改进遗传算法在汽车悬架系统中的应用

本文应用遗传算法模式理论，采用灰度编码，给出模式交叉、模式变异操作的定义，并提出一种新的改进遗传算法。该算法使交叉、变异操作有机结合，避免了交叉概率和变异概率的主观选择，具有收敛速度快，迭代次数少且不易陷入局部最优等优点。最后使用该方法对33自由度的汽车悬架多体模型进行实例分析并和传统优化方法、标准遗传算法和小生境遗传算法进行比较，结果明显优于其它方法。     

关于“遗传算法中交叉和变异概率选择的自适应方法及作用机理”一文的商榷

“遗传算法中交叉和变异概率选择的自适应方法及作用机理”一文提出了自适应遗传算法的模式定理, 并以此为基础分析了自适应交叉、变异的作用机理. 本文对其分析过程和结论提出了不同的看法.     

遗传算法中遗传操作的改进策略

通过分析发现,二进制编码中不同基因位改变时,所引起优化变量的变化程度不相等。基于此,提出一种改进的交叉和变异策略,对编码串中各个基因位赋予不同的交叉点选择概率和变异率,并随进化调整各位的交叉点选择概率和变异率。仿真结果表明,同标准遗传算法相比,采用改进策略的遗传算法具有寻优精度高、稳定性好、收敛性强等优点;此外,同改进交叉操作相比,改进变异操作能更有效地提高算法的寻优能力。     

一种新的基于遗传操作的改进型遗传算法

交叉与变异是遗传算法的重要操作,提出了一种新的基于遗传操作的改进型遗传算法.采用最优保留和改进的轮盘赌选择方法,通过基因交叉概率控制交叉,根据高斯分布改进了交叉算子和变异算子,保证了算法的全局搜索能力、局部搜索能力及收敛速度.通过标准函数的数值实验,验证了新算法的有效性.     

模糊自适应遗传算法及其性能分析

遗传算法是应用比较广泛的一种随机优化算法,而交叉和变异是两个关键操作,本文针对遗传算法在应用过程中叉交概率和变异概率所存在的问题提出一种模糊自适应遗传算法,新算法利用模糊系统技术来自适应估计交叉概率和变异概率,最后,通过多峰函数优化问题的仿真结果证明了算法的实用性和有效性。     

改进的自适应遗传算法求解0/1背包问题

为提高遗传算法求解问题的性能,提出一种改进的自适应遗传算法,该算法在交叉概率和变异概率公式中引入了当代迭代次数因子,提出了基因差别比例（Ca）的概念。Ca越大的基因位发生交叉、变异的概率越大,产生新个体的可能性越大;在模式生成操作中,确定基因位的选取同样由Ca决定。仿真结果表明,此算法在求解0/1背包问题时,其寻优能力有很大提高。     

遗传算法在自动组卷系统中的应用

用基因段的遗传算法解决自动组卷问题,采用二进制进行编码,生成带有约束条件的初始种群,用自适应的概率对染色体进行选择、交叉和变异．在一个染色体的基因段内完成交叉和变异操作,从而产生新的种群。     

遗传算法函数寻优性能影响因素分析——基于正交试验的方法

遗传算法在函数寻优领域得到了广泛应用,选取合适的参数对提高遗传算法寻优性能至关重要。以四个经典函数为例,基于正交试验原理分析了遗传算法五个参数对其寻优时间和迭代次数的影响。结果表明：对寻优搜索时间影响最大的参数为变异概率,其次为种群大小,交叉算子的选择、交叉概率和编码长度影响相对较小;对寻优迭代次数影响较大的三个参数为变异概率、种群大小和编码长度,而交叉概率和交叉算子的选择影响相对较小。分析了使遗传算法性能最优时参数组合的原则。     

基于距离测度的改进自适应遗传退火算法

交叉操作和变异操作是遗传算法的两种基本操作,遗传算法的收敛速度在很大程度上与交叉概率和变异概率的选取以及交叉个体的配对策略有关.本文提出一种基于距离测度的改进自适应遗传退火算法,根据个体的距离密集度自适应地确定其交叉概率和变异概率.算法采用非等概率交叉配对策略,根据两个个体之间的距离自适应地确定交叉配对概率.此外,算法引入模拟退火机制,在遗传进化过程中的每一代,对最优个体进行邻域局部寻优,利用模拟退火进一步改善算法的收敛性能.对带边界约束函数优化问题进行了仿真计算,结果表明了该算法的有效性.     

遗传算法中交叉和变异概率选择的自适应方法及作用机理

在指出了传统遗传算法中交叉和变异概率的选择具有盲目性的基础上, 提出了遗传算法中交叉和变异概率选择的改进措施, 对其作用机理进行了深入的分析, 指出改进算法体现了自适应策略. 用一个非常复杂的数学函数对新算法进行了测试, 结果表明改进算法克服了传统遗传算法难以解决的早熟和局部收敛的问题.     

Theory of Genetic Algorithms II: models for genetic operators over the string-tensor representation of populations and convergence to global optima for arbitrary fitness function under scaling

We present a theoretical framework for an asymptotically converging, scaled genetic algorithm which uses an arbitrary-size alphabet and common scaled genetic operators. The alphabet can be interpreted as a set of equidistant real numbers and multiple-spot mutation performs a scalable compromise between pure random search and neighborhood-based change on the alphabet level. We discuss several versions of the crossover operator and their interplay with mutation. In particular, we consider uniform crossover and gene-lottery crossover which does not commute with mutation. The Vose–Liepins version of mutation-crossover is also integrated in our approach. In order to achieve convergence to global optima, the mutation rate and the crossover rate have to be annealed to zero in proper fashion, and unbounded, power-law scaled proportional fitness selection is used with logarithmic growth in the exponent. Our analysis shows that using certain types of crossover operators and large population size allows for particularly slow annealing schedules for the crossover rate. In our discussion, we focus on the following three major aspects based upon contraction properties of the mutation and fitness selection operators: (i) the drive towards uniform populations in a genetic algorithm using standard operations, (ii) weak ergodicity of the inhomogeneous Markov chain describing the probabilistic model for the scaled algorithm, (iii) convergence to globally optimal solutions. In particular, we remove two restrictions imposed in Theorem 8.6 and Remark 8.7 of (Theoret. Comput. Sci. 259 (2001) 1) where a similar type of algorithm is considered as described here: mutation need not commute with crossover and the fitness function (which may come from a coevolutionary single species setting) need not have a single maximum.     

