遗传算法的一个调节算子研究

虽然遗传算法在许多领域获得了成功应用，但它本身存在不成熟的过早收敛问题是影响其发展的中的课题，本文通过对遗传算法要理的分析和认识，给出了遗传算法早熟现象产生的原因是模式缺少，并提出了一个在遗传算法中在于模式抽取和模式补偿的调节算子以解决早期现象，最后给出了运算实例证明该算子是有效的。     

一种维持种群多样性的遗传算法变异算子的研究

本文针对二进制编码遗传算法中，由于传统变异算子随机地选取基因位置而对搜索全局最优的不利影响，分析了变异位置对种群多样性的影响．提出了一种新的维持种群多样性的变异算子，其变异概率和变异位置由种群基因位的多样度和个体适应度值自适应决定．经变异后优秀的个体得以保存，且在种群中每一基因坐上两种基因的比例控制在期望的范围内．本文最后用实验验证了该算于维持种群多样性的有效性．     

遗传算法“早熟”现象的改进策略

改善遗传算法中的“早熟”现象可以通过提供某种机制以恢复群体多样性。基于这种思想,该文参照其他遗传算法改进策略,从弥补丢失模式、提高模式浓度出发,提出了通过保持模式的多样性来保证群体多样性的方法。为了衡量改进策略的有效性,引入了模式再生期望值的概念,并利用模式再生期望值的分析方法分析了一种实用的改进策略。实验数据证明了该策略的有效性。     

遗传算法的基本原理及其应用研究

介绍了遗传算法的基本概念和基本原理,分析说明了遗传算法求解实际问题的基本步骤以及应用领域,指出了遗传算法在应用中的几个关键问题,同时简要介绍了遗传算法研究新动向及存在的问题。     

标记平面立体线图的自适应遗传算法

针对由理查德·迈尔斯提出的标记线图的遗传算法进行改进：采取自适应参数调 整法,同一代中适应度高于平均的个体杂交和变异率动态变化,适应度低于平均的个体杂交和 变异率设为定值;在创建初始种群时加入了约束条件,旨在改善初始种群覆盖空间的不确定性 和个体分布的相对不合理性;修正了遗传算法的适应度函数,使得以个体适应度为指标的选择 算子能正确引导算法搜索解空间。用遗传算法标记 6 幅不同的线图,变量为杂交率、变异率公 式中的参数 a 和 c,分析算法标记成功率曲线的变化趋势,探讨算子参数设置对遗传算法性能 的影响,结果表明 c 属于区间[0,0.05],a 属于区间[0.8,1.0]且为标记线图的遗传算法的最优 参数设置。     

遗传算法理论及技术研究综述

本文首先阐述了遗传算法的主要特点和基本原理,随后对遗传算法的理论与技术研究的主体,即编码机制、适应度评价以及选择、交叉、变异等遗传算子进行了探讨;比较分析了各种遗传操作方法的优缺点和适用场合;对遗传算法的理论和技术做了初步研究综述。     

遗传算法三种编码策略的比较研究

分析了遗传算法的二进制、实数、十进制编码策略实现方法,根据各编码的特点,设计了相应的改进遗传策略。以前馈神经网络权值优化问题为例,用计算机仿真实验的方法研究了三种编码策略对各遗传算法性能的影响。研究结果表明,若同时强调搜索效率和搜索准确性,宜采用实数编码的改进遗传算法;若只强调搜索准确性,则应优先考虑十进制编码的改进遗传算法。研究的结论为遗传算法在高维连续参数优化问题中编码策略的选取提供了理论指导。     

遗传算法的现状及发展动向

遗传算法在许多优化问题中都有成功的应用,但其本身也存在一些不足．如何改善遗 传算法的搜索能力和提高算法的收敛速度,使其更好地解决实际问题,是各国学者一直探索 的主要课题之一．本文综述了遗传算法中编码表示、适应度函数、选择策略、控制参数和遗 传算子等方面的各种改进措施,并给出了遗传算法的发展动向．     

