入非均匀变异算子和小生境算子与采用浮点数编码遗传算法相结合,同时通过个体基因改变总几率来确定浮点数编码遗传算法的变异概率,提出了一种改进的遗传算法.算例结果表明,改进的遗传算法优化效果明显,对结构优化设计有较好的参考价值.     

一种求解TSP问题的改进遗传算法

旅行商问题(Traveling Salesman Problem TSP)是一个典型的组合优化问题,但应用基本遗传算法求解TSP问题时存在许多不足.结合TSP问题的特点,提出一种改进的遗传算法:应用贪心策略初始化种群,用2-opt对其进行优化,使得在初始个体中就包含较优子路径,在一定程度上加快算法收敛性,防止早熟和近亲繁殖.对交叉算子和变异算子进行改进后,既能维持种群的多样性,也保留了父代个体大部分优良性能.应用改进的算法对20个城市的TSP问题进行求解,结果表明该算法求解速度快而且求解的质量较好.     

一种基于特殊个体的改进遗传算法

提出了一种不需要变异操作,只由交换操作就能遍历搜索空间所有状态点的改进遗传算法。这种算法通过在种群中增加两个特殊个体,就足以提供交换所需的基因材料。在计算量上这种算法比简单的遗传算法明显要小,仿真结果证明了这种算法的可行性     

遗传算法中动态遗传算子的选择方法及应用

给出了遗传算法的计算过程，对算法中动态遗传算子的选择方法进行了探讨。应用遗传算法解决水电站中观测数据拟合问题的计算实例表明，该方法是有效的。     

基于遗传算法的动态模糊聚类基于遗传算法的动态模糊聚类

提出了一种基于遗传算法的动态模糊聚类方法。通过计算样本之间的模糊相似性,不失真地反映它们之间的内在关联。同时将样本之间的模糊相似性映射到样本之间的欧氏距离,即将高维样本映射到二维平面。利用遗传算法不断优化两者之间的映射,使样本之间的欧氏距离逐步趋近于其模糊相似性,实现动态模糊聚类。克服了聚类有效性对样本分布的依赖性;同时,增加了聚类的灵活性和可视化。该方法在性能上较经典的模糊聚类算法有一定改进,具有较好的聚类效果和较快的收敛速度。仿真实验结果证明了该方法的可行性和有效性。     

解动态Job-shop调度问题的遗传算法

研究了动态Job-shop调度问题,并设计了一种改进的遗传算法。该算法借鉴启发式算法,使用向量进行遗传编码;遗传计算中引入种群间竞争,实现种群向更高层的平衡态进化,进而全局优化调度方案;利用调度评价函数及负荷表,对动态的生产调度进行了有效地评价。仿真实验表明了此法用于复合调度问题的优越性。     

基于动态种群的分布式遗传算法

提出了一种基于动态种群模型的分布式遗传算法并对其进行了理论分析，该模型由传统并行模型演变而来，但更适合于分布式并行处理，在一组由PC机构成的网络环境下给出了该算法求解TSP问题的数值结果，数值试验证明了该算法的有效性和可行性。     

基于Q学习算法和遗传算法的动态环境路径规划

针对Q学习算法在动态连续环境中应用时因状态连续、数量过多,导致Q值表出现存储空间不足和维数灾的问题,提出了一种新的Q值表设计方法,并设计了适用于连续环境的R值和动作.不同于以状态-动作为索引,将时间离散化为时刻,以时刻-动作为索引来建立Q值表.将在某状态应选择某一动作的问题转化为在某时刻应选择某一动作的问题,实现了Q学习算法在动态连续环境中的应用.采用了先利用遗传算法进行静态全局路径规划,然后利用Q学习算法进行动态避障.整个方法为一种先"离线"后"在线"的分层路径规划方法,成功实现了移动机器人的路径规划.仿真结果验证了所提出方法的有效性.     

一种基于退化混沌变异算子的改进遗传算法及其应用

针对标准遗传算法收敛性较差的缺点,利用混沌变量优化中的随机遍历性,构造出一种随进化代数而退化的变异因子,代替标准算法中的变异算子,以克服标准遗传算法在多峰函数优化中的早熟现象,对三个测试函数的仿真试验表明,改进的算法收敛性优于标准遗传算法.     

函数优化问题的动态并行量子遗传算法

针对传统量子遗传算法在解复杂连续函数优化中存在的早熟收敛、收敛速度慢、计算时间长的问题,提出一种解复杂连续函数优化问题的动态并行量子遗传算法(DPQGA)。采用多种群协同进化,每个子种群按照各自的进化目标在不同的搜索区域进化,形成并行搜索方式,加快算法收敛速度,避免早熟收敛;同时设计了一种新的动态量子旋转角的更新策略及量子门调整策略,减少算法的迭代次数;在最优解连续数代无变化时引入灾变算子,使种群保持良好的多样性。通过对5个测试函数的仿真,结果表明,该算法搜索到的最优解较QGA算法更优。与已有算法相比,该算法在收敛速度、迭代次数、全局寻优能力上都有了较大的改进和提高。     

基于遗传算法的动态最佳路径问题求解

动态路径诱导作为交通诱导的一种重要方式,是智能交通系统（ITS）研究的一个重要方面。针对以往相关研究的局限性,从工程实用性的角度优化了道路交通网络中路阻计算的参数,提高了ITS中道路阻抗函数值的精确度。结合昆明市交通信号控制系统的数据,采用遗传算法求解动态最短路径,成功应用于该市主城区交通信息可视化平台。     

一种改进的基于遗传算法的动态矩阵控制算法

介绍一种改进的基于遗传算法的动态矩阵控制（DMC）算法.针对系统对DMC作用下控制效果的要求,选择适当寻优的顺序,应用遗传算法对DMC控制参数构成的染色体种群进行寻优,最后再通过得到的最优参数解集计算出实时控制量,缩短了采用试凑法寻优消耗的时间,从而达到满意的预测控制效果.