一种改进的抑制早熟收敛的模糊遗传算法

针对遗传算法中的早熟收敛现象,提出一种改进的模糊遗传算法。该算法将群体适应度均方差和种群的进化代数作为模糊逻辑控制器判断早熟收敛的标准,并根据判断结果对优劣不等的个体采取相应的进化方法,即当种群正常进化时对个体执行“惩强扶弱”的措施以保持种群多样性,一旦发生早熟收敛或有早熟收敛的趋势则对劣质个体进行局部灾变,以恢复种群的进化能力。实验结果表明,与标准遗传算法、自适应遗传算法和模糊遗传算法相比,改进的模糊遗传算法能够更好地维持种群多样性,抑制早熟收敛。     

一种用于优化计算的自适应免疫遗传算法

遗传算法在进化过程中易出现早熟收敛、不能保证种群多样性的现象。鉴于免疫算法适用于多峰值寻优,文章在标准遗传算法中引入免疫机制,提出了一种自适应免疫遗传算法。变异率自适应和种群大小自适应提高了算法全局寻优的稳定性,个体浓度的使用改进了种群的多样性,引入二次应答机制和精英库提高了收敛速度。试验表明,该算法收敛速度快、稳定性好,并保证了种群多样性。     

一种新的种群数自适应遗传算法

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点,提出了一种新的种群数自适应遗传算法。该算法在对进化种群数进行宏观调控的同时,再用个体寿命限制个体的生存期,实现对种群数的微观调控。实验数据表明,该算法具有比简单遗传算法好的收敛性能。     

基于个体优化的自适应小生境遗传算法

针对遗传算法在处理复杂多峰函数优化问题时易于早熟和局部搜索能力差等问题,提出一种基于个体优化的自适应小生境遗传算法。在自适应小生境的基础上,利用进化过程中相邻个体的信息产生的试探点标记的算法进化方向,缩短邻域搜索的区间,提高算法的局部搜索能力。对复杂多峰问题进行的优化实验结果证明,该算法能快速可靠地收敛到全局最优解,其收敛速度和解精度均优于简单遗传算法和其他小生境算法。     

利用个体3种属性的遗传算法研究

为了克服传统遗传算法寻优时存在"早熟收敛"、后期搜索效率低,以及难于平衡选择压力和种群多样性的问题,提出利用个体3种属性的遗传算法.先用个体相似性度量个体对种群多样性的贡献,用相关系数度量子代从父代遗传的信息量,最后提出自适应交叉变异概率,在此基础上提出一种替代策略,该策略同时提高算法求精和求泛的能力,而且较好平衡选择压力和种群多样性.仿真实验结果表明,提出的替代策略和自适应交叉变异概率对平衡选择压力和保持种群多样性效果较好,避免"早熟收敛",加快进化速度.     

基于自适应惩罚函数的云工作流调度协同进化遗传算法

云计算为大规模科学工作流应用的执行提供了更高效的运行环境。为了解决云环境中科学工作流调度的代价优化问题,提出了一种基于协同进化的工作流调度遗传算法CGAA。该算法将自适应惩罚函数引入严格约束的遗传算法中,通过协同进化的方法,自适应地调整种群个体的交叉与变异概率,以加速算法收敛并防止种群早熟。通过4种科学工作流的仿真实验结果表明,CGAA算法得到的调度方案在满足工作流调度截止时间约束与降低任务执行代价的综合性能方面优于同类型算法。     

基于多种群混沌遗传神经网络的模拟电路故障诊断

针对标准遗传算法优化BP神经网络收敛慢,易陷入局部最优的问题,提出了改进的多种群协同进化遗传算法,该算法改变了以往的随机初始化方法,采用了附加混沌扰动的tent映射初始化均匀分布的种群,提高了初始解的质量;每个种群采用自适应交叉率和变异率,引入移民算子实现种群间的横向联系;算法通过多种群的协同进化和种群间的个体移植提高了算法的搜索均匀性和效率;仿真实验表明该算法误差小,收敛速度快,诊断正确率高,较好地解决了模拟电路的软故障诊断问题。     

