带密度加权的自适应遗传算法

为了改善传统自适应遗传算法收敛速度慢、易陷入局部最优解的情况,提出了带密度加权的自适应遗传算法. 该算法基于种群的分布密度,动态调整遗传算法的交叉概率和变异概率,并且在算法中使用了保留最佳个体法. 实验结果表明：该算法在破坏种群局部稳定性、跳出局部极值的同时,又能以较快的速度收敛于全局最优,提高了算法的实用性和鲁棒性.     

改进遗传算法在图像边缘检测中的应用

由于经典的边缘检测算法都存在着一定应用范围的局限性,为此提出了一种改进遗传算法.借助费用函数的边缘检测方法,将遗传算法应用到图像边缘检测中.提出了一种新的染色体编码方案,省去了传统的解码过程,同时该算法融入禁忌搜索算法,其局部搜索能力较标准遗传算法有很大提高.实验结果表明,利用该算法进行图像边缘检测,稳定性好、收敛速度快,能较快地收敛到全局最优解或近似全局最优解,且能有效避免局部最优.     

Pi-sigma神经网络混合学习算法及收敛性分析

将一种解决函数优化问题的混合遗传算法用于Pi-sigma神经网络的训练。这种混合算法充分利用遗传算法算法的全局搜索能力,又利用了单纯型法的局部搜索能力,因此该混合遗传算法可以使Pi-sigma神经网络更快的收敛到全局最优解,而且收敛速度比遗传算法更快。实验证明了这种算法的优越性。最后还证明了该算法可以以概率1收敛到全局最优解。     

基于一种改进的遗传算法的空间聚类分析

空间数据挖掘是数据挖掘的一个研究分支。空间聚类分析是空间数据挖掘的一个重要的研究领域。传统的K-均值方法用于聚类具有收敛速度快、算法实现简单等特点,但容易陷入局部最优,并对初始解敏感。遗传算法是一种全局搜索算法,但是收敛速度较慢。提出一种改进的遗传算法进行聚类,该算法通过全局搜索与局部搜索相结合,取得较好效果。实验表明:文中提出的算法在聚类分析中搜索到全局最优解(或近似全局最优解)的能力要优于经典的K-均值聚类算法,且局部收敛速度和全局收敛性能较好。     

用于连续域优化的遗传网格蚂蚁融合算法

在进行函数优化时,遗传算法具有全局搜索能力强的特点,但其存在早熟收敛和后期收敛速度慢及局部搜索能力弱的问题。网格蚂蚁算法具有局部搜索能力强、优化精度高等特点,但其全局收敛速度较慢。因此提出了用于连续优化的遗传网格蚂蚁融合算法（Genetic and Grid Based Ant Colony Algorithm,GGACO）。该算法将遗传算法和网格蚂蚁算法相结合,用遗传算法进行全局搜索,用网格蚂蚁算法进行局部迭代寻优,经过若干次循环迭代产生最终结果。仿真实验结果表明,该算法在解决复杂函数优化时全局收敛性能好、速度快,尤其在解决高维多峰函数优化问题时效果更显著。     

用于全局优化的混合正交遗传算法

为提高正交遗传算法收敛速度和搜索精度,在正交遗传算法的基础上引入局部搜索策略,提出一种新的聚类局部搜索算子。利用正交算子初始化种群,保证初始群体分布的均匀性和多样性。通过正交算子在全局范围内进行全局搜索,使算法能在全局范围内收敛。采用聚类局部搜索算子对群体进行局部搜索,以增强算法的收敛速度和搜索精度。对7个高维的Benchmark函数进行测试,仿真实验结果表明,与其他算法相比,该算法具有更好的搜索精度、收敛速度和全局寻优的能力。     

一种改进的遗传聚类算法

给出了一种改进的基于遗传算法的聚类方法。传统的K-means算法局部搜索能力强,但是对初始化比较敏感,容易陷入局部最优值。基本的基于遗传算法的聚类算法是一种全局优化算法,但是其局部搜索能力较差,收敛速度慢。针对这两个方法所存在的问题,提出了一种改进的聚类算法。该方法结合了两个方法的优点,引入了K-means操作,再用遗传算法进行优化,并且在该方法中改进了遗传算法中的交叉算子,大大提高了基于遗传算法的聚类算法的局部搜索能力和收敛速度。     

