自适应调整峰半径的适应值共享遗传算法

适应值共享遗传算法需要事先给出解空间中峰的数目或峰的半径,这对于某些问题来说是有困难的.针对这类问题,提出将峰的半径作为决策变量,对其进行编码并放入染色体中参与演化过程,利用遗传算法的优化能力在对问题进行优化的同时对个体的峰半径进行自适应调整.用所提出的方法对多个标准测试问题的优化结果表明,采用自适应峰半径调整方法的适应值共享遗传算法有很强的多峰搜索能力.     

基于适应值共享的多生境排挤遗传算法

针对优化多模函数时单纯使用共享和排挤机制的遗传算法所存在的缺陷,提出了基于适应值共享的多生境排挤遗传算法。基本思想是：按照共享的思想在对个体的适应值进行调整的同时,将排挤选择和相似个体中适应度最差个体被替换的策略分别应用于选择算子和群体的进化中。理论分析和数值实验表明,该算法很好地维持了种群多样性,对于各类多峰函数具有较强的搜索能力。     

对适应值共享遗传算法的分类及评价

针对多峰函数优化问题先后出现了一系列适应值共享类的遗传算法.这些算法都需要事先提供某种信息.本文基于事先提供信息的区别提出了一种新的适应值共享类遗传算法的分类方法,并通过一个复杂的标准测试问题对这些算法进行了比较和评价,结果表明在各种算法中,清除算法、动态小生境共享算法和新聚类适应值共享算法具有较高的搜索能力和优化速度.本文的工作对于这些适应值共享类遗传算法的应用和进一步改进具有指导意义.     

适应值共享对遗传算法选择概率的影响分析

研究了采用遗传算法进行多蜂函数优化时引入适应值共享机制对选择概率的影响。引入种群共享因子这一参数，描述个体选择概率、小生境中多个个体的选择概率之和在适应值比例选择策略下的变化情况。分析和仿真实验表明，适应值共享可在一定程度上保持种群多样性，适应值函数的取值范围将对优化结果产生较大的影响。     

基于自适应K均值聚类的小生境遗传算法

在自适应小生境遗传算法的基础上,该文提出自适应K—均值聚类适应值共享小生境遗传算法。这种算法将聚类分析、自适应技术有机地结合起来,并且对于通常的K——均值聚类方法做了改进,即引进了一个最小聚类距离,通过调节最小聚类距离控制收敛到的小生境的数目,避免找到无效的极值点。这种算法不仅无需事先确定生境的具体数目和生境半径的大小,而且计算量小,搜索效率较高。     

动态聚类适应值共享遗传算法在散射计风矢量反演中的应用

风矢量反演是散射计数据处理的核心内容,传统风矢量反演算法的设计过多依赖于目标函数的具体分布形态。以SeaWinds散射计为例,根据风矢量反演的多解问题和模糊解特性,设计了一种基于动态小生境遗传算法的风矢量反演算法。利用部分L2A和相应L2B数据对该算法进行了验证。结果表明该算法在无需任何目标函数先验知识的条件下能够取得较好的反演结果。     

用适应值激励机制提出遗传算法的效率

分析了传统遗传算法作为函数优化器在宏观进化机制上的局限性，讨论了群体的可进化性在函数优化中的作用。在此基础上提出在遗传算法中引入适应值激励机制，用它来动态地提高群体的可进化性。数值实验表明，带有适应值激励机制的改进遗传算法的搜索效率得到很大提高。     

用适应值激励机制提高遗传算法的效率

分析了传统遗传算法作为函数优化器在宏观进化机制上的局限性 ,讨论了群体的可进化性在函数优化中的作用。在此基础上提出在遗传算法中引入适应值激励机制 ,用它来动态地提高群体的可进化性。数值实验表明 ,带有适应值激励机制的改进遗传算法的搜索效率得到很大提高。     

基于离散适应值灰度的交互式遗传算法

针对交互式遗传算法缺乏衡量评价不确定性的问题,采用离散适应值评价进化个体,利用灰度衡量评价的不确定性。通过确定离散适应值的灰度,获得反映种群进化分布的信息;基于此,给出了进化个体的自适应交叉和变异概率。将该算法应用于服装进化设计系统,仿真实例与分析结果表明,所提出的算法可以有效缓解人的疲劳,提高优化效率。     

基于区间适应值灰度的交互式遗传算法

针对交互式遗传算法缺乏衡量评价的不确定性问题,采用区间数评价进化个体适应值,利用灰度衡量评价的不确定性。通过区间适应值的灰度分析,提取反映种群进化分布的信息,给出进化个体的自适应交叉和变异概率。应用于服装进化设计系统的分析结果表明,该算法可有效缓解人的疲劳,提高优化效率。     

