利用改进的郭涛算法求解函数优化问题

对郭涛算法做了两点改进一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间.高斯变异算子对群体作正态分布微调,防止早熟;自适应搜索子空间使得群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的.数值试验表明新算法正确高效,求解精度高;指出并更正了文献中的两处错误,所用测试函数全局最小值均刷新了文献中记载的最好结果.     

求解函数优化问题的一种高效混合演化算法

在郭涛算法的基础上设计出了一种求解函数优化问题的高效混合演化算法。新算法的主要特点有两个:一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间。高斯变异算子对群体作正态分布微调,防止早熟;引入自适应搜索子空间使群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的。测试函数表明,该算法正确高效,求解精度极高,指正了文献[3]中的错误,所求函数全局最小值优于文献[3]记录的最好结果。     

一种新的求解函数优化问题的快速演化算法

提出一种新的求解函数优化的快速演化算法;新算法的特征是引入一种基于高斯变异和Cauchy变异的混合自适应变异算子,并作为算法的唯一遗传算子;提出多父体变异的群体爬山搜索策略;采用随机排序选择策略,克服了经典算法易于陷入局部最优解的常见弊病;新算法具有保持群体的多样性、全概率收敛、淘汰压力小、子空间搜索、快速收敛、评价次数少等特性;通过7个标准测试函数测试结果表明,新算法在所有的测试函数中体现出很好的性能,具有稳定、高效和快速等特点.     

一种新的求解0-1背包问题的自适应算法

提出了一种新的求解0-1背包问题的自适应算法——改进郭涛算法IGT。新算法实现了真正意义上的子空间搜索过程,引入了变维子空间,加入了变异算子,同时还与贪心算法相结合,并引入启发式修正算子,以保证算法的局部搜索能力和群体多样性。     

求解约束优化问题的自适应演化算法

提出一种基于高斯柯西变异算子的多父体杂交自适应演化算法,并用于求解约束函数优化问题。算法的特点：在随机搜索过程中引入三种新的多父体杂交算子加速收敛;基于高斯柯西变异算子提出一种新的产生新个体的方法;提出一种根据演化的进度能自动调整搜索范围的自适应机制。分析与实验表明,与其他算法相比,算法更具有通用性、高效性、鲁棒性,算法收敛速度和算法稳定性有明显改进。     

免疫算法优化的大气质量评价模型及其应用

针对传统免疫克隆选择算法搜索精度不高的不足,提出了一种改进的免疫克隆选择算法,即引入疫苗接种策略和局部高斯变异算子的免疫克隆选择算法.在疫苗提取、选取和接种过程中引入轮盘赌选择、二进制位基因位选取和接种策略,克服了传统免疫克隆选择算法没有抗体基因交叉的现象,提高了产生优良抗体的比率;通过引入局部高斯变异算子,利用高斯变异的小步长不断地自适应调整,提高了算法的局部搜索能力.此外,算法还采用了扩大搜索空间策略,避免算法陷入局部极值,提高了算法的全局搜索能力.在此基础上,提出了基于免疫克隆选择算法的大气质量评价模型,并将其应用于大气质量评价领域.实验结果表明,该算法有效地提高了求解问题的精度和执行效率,提出的评价模型具有较好的实用性和应用前景.     

改进的基因表达式程序设计及其在函数建模中的应用

该文提出了一种改进的基因表达式程序设计的遗传进化算法PGEP，新的算法引入三个算子：（1）基于精英保存策略的精英子空间算子；（2）基于全局收敛策略的变重组、变换概率Pc和变变异概率Pm算子；（3）基于群体搜索技术的变维子空间算子。将改进的基因表达式程序设计应用于函数建模，获得满意的结果。     

带有变异算子的自适应粒子群优化算法

提出了一种新的带有变异算子的自适应粒子群优化算法,该算法使用了一种新的自适应惯性权重,使得算法在迭代的早期快速进人局部搜索,并且根据群体的适应度方差和平均聚集距离来判断算法在迭代的后期是否陷入局部最优点陷阱,对群体中的部分粒子采用新构造的变异运算作用,从而摆脱局部搜索的束缚,以实现全局搜索的性能。通过对六个例子的测试,表明这种改进的PSO算法的全局搜索能力和搜索成功率有较大提高。     

差分演化算法在约束优化问题中的应用

差分演化算法的变异机制没有充分利用种群的信息,导致变异是盲目的。受到粒子群算法信息共享机制的启发,文中提出了一种多群体差分演化算法,新算法将整个种群分成多个子种群,每个子种群通过借鉴本种群的内部经验与整个种群的外部经验对变异进行指导。一方面,由于变异操作借鉴了子种群的局部信息和整个种群的全局信息,提高了算法收敛的速度;另一方面,多个子群体增强了种群的多样性,提升了算法的全局搜索能力。数值实验表明新算法具有很强的稳定性和全局搜索能力,在相同计算复杂度情况下的全局搜索能力较原始差分演化算法有明显提升,可以有效求解约束优化问题。     

基于双群体进化规划的动态优化算法

动态优化问题的优化环境随时间变化导致了最优解随时间移动.为了有效地跟踪最优解,提出了一个基于双群体进化规划的动态优化算法.局部搜索群体运用高斯变异算子,并接受已有信息;全局搜索群体运用柯西变异算子,与已有信息隔离并传送较优个体至局部搜索群体.在进化过程中,它们的群体规模动态地变化.算法有效地利用了已有信息,实现了全局搜索与局部搜索的分离,适合于求解环境变化方式未知的动态优化问题.对三个动态优化模型进行了测试,并与随机初始化群体法进行了比较,仿真结果表明r提出的算法是有效的.     

