改进的状态空间模型遗传算法及其全局收敛性分析

基于状态空间模型遗传算法(GABS)是一种新型实数编码进化算法, 在工程优化问题中取得良好的应用效 果. 针对GABS缺乏有效的数学模型及理论依据, 研究并建立了GABS的吸收态马尔可夫过程模型, 从可达状态集的 角度对GABS 进行分析并证明GABS 不是全局收敛的. 基于此提出了一种扩张可达状态集的改进型GABS (MGABS), 改进方法的两种变异策略不仅扩张了算法的可达状态集、提高了种群多样性, 而且加快了算法的收敛速 度与精度, 并证明了MGABS 具有全局收敛性. 最后利用经典测试函数验证了其综合性能明显优于其他三种算法, 为算法在工程中的应用提供了理论依据.     

基于水平集的遗传算法优化的改进

现有的遗传算法大多数没有给出收敛性准则,且存在早熟收敛和收敛速度较慢的难题,为此提出一类新型遗传算法．该算法首先从被优化函数的因变量出发,引入了水平集的新概念,对每一代种群进行分类,把与目标相关的所有信息有机地结合在一起,从而提高了算法的优化速度;其次通过对变异算子进行改进,提高了种群的多样性,有效地避免了遗传算法的早熟收敛;同时还证明了变异算子能提高种群多样性以及新算法能收敛于全局最优解,最后给出了算法的收敛准则．实验表明,该算法正确有效,搜索效率与精度均优于其他方法．     

基于改进遗传算法的优化计算

针对经典遗传算法在优化计算中存在的弊端,提出改进遗传算法。该算法考虑了优化问题的全局性要求—结合区间压缩方法,而这往往比局部最优理论和方法困难的多;同时通过对变异算子改进,对遗传算法早熟收敛性方面得到有效控制,最后,给出算法的收敛性证明及收敛性准则。实验表明该算法是有效的。     

基于排序的改进自适应遗传算法

本文提出了一种改进的自适应遗传算法,其遗传算子由个体在种群中的排序位置自适应地决定,其中选择算子还引入了disruptive selection的思想.该算法能避免群体中超级个体的出现,维持了种群的多样性,加快了种群的收敛速度,克服了遗传算法早熟的现象.函数优化的结果验证了该算法的有效性.     

遗传算法收敛效率研究

遗传算法的收敛效率问题,严重制约了其理论发展和应用。本文提出新的遗传算法收敛效率指标,对其给出严格的定义,对基于模式的GA收敛效率的有关研究进展进行系统综述与分析,包括对遗传算法运行中模式的变化规律及典型遗传算法模式定理的描述,在此基础上,提出一种新型高效率自适应选择算子,从而为提高遗传算法收敛效率提供了有效途径。     

基于Metropolis判别准则的遗传算法

针对遗传算法在应用过程中出现的过早收敛问题，引入Ｍｅｔｒｏｐｏｌｉｓ判别准则对复制算子加以改进，并从理论上对遗传算法的收敛性进行分析。仿真结果证明了该算法解决过早收敛问题的有效性。     

单亲遗传算法及其全局收敛性分析

序号编码的遗传算法(GA)不能在两条染色体的任意位置进行交叉,必须使用PMX,CX和OX等特殊的交叉算子,而这些交叉算子实施起来都很麻烦.针对序号编码GA的上述不足,提出一种单亲遗传算法(PGA).PGA采用序号编码,不使用交叉算子,而代之以隐含序号编码GA交叉算子功能的基因换位等遗传算子,简化了遗传操作,并且不要求初始群体具有多样性,也不存在"早熟收敛"问题.仿真结果验证了这种算法的有效性.     

约束优化问题的改进遗传算法设计

遗传算子是影响遗传算法优化效果的重要因素,针对目前遗传算法研究中对约束优化问题求解的不足,提出基于退火思想的退火选择算子和加权适应度算子,并给出了退火选择算子和加权适应度算子设计方法及其计算过程.在此基础上与现有的遗传算子结合,提出一种新的改进遗传算法,分析了改进遗传算法与基于罚函数遗传算法之间在原理上的区别.最后以两个测试函数为算例对算法进行了性能测试,结果表明改进的遗传算法具有良好的优化性能,能获得更好的优化结果.     

遗传算法优化速度的改进

分析了传统变异算子的不足,提出用二元变异算子代替传统的变异算子,并讨论了它在克服早熟收敛方面的作用.同时,针对二进制编码的遗传算法的特点,提出了解码算法的隐式实现方案,使得遗传算法的寻优时间缩短6～50倍.实验从多方面对二元变异算子的遗传算法进行性能测试,结果表明,改进型算法收敛快,参数鲁棒性好,能有效地克服“早熟”收敛.通过改进变异算子和解码算法,遗传算法的优化速度得到了很大的提高.     

