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。     

良性进化的自适应遗传算法及其仿真研究

为了搜索函数最优解,基于遗传算法基本理论,提出了良性进化的自适应遗传算法（AGA）。AGA从两个方面改进了标准遗传算法：一是交叉、变异率会自适应调节大小;二是交叉、变异具有方向性。通过对AGA的仿真研究,分析了AGA中参数取值对算法的性能影响。最后把AGA和标准遗传算法进行了仿真比较,结果表明AGA在求解函数最优解问题时具有较强的自适应性和收敛性。     

基于动物群落结构的改进病毒进化遗传算法

基于动物群落组织结构提出了一种改进的病毒进化遗传算法.主种群由一个父亲和若干个母亲及单身汉组成,父亲和母亲交叉产生后代,单身汉变异产生后代.病毒分为大病毒和小病毒,在前期迭代过程中,大病毒起作用,在后期迭代过程中,小病毒起作用.实例证明,改进的病毒进化遗传算法性能优于传统的病毒进化遗传算法.     

基于进化遗传算法的优化计算

针对经典遗传算法在优化计算中存在的弊端,提出进化遗传算法.在染色体基因位编码方式、交叉与变异算子、适合度函数设计、候选解染色体选取方式及收敛准则等方面做了改进.通过对极难优化的Shekel类函数等的优化计算,说明该算法具有良好的全局搜索能力和较快的收敛速度.     

一种病毒进化型遗传算法

本文提出一种病毒进化型遗传算法VEGA。此算法在一般遗传算法的基础上,通过对病毒个体和宿主体行为及相互关系的模拟,使进化个体的多样性大大提高,算法更易趋于全局极化。模拟实验验证了VEGA的优良性能。     

紧致遗传算法的进化机制分析

为了分析紧致遗传算法的进化机制, 首先给出了用于刻划进化概率向量的有关概念; 其次研究了增加染色体有效进化的方法, 提出了基于进化强度系数的增强紧致遗传算法; 同时为进一步研究基于多变量的紧致遗传算法提供了框架.     

基于Matlab遗传算法工具箱的函数优化问题求解

介绍了遗传算法的基本原理和求解流程,详细阐述了Matlab遗传算法工具箱的使用方法,并通过使用遗传算法工具箱对一个典型的函数优化问题进行求解,验证了该工具箱在解决函数优化问题上的有效性和实用性     

进化优化小生境遗传算法控制参数的研究

小生境遗传算法与遗传算法相比，在求解多峰函数等最优化问题上具有显著的优势，但是小生境距离参数的确定缺乏理论依据，限制了小生境遗传算法的应用。该文提出了一种求解小生境之间距离参数的新方法——基于遗传算法进化优化小生境距离参数。根据多峰目标函数的具体情况，应用遗传算法随机寻优得到若干个最优值，由这些最优值的最小欧氏距离指导小生境距离参数的取值。依据此方法确定小生境之间的距离参数，应用小生境遗传算法成功求解了Shubert多峰函数的所有全局最优值以及六峰值驼背数Back Function的所有局部极小值。     

一种基于遗传算法的进化计算模型

提出一种基于遗传算法的进化计算模型(ECM).在ECM的种群中,每个成员都根据其适应度值不同程度地影响着种群的进化.ECM定义了个体对进化的影响因子,并以个体的影响因子为参数定义了个体的形成算子.分析表明,ECM是采用算术交叉算子的两父辈遗传算法以及采用频率扫描交叉算子的多父辈交叉遗传算法的推广,形成操作是父代群体编码的凸组合.实验研究显示,ECM具有比经典遗传算法更强的优化计算功能.     

