基于改进遗传算法的自动组卷问题的研究

自动组卷优化问题的研究,由于题库组卷的随机性,难度很大。针对传统遗传算法在自动组卷中存在的未成熟收敛和收敛速度慢等问题,为了快速可信地组卷,提出了一种改进的遗传算法。该算法采用模拟小生境法选择算子进行种群选取,并对交叉算子和变异算子进行了优化,实现了交叉和变异概率的非线性自适应调整。进行仿真实验,结果证明,改进的遗传算法在组卷的有效性、稳定性和收敛速度等方面有显著的提高,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,能够极大的满足用户组卷的需求。     

一种用于智能组卷的自适应小生境遗传算法

在采用遗传算法进行智能组卷的过程中,常出现选择策略缺乏多样性保护机制的现象,易出现早熟收敛。为解决智能组卷的早熟收敛问题,提出一种自适应小生境遗传算法。采用小生境技术可提高个体的选择概率,增加个体的多样性选择机率;在保证算法收敛速度的情况下,给出一种一致变异算子,同时调节个体的变异概率和变异范围,提高种群多样性。最后,通过具体实例验证了该算法在较短的组卷时间内,可以实现全局寻优的结果,从而证明该算法的有效性。自适应小生境遗传算法在智能组卷中的应用具有实际意义。     

改进梯度算子的小生境遗传算法

为避免小生境遗传算法存在的早熟和收敛速度慢等问题,本文提出了一种改进的梯度算子,以保证进化朝最优解方向前进,提高计算峰值的精度。同时,利用进化代数和个体的适应度值,动态调整个体的交叉算子和变异算子,有效保证种群的多样性,改善全局搜索能力,加快收敛速度。将改进的梯度算子引入到基本小生境遗传算法和自适应小生境遗传算法,通过Shubert函数测试,证明本文改进后的算法与基本小生境遗传算法和自适应小生境遗传算法相比,不仅大大提高了收敛速度,并能搜索到所有全局最优解。     

改进遗传算法在智能组卷系统中的应用

本文将遗传算法加以改进应用于自动组卷：采用自适应性的交叉算子和变异算子;应用模拟小生境技术的选择算子。还设计了具体的实现方法,并进行了测试,结果表明改进的遗传算法具有较高的组卷效率和良好的效果。     

自适应梯度小生境混合优化算法

通过对梯度法和小生境遗传算法优缺点的分析,提出了一种自适应梯度小生境混合优化算法。小生境算法利用当前种群适应度和种群代数来设计交叉算子和变异算子,保持了种群的多样性,改善全局搜索能力,应用自适应变步长梯度算法的快速寻优特点来减少运行的时间,优化极值精度,加快了收敛速度。对Shubert函数的仿真试验,证明该算法能明显的改善全局搜索能力,加快算法收敛速度。     

自适应遗传算法交叉变异算子的改进

标准遗传算法采用固定的交叉率和变异率,对于求解一般的全局最优问题具有较好的鲁棒性,而对于解决较复杂的优化问题则存在早熟及稳定性差的缺点。传统的自适应遗传算法虽能有效提高算法的收敛速度,却难以提高优良解的多样性,算法的鲁棒性仍有待改善。文章提出了一种改进的自适应遗传算法,对交叉算子和变异算子进行了优化,实现了交叉率和变异率的非线性自适应调整。实验结果表明,相比传统的自适应遗传算法,新算法具有更快的收敛速度和更可靠的稳定性。     

用于智能组卷的自适应小生境复合遗传算法

传统遗传算法的选择策略缺乏多样性保护机制,易出现早熟收敛。为解决智能组卷问题,采取小生境技术完成遗传操作中的种群进化机制。利用个体浓度的大小,设置自适应变异算子,保证种群多样性,防止种群陷入局部收敛;增加阈值以保证算法在接近最优解时回归到自适应遗传算法,简化算法计算量,加快算法的收敛速度。本文提出一种自适应与小生境技术复合遗传算法,来均衡算法的全局搜索和局部快速开发能力。最后,实例验证了所提算法的有效性。     

基于改进遗传算法的自动组卷问题研究

研究自动组卷优化问题,由于题库组卷的随机性,难度很大.在自动组卷研究中,遗传算法(GA)容易出现早熟、收敛速度慢等问题,为了快速可信地组卷,提出一种基于改进遗传算法的智能组卷算法(IGA).IGA算法在传统遗传算法的基础上,用符合组卷问题特点的实数编码、条件初始种群和分段交叉和变异算子来保证种群的多样性,防止早熟现象,采用加权误差的适应度函数加快收敛速度.通过进行仿真,结果表明,IGA相对于自适应遗传算法和标准遗传算法,提高了组卷有效性、稳定性和计算效率,能有效解决自动组卷问题.     

改进的小生境混合遗传算法在函数优化上的应用

为了提高经典小生境遗传算法的收敛性能,加强局部寻优能力,设计了一种新的小生境混合遗传算法.通过判断算法的在线性能指标Xe(s),将模拟退火算法巧妙地融入算法的后期,并针对小生境遗传算法的特点选用格雷码编码,同时设计了自适应的遗传交叉算子.用一个Shubert多峰值函数对改进的算法进行验证,结果表明:新算法的收敛性能和进化效率得到提高,局部寻优能力也有加强.     

