一种基于排序操作的进化算子自适应遗传算法

提出了一咱基于排序操作的进化算子自适应的遗传算法,该算法中,每个体按适应值大小进行排序,个体的选择、交叉、交异算子的概率根据个体排序值来自适应地确定,其中选择概率还随进化过程而调节,利用Ｍａｒｋｏｖ链的分析法证明了该算法的全局收敛性,最后,实验结果表明该算法同传统的遗传算法相比不仅能收敛到全局最优解,而且具有交快的收敛速度。     

自适应IIR滤波器的遗传算法

基于梯度信息的计算未调节自适应IIR滤波器的系数，需要进行复杂的矩阵运算，计算量大，容易陷入局部收敛．本文构造了稳定性检测十分方便的二阶自适应IIR滤波器的并联结构，并将遗传算法应用到滤波器的系数寻优，可以快速地收敛到全局最优解．     

基于自适应遗传算法的最优M序列码搜索

编码信号已经广泛地应用于现代雷达系统中,而编码信号的旁瓣抑制一直是雷达信号处理中有待优化的问题。提出一种基于自适应遗传算法（AGA）优化搜索M序列二相码波形的方法。对于M序列,初始寄存器的选择对于主副比是很关键的。自适应遗传算法的遗传算子交叉概率与变异概率可自适应调整。与标准遗传算法（SGA）相比,这种算法能更好地避免＂早熟＂现象,保持了物种样本的多样性,最终能够收敛到脉压特性更好的序列。试验结果证明了该方法的可行性和有效性。     

一种基于种群多样性的新型自适应遗传算法

为克服传统自适应遗传算法易出现未成熟收敛的问题,提出一种新型基于种群多样性的自适应遗传算法。解决未成熟收敛问题的关键是避免算法在寻找到最优解前种群多样性的丧失。为适应进化过程中种群多样性的变化,提出了包含方差因子和种群熵因子的交叉概率和变异概率公式。根据种群收敛情况相应地调整交叉概率及变异概率,在不破坏种群优良基因模式的同时保持种群的多样性。通过标准函数测试与已有算法进行对比,结果表明,所提算法相较于已有算法,在保证收敛精确度的同时提高了收敛速度,有效克服了“早熟”等问题。     

一种改进的基于成熟前收敛判断的自适应遗传算法

针对传统遗传算法存在的缺陷,提出了一种改进的具有成熟前收敛判断的自适应遗传算法。仿真实验表明,同传统的遗传算法和一般的自适应遗传算法相比,改进后的算法性能有了较明显的提高。     

基于改进自适应遗传算法的MIMO 雷达阵列优化

针对传统遗传算法在全局搜索和收敛方面的不足,提出一种改进自适应遗传算法.算法改进了自适应规则,采用随迭代次数和种群适应度自适应变化的交叉、变异操作,同时采用新的选择算子和改进后的最优精英保留策略,摒弃了传统轮盘赌博选择法,增加了收敛于全局最优解的概率,加快了收敛速度.通过测试函数优化求解试验证明,改进算法能够有效提高搜索过程种群的多样性,具有更快的收敛性和更好的全局最优性.在此基础上,将改进的自适应遗传算法应用到MIMO雷达阵列优化设计,通过稀疏栅格编码,采用同时考虑副瓣电平与波束宽度的双适应函数,使优化得到的MIMO雷达方向图具有更好的综合性能,更利于实际工程应用.最后仿真实验结果进一步验证了本文改进算法的有效性.     

自适应遗传算法的改进研究

未成熟收敛问题是导致遗传算法性能下降的重要原因。为了提高算法的性能,对IAGA自适应遗传算法[1]进行了改进,提出了一种新的自适应交叉概率公式和自适应变异概率公式,从而促使算法跳出局部最优解,改善了算法的未成熟收敛问题。仿真结果表明,相对IAGA自适应遗传算法,新算法的全局收敛性更强,性能更优越。     

基于泽尼克模式系数的自适应光学遗传算法

为了提高遗传算法(GA)控制的自适应光学(AO)系统的收敛性能,建立了一套新型的基于泽尼克(Zernike)模式系数的19单元自适应光学系统模型。在优化过程中,遗传算法不直接优化变形镜(DM)19个驱动器上的电压值,而是优化前10阶泽尼克模式系数。推导出19个电压值与前10阶泽尼克模式系数之间的关系矩阵,并进行了对比数值仿真。结果表明,该系统能够更好地校正固体激光器系统输出光束的波前像差。相对于直接优化变形镜电压值的无波前自适应光学系统,该自适应光学系统能够将遗传算法的收敛速度提高5倍以上。     

自适应遗传算法在智能组卷中的应用研究

以传统自适应遗传算法为基础,提出了一种改进的智能组卷算法,基于该算法,设计并实现了一个《编译原理》课程智能组卷系统.结合实际问题建立了组卷问题的数学模型,并针对该数学模型对遗传算法的编码方式和种群最优保存策略进行了改进.改进后的算法在保证组卷质量的前提下,提高了搜索速度并且有效避免了传统遗传算法中经常出现的早熟现象.     