一种基于云模型的改进型量子遗传算法*

针对量子遗传算法在函数优化中易陷入局部最优和早熟收敛等缺点,采用云模型对其进行改进,采用量子种群基因云对种群进化进行定性控制,采用基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明,该算法可以避免陷入局部最优解,能提高全局寻优能力,同时能以更快的速度收敛于全局最优解,优化质量和效率都要优于遗传算法和量子遗传算法。     

一种多策略结合的改进文化算法

为了更有效地抑制文化遗传算法的早熟收敛现象和提高收敛速度,提出了一种多策略结合的文化遗传算法。该算法在信念空间,使用与文化算法不同的接受函数、影响函数和更新函数,在群体空间,针对种群采取多种群化,并采用自适应的交叉变异操作且多种群之间加入竞争机制的遗传算法,这样使得改进后的算法具有更强的全局寻优能力和局部寻优能力,有效避免陷入局部最优,抑制了早熟收敛,提高了收敛效率。用上述算法对几个典型函数进行优化,实验证明了多种群自适应的文化遗传算法的有效性和可行性,新的算法不易陷入早熟收敛,此外全局搜索能力和局部搜索能力得到有效平衡,收敛率高。     

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。     

精英策略个体优势遗传算法研究

针对遗传算法存在的局部搜索能力差、早熟收敛和进化后期收敛速度慢的问题,提出了一种改进精英策略的个体优势遗传算法（Individual Advantages Genetic Algorithm,IAGA）。IAGA通过在精英子种群更新中不断增加精英个体数量和多样性,在保持算法全局收敛性的同时,增强算法在最优解区域的局部搜索能力。引入半粒子群变异算子,提高了算法前期向全局最优解靠拢的速度;引入个体优势算子,提高种群优势个体的多样性,有效改善了进化后期收敛速度慢的问题;与已有同类算法相比,平衡了收敛速度和全局收敛性之间矛盾的同时,进一步提高了收敛速度和精度。     

一种求解Job Shop 调度问题的改进遗传算法

传统遗传算法在求解Job Shop调度问题时存在收敛速度慢,易于早熟的缺点。在病毒遗传算法(VEGA)和灾变遗传算法的基础上提出了一种带有灾变因子的病毒遗传算法(IVEGA-C)。该算法在传统遗传算法的基本结构上加入了病毒感染操作和灾变操作,病毒感染操作实现了同代个体之间横向传递进化信息,灾变操作采用灭绝操作。正是这种改进加快了遗传算法的收敛速度,避免了早熟现象和陷入局部最优解。通过仿真实验验证了IVEGA-C算法在解决Job Shop调度问题中的性能优于传统GA算法和VEGA算法。最后给出了应用该算法的一个实例。     

融合云模型和反向学习的克隆选择算法

为了进一步改善高维对象优化时免疫克隆算法的种群多样性,提高算法全局优化能力和搜索效率,提出了融合云模型和反向学习的克隆选择算法。引入云模型概念,使用正向云发生器产生云变异因子,进而对克隆后种群进行变异;利用反向学习策略,对变异前后的种群求反向解,进而实现种群抗体选择;通过马尔可夫链理论证明了算法收敛性。六组高维函数测试结果表明,与差分遗传算法、免疫遗传算法和自适应混沌克隆选择算法相比,该算法实现了100%的寻优,且最小收敛代数、平均收敛代数及迭代代数标准差分别平均减少33.7%、19.8%、29.1%,从而验证了其强优化能力、高搜索效率和好稳定性。     