一种多模态优化的小生境遗传算法

针对目前多模态优化存在无法找到全部局部极值解的问题,提出了一种改进的小生境遗传算法．该算法在基于淘汰相似机制的小生境遗传算法中引入了预选择机制,并对自适应交叉概率算子和变异概率算子进行了改进,根据群体适应度值的大小来动态调整个体的交叉概率和变异概率大小,并将该算法用于Shubert函数的求解,实验结果表明该方法较之前的小生境遗传算法能够有效的搜寻出全部局部极值,并具有较快的搜索速度．同时,该方法在其他的多峰函数求解上具有通用性．     

一种交互演化改进鲸鱼算法及其收敛性分析

针对鲸鱼算法求解稳定性不强、收敛速度有时较慢、易陷入局部极值等缺点,提出一种具有轮盘赌选择和二次插值择优机制的双种群交互演化鲸鱼算法.首先,在搜索觅食阶段引入轮盘赌选择机制,可有效避免劣质解被多次选取的问题,保证算法的收敛性能;在算法进化结构和求解过程中用两种不同演化机制的种群以及它们之间不断的信息交互,可有效地平衡和调节算法的全局搜索与局部搜索能力;在双种群个体演化更新后、信息交互前,利用二次插值策略更新鲸鱼个体的位置,增加种群的多样性,而之后的择优选取新位置可提高算法的收敛速度.然后,给出算法流程并用概率测度法对算法的收敛性进行证明.最后,通过6种代表性算法对CEC2017测试函数集套件中不同特征函数在多个维度上进行仿真实验,结果表明改进算法的收敛速度、寻优精度和求解稳定性均有明显提高,具有很好的收敛性能.     

基于改进的遗传算法在函数优化中的应用

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点,提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率;为了加快寻优效率,在选择算子方面将引进的选择算子与最优保存策略相结合;为了使遗传操作过程中种群数量恒定,又提出了保留亲本的策略。通过仿真实验发现,与经典遗传算法GA和IAGA相比,改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。     

基于变异交叉方程与进化选择机制的回溯优化改进算法

针对回溯搜索优化算法存在的收敛速度慢,容易陷入局部最优等问题,提出了一种改进算法。首先利用t分布产生变异尺度系数,加快了算法收敛速度;接着完善交叉方程结构,引入最优个体控制种群搜索方向,有效提高了算法开发能力;最后提出进化选择机制,引入差分进化算法变异因子,一定概率下以较差解替换较优解,避免算法陷入局部最优。在数值实验中,选取了15个测试函数进行仿真测试,并与5种表现良好的算法进行了比较,结果表明,该算法在收敛速度及搜索精度方面有明显优势。     

改进量子遗传算法在多峰值函数寻优中的应用

针对标准量子遗传算法(QGA)在寻找多峰值最优时存在局部寻优能力较差和易早熟的缺陷,提出一种改进量子遗传算法(QQGA),运用基于概率划分的小生境协同进化策略初始化量子种群,并采用动态量子旋转角调整策略来加快收敛速度;加入量子移民和保优选择策略,提高规划效率,避免陷入局部最优。利用复杂二元函数测试改进量子遗传算法,结果比标准量子遗传算法效率高。     

基于改进遗传算法的摄像机自标定方法

摄像机自标定技术不受标定板和相机运动轨迹的限制,其标定过程简单、适用性强。由于传统的遗传算法在摄像机自标定参数优化过程中易出现过早收敛、停滞现象和解易陷入局部最优的问题,提出一种改进的遗传算法。首先,通过结合精英保留策略和随机联赛选择算法作为初始化种群的方法、改进轮盘赌选择方法、采用自适应杂交概率和变异概率方法对遗传算法进行改进;然后,将Hartley定义的简化Kruppa方程转化为目标函数,采用改进的遗传算法搜索目标函数的最优值;最后,实验结果表明,该方法能较好地缓解过早收敛和停滞显现,提高了精度。     

基于局部搜索的人工蜂群算法

针对人工蜂群算法存在收敛速度慢、易早熟等缺点, 提出一种改进的人工蜂群算法. 利用随机动态局部搜索算子对当前的最优蜜源进行局部搜索, 以加快算法的收敛速度; 同时, 采用基于排序的选择概率代替直接依赖适应度的选择概率, 维持种群的多样性, 以避免算法出现早熟收敛. 对标准测试函数的仿真实验结果表明, 所提出的算法具有较快的收敛速度和较高的求解精度.     

基于排序选择和精英引导的改进人工蜂群算法

针对人工蜂群算法收敛速度较慢、收敛精度不高的问题,提出一种基于排序选择和精英引导的改进人工蜂群算法.分析观察蜂概率选择方法在适应值变化时对于精英个体优选的不足,提出一种排序选择方法,用以替代概率选择方法,从而提高算法的收敛速度.利用精英个体对搜索的引导作用,分别提出针对采蜜蜂和观察蜂的改进邻域搜索方程,从而提高算法的搜索效率.与其他人工蜂群算法的对比结果表明,所提出的改进方法能够有效提升算法的收敛速度和收敛精度.     

改进的粒子群算法在动态OD矩阵反推中的应用

针对粒子群算法存在收敛速度慢和局部最优的问题,引入粒子间相对位置改进基于抗体浓度的概率选择公式,提出了一种带免疫机理的改进粒子群算法。粒子不仅根据个体极值和全局极值更新速度和位置,而且按一定概率以轮盘赌法选择某个粒子进行学习,以保持种群多样性,防止出现早熟停滞现象。并将其用于由路段流量反推OD矩阵的极大熵模型求解研究中,以重庆市某交叉路口为实例进行实验,结果表明：粒子群算法推算OD矩阵是有效、可行的,可以克服牛顿法严格依赖初始值的缺点;改进的粒子群算法比基本粒子群算法和基本遗传算法具有更好的全局寻优能力。