多模态函数优化的拥挤聚类遗传算法

对多模态函数优化问题，分析了各种小生境策略；将拥挤模型与聚类算法相结合，提出了一种拥挤聚类遗传算法．拥挤模型在适应值曲面上形成多个小生境，聚类算法消除了每个小生境内部的基因漂移现象．理论分析证明了算法的收敛性能．数值实例表明，拥挤聚类模型在多极值搜索的数量、质量和精度上都优于拥挤模型与确定性拥挤模型．将拥挤聚类遗传算法应用于国家同步辐射实验室变间距全息光栅的设计，取得了满意的效果．     

遗传算法中适应度评估的改进

针对遗传算法中的适应度评估过程进行了改进，提出了遗传个体库的概念，个体库中保存个体的编码和适应度信息。采用查询个体库的方法，可以避免相同个体的适应度函数的重复计算，节省了适应度评估的时间，提高了遗传算法的性能。两个测试函数和FIR数字滤波器设计的实验结果说明这种改进的有效性。     

基于动态拥挤距离的混合多目标免疫优化算法

多目标免疫优化算法的研究目标是种群均匀分布于优化问题的非劣最优域并使算法快速收敛。为进一步提高多目标优化问题非支配解集合的分布均匀性和收敛性,提出了一种基于动态拥挤距离的混合多目标免疫优化算法。该算法基于动态拥挤距离来对个体进行比较和更新操作,从而保持最终解集的均匀分布,同时借鉴经典差分进化算法中的变异引导算子来加强免疫优化算法的局部搜索能力并提高搜索精度。基于5个经典测试函数的仿真结果表明, 与其他几种有效的多目标优化算法相比,所提算法不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且收敛速度也有较大的改进和提高。     

一种新的遗传算法求解约束优化问题

采用十进制编码的遗传算法，在进化计算中提出用排序、保留优秀个体、智能变异和随机变异代替以前遗传算法中的选择、交叉和变异，此算法具有简单的计算原因，简化了遗传算法的编程，利用变换后的目标函数构造适配值，能较快的找到最优解，数值实验表明该算法在求解有约束优化问题上表现良好。     

遗传程序设计(GP)的适应性函数设计

适应性函数是遗传算法和遗传程序设计得以实现的关键因素,是评价个体好坏的定量表述,决定着演化过程中群体选择复制及群体整体性的质量。该文叙述了适应性函数的设计方法,解释各设计方法的原因,并提出根据树型遗传算法的个体特点通过控制适应性函数大小对个体进行奖励惩罚。     

使用遗传算法实现K—means聚类算法的K值选择

针对无导师聚类K－均值算法中K值的选取问题，提出了使用遗传算法（缩写为GA）优化K值参数的方法。通过对UCI机器学习数据库中7类数据的实验，表明本方法是比较有效的。     

基于量子遗传算法的路由选择

网络中存在许多设计和优化问题,其中相当一部分属于NP类型。传统的解法由于计算复杂度过大而失效。文中探讨了该类问题中路由选择问题的一种新的解决方法:量子遗传算法。就路由选择问题的数学模型进行了简单的介绍,并深入研究了量子遗传算法及其在路由选择优化问题中的应用,最后在计算机上进行了模拟分析实验。仿真实验的结果表明,量子遗传算法在性能上优于常规遗传算法。该算法搜索速度快、效率高,并且具有较强的实用性和鲁棒性。     

一种基于相似性排挤的多种群混合遗传算法

在遗传算法优化的研究中,针对简单遗传算法存在的局部搜索能力差和早熟收敛的问题,提出一种相似性排挤的多种群混合遗传算法.新算法主要在宏观上设置多个子种群与一个最优保存种群的进化架构,并在子种群中引入模拟退火算法,构成合理的混合结构,用于提高算法的局部搜索能力.在微观方面,个体在子种群间交流时采取相似性评判标准,进而实施排挤替换操作,维护种群多样性,用于改善算法的早熟收敛问题.最后,通过对TSP问题的求解,验证算法的有效性与实用性.     

遗传算法和粒子群优化算法的性能对比分析

遗传算法与粒子群优化算法作为经典的进化计算方法已经被广泛地应用于函数优化、生产调度、机器学习和数据挖掘等领域。对这两种经典算法在求解不同问题时的性能进行了系统的对比和分析,比较了两种算法在求解单峰和多峰问题上的性能差异。进一步对算法的健壮性进行了测试,分析了算法运行过程中参数对算法性能的影响。最终总结出两种算法的性能特点,并讨论了算法的改进策略,旨在为工程应用中的算法选择提供技术参考。