采用改进的混合遗传算法求解高校排课问题

为了解决一个存在大量合班现象的高校排课问题,建立了相应的数学模型并采用改进的混合遗传算法进行了求解。在产生初始种群的过程中进行了乱序处理,以提高初始种群中个体的多样性,避免早熟收敛现象的发生;为了防止种群的退化,引入了保留最优个体策略和竞争机制;根据问题的特点设计了与之相适应的遗传算子;为了提高种群进化的效率,交叉概率和变异概率都使用了自适应参数;为了提高算法的局部搜索能力,在交叉操作阶段采用了模拟退火算法。通过Matlab与Access混合编程,实现了对大规模数据的高效处理。实例结果表明,该算法能够有效地解决存在合班现象的高校排课问题。     

融合学习心理学的人类学习优化算法

针对简单人类学习优化（SHLO）算法寻优精度低和收敛慢的问题,提出了一种融合学习心理学的人类学习优化算法（LPHLO）。首先,结合学习心理学中的小组学习（TBL）理论引入TBL算子,从而在个体经验、社会经验的基础上,增加了小组经验来对个体学习状态进行控制,避免算法早熟收敛;然后,结合记忆编码理论提出了动态调参策略,从而实现个体信息、社会信息、团队信息的有效融合,更好地平衡了算法局部探索和全局开发的能力。选取典型的组合优化难题——背包问题中的两种算例,即单约束背包问题、多约束背包问题进行仿真实验,实验结果表明,所提LPHLO与基本的SHLO算法、遗传算法（GA）和二进制粒子群优化（BPSO）算法等算法相比,在寻优精度和收敛速度方面更具优势,具有更好的解决实际问题的能力。     

基于自适应模拟退火遗传算法的非线性方程组求解

将非线性方程组的求解问题转化为函数的优化问题。针对传统的遗传算法（GA）容易早熟的不足,对其进行了两方面改进,采用自适应交叉比例产生交叉后代和变异后代,并融合模拟退火算法（SA）的思想,建立了自适应模拟退火遗传算法（ASAGA）。数值实验表明,该算法提高了遗传算法的全局搜索能力,是求解非线性方程组的一种有效算法。     

一种多种群遗传策略的OFDM功率分配算法

针对标准遗传算法在解决比例速率约束下多用户OFDM系统的功率分配出现的收敛速度慢和早熟收敛问题,提出了一种基于多种群遗传策略的功率分配算法。提出算法以业务公平指数为适应度值和以最优个体保持代数为算法终止依据。各个种群使用不同的控制参数,通过移民算子相互联系。仿真结果表明,提出的算法的收敛速度（100代左右）比标准遗传算法的收敛速度（300代左右）快且收敛结果稳定（都基本趋于0）,在最大化总容量的同时很好地维持了用户比例速率公平性。     

基于人类繁殖现象的遗传算法研究

标准遗传算法（SGA）只是对自然界遗传进化过程的比较简单的模拟,较少考虑人类特有的繁殖方式。提出一种基于人类繁殖现象的遗传算法（HRGA）,该算法的遗传算子包括选择算子、助长算子、交叉算子和变异算子,遗传个体具有雄性和雌性两种不同的性别,融合了个体的年龄和个体间的亲缘关系两种特征,在允许的年龄范围内,异性个体进行严格的远缘繁殖,从而克服了标准遗传算法容易出现的早熟收敛现象,提高了算法的收敛速度。通过对函数最优化问题的求解试验,证明了该算法具有很强的跳出局部收敛的能力,其全局收敛速度和最优解的质量明显高于标准遗传算法,同时也证明了该算法的有效性。     

求解供应链伙伴选择的泛遗传差异演化算法

伙伴选择是供应链组建过程中的关键问题,也是一个难题,针对该问题,构造了融入特殊自然演化规则的泛遗传算法,并且与差异演化算法结合,得到了泛遗传差异演化算法,克服了差异演化算法局部收敛的缺陷,提高了其全局收敛的能力。实验表明,针对供应链伙伴选择问题,泛遗传差异演化算法优于传统的遗传算法和差异演化算法。