基于遗传算法的自适应测试生成

文章介绍了一种基于遗传算法的自适应测试生成方法，首先讨论了用遗传算法进行测试生成时构造评价函数的一些方法，然后应用组合电路的Hopfield神经网络模型，提出了基于遗传算法的自适应测试生成算法，该方法不同于传统的方法，它不需要故障传播传播、回退等过程，实验结果表明了本算法的可行性。     

一种基于遗传算法的数据挖掘技术

首先对相关理论进行了概述,阐明了数据挖掘和遗传算法的产生与发展以及他们的相互结合。接着提出了基于遗传算法的关联规则的提取方法。将遗传算法应用到关联规则的提取方面,讨论了遗传算法的编码方法、遗传算子的设计和适应度函数的构造。为了验证算法的有效性,笔者给出一个简单的数据实例,说明了本文方法的有效性。     

一种基于遗传算法的PID参数的优化控制策略

针对某一控制对象，通过数学推导，得出一组值Kp，K1，KD将其作为遗传算法的参考值。虽是随机产生初始群体，但可以预置大致范围，并在此基础上进行优化，可提高遗传算法的收敛速度。     

基于说话人识别的GMM/GA算法

在实时平台上,高斯混合模型(GMM)具有计算有效性和易于实现的优点。最大似然规则中,模型参数不断更新,但由于爬山特征,任意的原始模型参数估计通常将导致局部最优;遗传算法(GA)适于求解复杂组合优化问题及非线性函数优化。提出了基于说话人识别的可以解决GMM局部最优问题的GMM/GA新算法,实验结果表明,提出的GMM/GA新算法比纯粹的GMM算法能获得更优的效果。     

基于遗传算法的TBDD排序方法

带时间参数的二叉判决图（ＴＢＤＤ）在电路的时滞故障测试中有着重要的应用价值，但其变量排序是用常规方法无法解决的一个优化问题。本文提出一种基于遗传算法的ＴＢＤＤ排序算法。用快速衡量值和ＴＢＤＤ节点数来计算个体的适应度。针对变量排序的特定问题，提出一种模板保序交叉方法。采用知适应的变异概率计算方法，并提出一个适合于ＴＢＤＤ排序问题的变异算法。实验结果表明较好地解决了ＴＢＤＤ的排序问题。     

基于自适应遗传算法的稀布阵天线优化

稀布阵能够以较少的天线单元,通过稀布的方式和先进的处理算法获得与传统等间距阵相当的孔径效能,降低了系统的硬件成本,具有灵活布置的优点、重要的研究意义和应用价值。稀布阵与同口径满布阵相比副瓣电平较高。文中提出了一种基于自适应遗传算法的稀布阵列综合优化方法。该算法采用实值编码方式,引入自适应遗传算子,有效提高了优化效率,避免陷入个体早熟及局部收敛,得到了更低的副瓣电平。给出了具体实现步骤以及仿真实例,结果表明,采用自适应遗传算法,得到了更低的稀布阵天线副瓣电平。     

RLGA:一种基于强化学习机制的遗传算法

分析了强化学习与遗传算法工作机制,在提出基因空间分割概念的基础上,提出了一种将强化学习与遗传算法内在结合起来的算法RLGA,在遗传算法的框架下实现强化学习机制.从理论上分析了RLGA的收敛性,讨论了RLGA的时间和空间效率及其与基因空间分割的关系,通过实验分析了RLGA中基因空间分割的指导范围.实验结果表明,RLGA具有良好的全局收敛性能.     

遗传算法在传感器阵列多波束图设计中的应用

由于在水声系统中实际阵列模型往往与理想阵列模型失配,导致基于理想阵列模型设计的波束图在实际应用中严重畸变,从而不能有效地抑制旁瓣干扰,严重影响系统性能.针对常规的波束设计方法应用到实际任意形状阵列时不能有效收敛到期望的最佳波束图,提出了一种基于遗传算法的多传感器阵列波束设计方法,以实现对任意形状阵列的多波束优化设计,获取期望特性的波束图或最佳可得的波束函数.结合运用水池实验测量的16元十字阵的数据,给出了方法基本步骤与多波束设计结果.设计波束满足了应用需要,说明了方法的应用可行性和有效性,且具有很强的宽容性.提出的算法对于实际多传感器系统的多波束设计具有重要意义.