Evolution of Appropriate Crossover and Mutation Operators in a Genetic Process

Traditional genetic algorithms use only one crossover and one mutation operator to generate the next generation. The chosen crossover and mutation operators are critical to the success of genetic algorithms. Different crossover or mutation operators, however, are suitable for different problems, even for different stages of the genetic process in a problem. Determining which crossover and mutation operators should be used is quite difficult and is usually done by trial-and-error. In this paper, a new genetic algorithm, the dynamic genetic algorithm (DGA), is proposed to solve the problem. The dynamic genetic algorithm simultaneously uses more than one crossover and mutation operators to generate the next generation. The crossover and mutation ratios change along with the evaluation results of the respective offspring in the next generation. By this way, we expect that the really good operators will have an increasing effect in the genetic process. Experiments are also made, with results showing the proposed algorithm performs better than the algorithms with a single crossover and a single mutation operator.     

遗传规划中遗传算子对种群多样性的影响

为了能有效地避免过早收敛并跳出局部最优,提出了一种改进的遗传规划算法来研究遗传算子（选择、交叉和变异）对种群多样性（主要是基因型和表现型）的影响。首先在基准问题（奇偶校验和符号回归中的四次多项式函数）中比较不同的遗传算子在离散和连续的适应度空间中的搜索寻优,然后使用斯皮尔曼相关系数来度量种群多样性与适应度的相关性。结果表明选择和交叉算子极大地减少了种群多样性,变异算子则能维持甚至提高种群多样性,这说明通过控制遗传算子来改变种群多样性从而找到最优个体是可行的。     

改进算子的遗传算法在QoS多播路由优化上的应用

针对QoS多播路由问题提出了一种改进遗传算子的遗传算法,通过设计多样性维持机制的选择算子、与代数相关的交叉算子和与个体适应度相关的变异算子,有效地解决了传统遗传算法应用于多播路由优化时的早熟收敛问题。实验结果显示,在随机网络中,该算法所获得的解与最优解的相对误差不超过1．0％,算法的收敛速度和寻优能力明显优于传统遗传算法。     

一种基于遗传算法的自动生成创意曲动机的方法

遗传算法作曲就是利用遗传算法来实现乐曲的生成,在创作的过程中遗传算法按照事先给定的规则进行进化,从而使得人在计算机创作的过程中介入程度达到最小。动机是巴赫创意曲中的核心旋律和主题,文中采用遗传算法对创意曲中动机的自动生成进行了探讨。介绍了遗传算法创作动机的基本过程,即按照动机创作的音乐知识规则来设置适应度函数,采用遗传算法中的选择、交叉和变异算子产生动机片段,最终达到生成自动生成动机片段的效果。     

用进化RBF神经网络控制Rossler混沌系统

本文提出一种基于改进进化规划 (IEP)的 RBF神经网络控制 Rossler混沌系统的新方法 .IEP采用两层编码的染色体结构 ,上层结构基因串是二进制编码 ,可进行交叉和变异的遗传操作 ,下层参数基因串是实数编码 ,只进行 EP的变异操作 ;此外 ,使用联赛选择法和遗忘策略 ,该学习算法能同时获得 RBF神经网络的拓扑结构和参数 .把 Rossler混沌系统控制到所需周期轨道上去的实验结果 ,证明了算法的有效性     

项目优化调度的病毒协同进化遗传算法

针对次序约束和资源约束的多模式项目调度问题提出了一种病毒协同进化遗传算法,并提出了解的编码、选择、交叉、变异和病毒感染操作等.算法用于求解项目活动的一个最优调度顺序和资源模式以使项目的成本最低,其操作特点是既可以通过遗传操作在父子代群体之间纵向传播进化基因进行全局搜索,又可以通过病毒感染操作在同一代群体内横向传播进化基因进行局部搜索.利用模板理论对算法的性能进行了分析.理论分析和实验结果表明,算法的搜索性能优于一般的遗传算法.算法对于不同优化目标的多模式项目调度问题可以同时求得一个满足次序约束的项目活动的最优调度顺序和满足资源约束的最优资源模式.     

图文法遗传算法

本文讨论了进化神经网络的编码表示机制，分析了它们的优缺点；提出了遗传算法的一种图文法编码表示机制，给出了相应的算子定义，以及模式、模式长度及其阶的定义；证明了一个基于图文法表示机制的遗传算法模式定理，描述了交叉和突变对模式作用的效果。     

Conjugate schema and basis representation of crossover and mutation operators

In genetic search algorithms and optimization routines, the representation of the mutation and crossover operators are typically defaulted to the canonical basis. We show that this can be influential in the usefulness of the search algorithm. We then pose the question of how to find a basis for which the search algorithm is most useful. The conjugate schema is introduced as a general mathematical construct and is shown to separate a function into smaller dimensional functions whose sum is the original function. It is shown that conjugate schema, when used on a test suite of functions, improves the performance of the search algorithm on 10 out of 12 of these functions. Finally, a rigorous but abbreviated mathematical derivation is given in the appendices.