基于一种改进的遗传算法的空间聚类分析

空间数据挖掘是数据挖掘的一个研究分支。空间聚类分析是空间数据挖掘的一个重要的研究领域。传统的K-均值方法用于聚类具有收敛速度快、算法实现简单等特点，但容易陷入局部最优，并对初始解敏感。遗传算法是一种全局搜索算法，但是收敛速度较慢。提出一种改进的遗传算法进行聚类，该算法通过全局搜索与局部搜索相结合，取得较好效果。实验表明：文中提出的算法在聚类分析中搜索到全局最优解（或近似全局最优解）的能力要优于经典的K-均值聚类算法，且局部收敛速度和全局收敛性能较好。     

改进的量子遗传算法及应用

针对量子遗传算法在函数优化中迭代次数多,容易陷入局部最优解等缺点,提出新的量子遗传算法.该算法的核心是采用新的量子旋转门调整策略对种群进行更新操作,有效保证了种群的多样性,可以避免算法陷入局部最优解,提高了算法的全局寻优能力.同时能以更快的速度收敛于全局最优解.通过对典型复杂函数测试,计算结果表明,提出的算法优化质量和效率都要优于传统遗传算法和一般量子遗传算法.     

改进的模拟退火和遗传算法求解TSP问题

对遗传算法和模拟退火算法的特点进行了比较,阐述了遗传算法与模拟退火算法集合的必要性。提出了一个用于求解TSP问题的改进的模拟退火和遗传算法。利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。在遗传算法中改进了传统的交叉机制,利用父代染色体与子代染色体进行交叉,解决了传统遗传算法中存在的“早熟”问题。针对模拟退火算法收敛速度慢等问题,提出了新的解生成机制和改良算法,提高了算法的收敛速度。实验测试的结果表明,该方法具有较好的收敛效果和更高的稳定性。     

A hybrid genetic algorithm with the Baldwin effect

Here we present a new hybrid genetic algorithm (HGA) with the Baldwin effect. In the HGA, a local search is employed to change the fitness of individuals but the acquired improvements do not change the individual itself. This local search step exploits the Baldwin effect. Some numerical applications show that this algorithm can yield the global optimum more efficiently than commonly used HGAs. A theorem is presented that guarantees the convergence in probability of the new HGA.     

基于混合遗传算法求解非线性方程组

将非线性方程组的求解问题转化为函数优化问题,且综合考虑了拟牛顿法和遗传算法各自的优点,提出了一种用于求解非线性方程组的混合遗传算法。该混合算法充分发挥了拟牛顿法的局部搜索、收敛速度快和遗传算法的群体搜索、全局收敛的优点。为了证明该混合遗传算法的有效性,选择了几个典型的非线性方程组,从实验计算结果、收敛可靠性指标对比不同算法进行分析。数值模拟实验表明,该混合遗传算法具有很高的精确性和收敛性,是求解非线性方程组的一种有效算法。     

用混合遗传算法求解虚拟企业生产计划

针对虚拟企业生产计划的特点,以各成员企业承担的生产任务为对象,以快速响应市场为目标,建立了生产任务计划的数学模型,并基于该模型,提出一种基于遗传算法与模拟退火算法混合的求解算法,充分发挥了遗传算法良好的全局搜索能力和模拟退火算法有效避免陷入局部极小的优点．从而提高了算法的全局寻优能力．数值仿真计算表明了该算法的良好收敛性和有效性．     

基于混合遗传算法的自动组卷问题的研究

针对遗传算法(GA)容易出现未成熟收敛和进化后期计算效率低的问题,提出了一种基于混合遗传算法(HGA)的智能组卷算法.将自适应遗传算法(AGA)与位爬山法相结合,提高组卷性能.在进化前期采用AGA进行全局寻优,增强GA的收敛速度同时避免GA的未成熟收敛.在进化后期启动位爬山法增强AGA的局部搜索能力.试验结果表明,HGA相对于AGA在有效性、稳定性和计算效率三方面都有较大提升,更能有效解决自动组卷问题,具有较好的使用性能和实用性.     