基于等级制度的病毒进化遗传算法

按照适应度将主群体分成高等主子群和低等主子群,病毒也相应地分为小病毒群和大病毒群。高等主子群个体感染小病毒后其显性值产生小尺度变化,低等主子群个体感染大病毒后其显性值产生大尺度变化,使优良个体在自身区域小范围内搜索,而不良个体则远离自身区域进行搜索,从而提高其搜索速度和精度。实例证明,改进算法在性能上优于传统病毒进化遗传算法。     

一种基于全局协同与局部进化的遗传算法

改进了协同进化遗传算法中的协同操作,提出了一种基于全局协同与局部进化的两层框架模型和基于此模型改进的遗传算法（GCLEGA）,在高层,采用基于邻域的局部进化算法,旨在加强局部搜索,加速收敛速度,在底层,采用改进的多种群协同进化算法,旨在改善群体的多样性,克服未成熟收敛,两层之间通过提升操作关联,使全局搜索与局部搜索、全局收敛性与收敛速度有机地统一了起来。实验结果显示,GCLEGA在改善未成熟收敛和提高收敛速度两方面都具有良好的性能。     

基于遗传多目标优化算法的Pareto最优解研究

遗传算法可有效求解多目标优化问题中的Pareto最优解,并利用MATLAB进行了仿真验证。     

基于遗传算法的QoS多播路由优化算法

研究了带宽、延时、延时抖动和分组丢失率约束以及费用最小的QoS多播路由优化问题,提出了一种启发式遗传算法、该算法采用可变长度染色体(路由串)和它的基因(节点)应用于编码问题。交叉操作在交叉点进行部分染色体(部分路由)交换,变异操作维持种群的多样性。该算法采用简单维护操作维护好所有的不可行的染色体,交叉操作和变异操作相结合保证了最优解的搜索能力和解的全局收敛性。计算机仿真实验证明该算法快速有效,可靠性高。     

基于遗传算法的转子叶片优化排序

航空发动机转子叶片按照静质量矩和频率进行优化排序对于减小叶片安装造成的不平衡量以及防止发动机颤振具有重要的意义。遗传算法是求解这类排序问题的有效方法。某型航空发动机压气机叶片排序问题可视为一个无约束多目标优化问题,为此根据目标优化的优先级将无约束多目标优化问题转化为约束单目标优化问题,建立起了叶片排序的数学模型。在此基础上,采用罚函数法进行了适应度函数设计。采用局部寻优算子来加强局部搜索能力,加速其全局优化的收敛性。大量实际数据计算结果表明,方法具有排序结果稳定、效果满意的优点,达到了对叶片优化排序的目的。     

基于Ahn改进遗传算法的路由优化算法的研究

论述了用Ahn改进遗传算法解决路由路径的优化问题,采用可变长度染色体路由串和它的基因节点应用于编码问题,交叉操作在交叉点进行部分染色体部分路由交换,变异操作维持种群的多样性。该算法采用简单维护操作,维护好所有的不可行的染色体。交叉操作和变异操作相结合保证了最优解的搜索能力和解的全局收敛性。计算机仿真实验表明该算法快速有效、可靠性高。     

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。     

并行遗传算法的研究

在分析了解决组合优化问题所遇到的困难的基础上，引入遗传算法.进而提出基本遗传算法在解决数量级很大的组合优化问题上的缺陷，并详细介绍了遗传算法的三种并行模型，最后给出改进的并行遗传算法模型．     

并行遗传算法的研究

在分析了解决组合优化问题所遇到的困难的基础上,引入遗传算法。进而提出基本遗传算法在解决数量级很大的组合优化问题上的缺陷,并详细介绍了遗传算法的三种并行模型。最后给出改进的并行遗传算法模型。     

基于遗传算法的商用车辆调度策略研究

抽象出运输车辆调度问题的一类特征和需求,以传统遗传算法为基础并加以改进,提出了一种适用于商用车辆的调度策略。该策略与GIS、GPS和GSM技术相结合,成功解决了某市公交燃料配送车辆的优化调度问题,提高了燃料配送效率。文中还对适应值函数、编码方式等关键点进行了详细阐述。     

基于改进遗传算法的权重发现技术

范例推理的关键步骤在于相似范例的检索,而范例库中的特征项权重起到重要的作用。文章讨论了用遗传算法来获取范例库上的特征项权重,并用两种改进的遗传算法来发现范例库上的特征项权重,给出了具体的算法,分析了实验结果。该方法可用于权重发现。