混合正交遗传算法及其在函数优化上的应用

在分析和研究正交遗传算法的基础之上,依据混合优化策略及混合遗传算法的构造原则,通过对自适应正交局部搜索算子的改进提出了一种新的变异算子。该算子具备自适应全局搜索和局部搜索的能力,能够保证算法的变异概率取值为1.0时,算法的搜索效率最高;结合正交交叉算子之后,又能保证算法的交叉概率也取值为1.0时,算法的搜索效率最高;由此解决了交叉概率和变异概率参数的匹配问题。而使用的截断选择和负相关配对、最优交叉策略、精英选择和重复个体剔除策略等组合算子,一方面能够保证算法的收敛速度;另一方面也能有效地保持种群的多样性,这样在保证算法快速收敛的同时避免出现早熟现象;由此解决了＂全局最优＂和＂快速收敛＂的矛盾。因此,提出的改进型新算法在处理一些常用的测试函数上具有较高的效率。     

一种改进的双群进化规划算法

双群进化规划算法采用高斯振荡变异算子对解空间进行大范围盲搜索,效率较低。针对该问题提出一种改进的双群进化规划算法。采用与适应度函数相关的变异算子替换原双群进化规划算法中的高斯振荡变异算子,实现对解空间的导向性高效搜索。仿真结果表明,改进算法性能高于原有算法。     

遗传算法函数寻优性能影响因素分析——基于正交试验的方法

遗传算法在函数寻优领域得到了广泛应用,选取合适的参数对提高遗传算法寻优性能至关重要。以四个经典函数为例,基于正交试验原理分析了遗传算法五个参数对其寻优时间和迭代次数的影响。结果表明：对寻优搜索时间影响最大的参数为变异概率,其次为种群大小,交叉算子的选择、交叉概率和编码长度影响相对较小;对寻优迭代次数影响较大的三个参数为变异概率、种群大小和编码长度,而交叉概率和交叉算子的选择影响相对较小。分析了使遗传算法性能最优时参数组合的原则。     

A Genetic Algorithm for Hybrid Flow-shop Scheduling with Multiprocessor Tasks

The hybrid flow-shop scheduling problem with multiprocessor tasks finds its applications in real-time machine-vision systems among others. Motivated by this application and the computational complexity of the problem, we propose a genetic algorithm in this paper. We first describe the implementation details, which include a new crossover operator. We then perform a preliminary test to set the best values of the control parameters, namely the population size, crossover rate and mutation rate. Next, given these values, we carry out an extensive computational experiment to evaluate the performance of four versions of the proposed genetic algorithm in terms of the percentage deviation of the solution from the lower bound value. The results of the experiments demonstrate that the genetic algorithm performs the best when the new crossover operator is used along with the insertion mutation. This genetic algorithm also outperforms the tabu search algorithm proposed in the literature for the same problem.     

基于多策略的多目标粒子群优化算法

针对目前多目标粒子群优化算法的收敛性能和非劣解的多样性不能同时得到满足等缺陷,提出一种基于多策略的多目标粒子群优化算法（Multi-Objective Particle Swarm Optimization algorithm for Multi-Strategy,MS-MOPSO）。采用非支配排序和拥挤距离排序相结合策略,重新划分外部种群和进化种群;采用小生境选择策略,在外部种群中选择最佳粒子作为领导粒子,用于领导进化种群中粒子的进化;在进化种群中利用多尺度高斯变异策略,平衡算法的全局搜索和局部精确搜索;采用邻域认知个体极值更新策略,不断更新个体极值。将该算法应用到典型的多目标测试函数,并与其他多目标优化算法进行对比分析,测试结果表明该算法中四个策略的有效性和互补性,同时验证了该算法不但具有较好的收敛性和收敛速度,而且该算法最优解的分布具有良好的均匀性和多样性。     

求解MSA问题的新型单亲遗传算法

多序列联配(MSA)在生物信息学研究中占有重要地位,MSA问题是一个典型的NP问题,遗传算法是求解NP完全问题的一种理想方法。文章针对MSA问题,提出了一种新型单亲遗传算法(PGA),不使用交叉算子,只使用变异和选择算子。并根据群体的多样性自适应调节变异概率,有效消除了算法中的欺骗性条件,使用灾变算子来确保算法的搜索能力。整个算法模拟了自然界进化的周期性,较好地解决了群体的多样性和收敛深度的矛盾。算法的分析和测试表明,该算法是有效的。     

离散非线性规划问题的改进遗传算法

针对实际离散非线性规划问题,分析了离散与连续变量优化问题和求解方法的不同及特性．根据离散变量与遗传算法的特点,将单纯形搜索与算术交叉思想相结合,提出离散单纯形交叉算子以提高遗传算法的局部寻优能力,将种群逐步向离散极值点进行引导,实现算法的快速离散寻优．同时,设计了离散变异算子,使遗传算子真正在离散空同中进行搜索．基于梯度下降思想提出离散修复算子,提高算法对非线性约束的处理能力．实际离散非线性规划问题的应用研究验证了方法的有效性．     

基于CCEA和改进郭涛算法的函数优化问题求解

在合作式协同演化(CCEA)的基础上,引入了使用高斯变异算子的郭涛算法,设计了一种求解函数优化问题的高效混合演化算法.通过求解复杂高维的函数优化问题的多个实例,并将该算法和CCEA与基本郭涛算法结合的方法--CCGT进行了对比.实验结果表明,新算法是高效的,其结果优于现存文献中的其它模型,但不及CCGT优秀.证明在该算法中引入的高斯变异算子的作用不大.