求解背包问题的贪心遗传算法及其应用

分析了文献[2]中求解背包问题(KP)的混合遗传算法(HGA)所采用的贪心变换方法缺陷;重新定义了贪心变换的概念,并给出了一种新的且更高效的贪心变换方法,将此方法与遗传算法相结合得到一种新的混合遗传算法,称之贪心遗传算法(简记GGA).利用GGA得出了文献[2,4]中一个著名KP问题实例的目前最好结果;同时,对于文献[7]中的KP问题实例和一个随机生成的KP问题实例,将GGA算法与求解KP问题的最有效算法HGA算法进行对比计算,结果表明GGA算法远远优于HGA算法.     

一种新的非线性回归模型参数估计算法

提出一种新的基于混合基因算法（HGA）的非线性回归模型参数估计算法,新算法通过对问题的解空间交替进行全局和局部搜索,达到快速收敛至全局最优解,较好地解决了传统算法通用性差、易陷入局部极小的问题,实验验证了算法的通用性和有效性。     

启发式遗传算法及其应用

1.引 言 在科学实践、工程技术和日常生活中,人们常常会遇到大量的、各式各样的最优化问题.最优化方法在近几十年里获得了巨大的发展,但目前很多方法不同程度上还存在着一些不足之处.尤其是最终所求得的大多为局部最优解,并不是全局最优解.而近年来得到蓬勃发展的遗传算法其本质是一种求解问题的高效并行全局搜索方法.它能在搜索过程中自动获取和     

基于递阶和小生境的离散分段遗传算法

为了解决简单遗传算法过早收敛的问题,并进一步改善简单遗传算法的寻优质量,在分析递阶遗传算法和小生境遗传算法的基础上,提出了离散分段遗传算法.该方法在微观上,采用了递阶遗传算法的递阶编码方式和小生境的选择思想.宏观上,通过分层多级寻优操作来适当加快遗传算法的寻优速度.该算法非常适合解决多峰值优化问题,同时也能够有效地修复早熟现象的影响,加快收敛速度.实验表明该方法在性能方面明显优于简单遗传算法.     

A hybrid approach using genetic and fruit fly optimization algorithms for QoS-aware cloud service composition

This paper addresses the QoS-aware cloud service composition problem, which is known as a NP-hard problem, and proposes a hybrid genetic algorithm (HGA) to solve it. The proposed algorithm combines two phases to perform the evolutionary process search, including genetic algorithm phase and fruit fly optimization phase. In genetic algorithm phase, a novel roulette wheel selection operator is proposed to enhance the efficiency and the exploration search. To reduce the computation time and to maintain a balance between the exploration and exploitation abilities of the proposed HGA, the fruit fly optimization phase is incorporated as a local search strategy. In order to speed-up the convergence of the proposed algorithm, the initial population of HGA is created on the basis of a heuristic local selection method, and the elitism strategy is applied in each generation to prevent the loss of the best solutions during the evolutionary process. The parameter settings of our HGA were tuned and calibrated using the taguchi method of design of experiment, and we suggested the optimal values of these parameters. The experimental results show that the proposed algorithm outperforms the simple genetic algorithm, simple fruit fly optimization algorithm, and another recently proposed algorithm (DGABC) in terms of optimality, computation time, convergence speed and feasibility rate.     

基于混合遗传算法的时间最优控制问题求解

研究了用混合遗传算法求解时间最优控制问题.混合遗传算法是用粒子群位移转移的思想改变遗传算法的变异规则,通过记录各染色体的历史最优值和种群的最优值,来修正下一代的染色体,新的算法保留了遗传算法的选择和交叉操作,保证了遗传算法强大的全局搜索性能,该算法可求解数学优化问题.在分析时间最优控制问题已有求解方法优缺点的基础上,提...