基于改进遗传算法的双层网格任务调度

合理的任务调度算法可以在很大程度上提高网格系统的利用率。针对网格环境异构、分布等特点,提出了基于改进遗传算法(MRNGA)的双层网格任务调度算法,在简单遗传算法的基础上改进选择算子并引入了小生境技术,对网格结构采用双层编码的方式,仿真实验表明,该方法具有良好的搜索能力和资源负载均衡度,对异构系统中的任务调度具有较好的处理结果。     

鲸鱼优化算法的全局收敛性分析及参数选择研究

鲸鱼优化算法是一种设计新颖的智能优化算法,近年来己广泛应用于各种工程优化问题.但是关于鲸鱼优化算法的收敛性尚未明确,而且缺乏对算法中合理参数选择范围的理论分析.本文利用随机过程理论中的马尔科夫链分析了鲸鱼优化算法的全局收敛性,证明了算法中的收缩包围机制是决定鲸鱼优化算法是否收敛的关键因素.进一步建立了鲸鱼优化算法收缩包...     

Pi-sigma神经网络混合学习算法及收敛性分析

将一种解决函数优化问题的混合遗传算法用于Pi-sigma神经网络的训练。这种混合算法充分利用遗传算法算法的全局搜索能力,又利用了单纯型法的局部搜索能力,因此该混合遗传算法可以使Pi-sigma神经网络更快的收敛到全局最优解,而且收敛速度比遗传算法更快。实验证明了这种算法的优越性。最后还证明了该算法可以以概率1收敛到全局最优解。     

一种快速收敛的混合遗传算法

利用遗传算法早熟的特点 ,构造出一种快速收敛的混合算法来求解优化问题 ,并分析了它的收敛性。它是使用遗传算法来生成搜索方向 ,从而保证了算法的收敛性。该算法利用遗传算法的全局搜索能力 ,并采用 Nelder- Mead单纯形法来加强算法的局部搜索能力 ,加快了算法的收敛速率。模拟实验表明 ,该方法具有高效性和鲁棒性     

基于状态空间模型进化算法的全局收敛性分析

基于状态空间模型进化算法(SEA)是一种新颖的实数编码进化算法,在工程优化问题中具有广阔的应用前景。为了完善SEA的理论体系,促进SEA在工程优化问题中的应用研究,利用齐次有限Markov链对SEA的全局收敛性进行分析, 证明了SEA不是全局收敛的。通过限定SEA状态进化矩阵内元素的取值范围,同时引入弹力搜索得到改进型弹力状态空间模型进化算法（MESEA）。分析结果表明,弹力搜索能提高SEA的搜索效率。最后得到了MESEA全局收敛的结论,为算法在工程优化问题中的应用提供了理论依据。     

遗传算法中自适应的比例选择策略

基于适应度比例的选择策略是遗传算法的基本选择方法,但采用该策略易出现未成熟收敛和随机漫游现象。通过实验分析了两种现象的成因,提出采用自适应的比例选择策略来依据种群性状的改变而动态地调整选择压力,进而调整算法求精和求泛能力的平衡。分析和对比实验证实,新的选择策略可有效克服未成熟收敛和随机漫游现象。     

基于成长算子的改进遗传算法及仿真

模拟生物界成长发育过程,加入成长算子对遗传算法框架进行改进,形成新的算法框架-成长遗传算法(growth GA)．该算法能够克服简单遗传算法寻优速度较慢、局部搜索能力较弱的缺点．利用爬山法局部搜索能力强的特点,给出成长算子的一种具体实现,并证明加入成长算子不改变算法收敛性．与简单遗传算法和确定性拥挤遗传算法的对比函数优化实验证明:成长遗传算法有利于兼顾寻优速度和收敛精度．     

改进的自适应遗传算法

Srinvivas等提出一种自适应遗传算法,交叉概率与变异概率能够随着适应度大小而改变。但在这种算法中,群体中最大适应度值的个体的交叉率和变异率为零,这使得进化走向局部最优解的可能性增加。提出了一种改进的自适应遗传算法,使群体中最大适应度值的个体的交叉率和变异率不为零。实验结果表明该算法在抑制“早熟”现象,防止陷入局部最优,提高种群收敛速度方面都有明显的效果。     

克隆遗传算法在学生成绩分析中的应用

分析了关联规则挖掘的特点,提出一种基于克隆遗传策略的关联规则挖掘模型。该模型针对遗传算法易于陷入局部最优的缺点,引入克隆算子,通过克隆操作扩大群体规模,并采用自适应方式动态地选取交叉率和变异率,从而求得问题的最优解。实例分析表明,克隆遗传模型能有效处理数据集中的关联规则挖掘问题。     

一种新型遗传算法

给出了一种基于拉马克学习和精英保留策略的新型遗传算法。设计了拉马克学习规则和拉马克遗传算法框架,给出了算法收敛性的数学证明,并利用测试函数与经典遗传算法进行了对比实验。实验结果表明,该算法具有较好的收敛性能和局部搜索能力,可以用于求解各种工程优化问题。     

基于K-Means变异算子的混合遗传算法聚类研究

遗传算法具有良好的全局搜索能力,但有过早收敛和过慢结束的缺点。K-Means算法具有很强的局部搜索能力,但算法有对初始聚类中心敏感而易陷入局部最优解。针对上述问题,提出了基于K-Means变异算子的混合遗传算法聚类,将K-Means算法的局部搜索能力与遗传算法的全局寻优搜索能力相结合,在遗传算法中引入K-Means变异算子,采用符号编码、自适应变异、最优个体保留策略的混合遗传算法。仿真实验表明,该算法有效克服了遗传算法过慢收敛和K-Means算法陷入局部收敛的问题,从而得到更好的聚类效果。