一种改进的实数编码遗传算法

针对实数编码在进行数值优化时固有的过早收敛、停滞现象和弱的爬山能力等缺点,通过设计不同的交叉、变异算子,提出了一种改进的实数编码的遗传算法。数值实验显示,该算法在函数优化问题上取得了较满意的效果。     

遗传算法的研究与应用

根据遗传算法的一些基本概念以度遗传算法的操作流程。对遗传算法的繁殖算子从数学上给出定义，刻划了繁殖算子的本质。遗传算法是一种基于概率意义上的随机搜索算法。但它是从空间上的一组点而不是一个点出发。因此遗传算法的搜索能力比其他随机搜索算法更强，可以找到全局范围内的最优解。但是。应该注意在遗传算法的应用中，要避免其过早的收敛，防止陷入局部最优解。     

一种基于全局协同与局部进化的遗传算法

改进了协同进化遗传算法中的协同操作,提出了一种基于全局协同与局部进化的两层框架模型和基于此模型改进的遗传算法（GCLEGA）,在高层,采用基于邻域的局部进化算法,旨在加强局部搜索,加速收敛速度,在底层,采用改进的多种群协同进化算法,旨在改善群体的多样性,克服未成熟收敛,两层之间通过提升操作关联,使全局搜索与局部搜索、全局收敛性与收敛速度有机地统一了起来。实验结果显示,GCLEGA在改善未成熟收敛和提高收敛速度两方面都具有良好的性能。     

基于多种编码的多群体遗传算法

为了有效地克服标准遗传算法（SGA）中的早熟收敛现象,提出了一种基于多种编码的多群体遗传算法,该方法是采用3个群体同时进行进化的策略,其中,第1个 本是采用浮点数编码方法,以使该群体具有较强的局部搜索能力,第2个群体是采用二进制编码方法,以使该群体具有较强的全局搜索能力。第3个群体为“精华种群”,用于保存算法在进化过程中产生的优秀个体,在进化过程中,还通过引入“移民”策略来交换3个群体中的优秀个体,以有效地增加群体的多样性,该算法不仅不易陷入局部收敛,还具有较强的跳出局部收敛的能力,且收敛速度较快,通过对一系列典型复杂多模函数进行的优化计算试验,结果证实了该方法的有效性和优越性。     

基于遗传算法的进化压力的研究

为了解影响进化压力的因素,在群体大小的选择、选择运算（Selection）、交叉运算（Crossover）三个方面进行了详细的分析。通过在遗传算法的三个阶段,选取不同的方案来解决复杂的函数优化问题的实验方法,得出了不同方案对进化压力的影响差异。时差异进行了比较分析,并对实际运用中方案的选择提出了一些建议。     

遗传算法的收敛性统一判据

本文针对遗传算法的过早收敛或者收敛缓慢甚至不收敛,进行了详细的分析;理论分析了算法发生过早收敛的原因,收敛速度与各个控制参数和遗传操作的关系;提出并严格证明了与编码方式和选择策略无关的判断遗传算法收敛性判据。     

一种基于有性繁殖的遗传算法

为了更有效地抑制标准遗传算法 (SGA)中的早熟收敛现象和提高收敛速度 ,提出了一种基于有性繁殖的遗传算法 .该算法借鉴了自然界最常见的有性繁殖现象 ,首先将每个个体编码为配对的双染色体码串 ,并增加性别染色体编码 ,以建立遗传个体的性别特征 ;然后 ,通过建立有性遗传进化算子来对不同性别的个体赋予不同的进化控制参数 ,以使得雄性个体具有较强的全局探索能力 ,而使雌性个体具有较强的局部快速寻优能力 ,最后通过建立对应的有性遗传交叉、变异算子 ,使得这种基于有性繁殖的遗传算法具有更强的全局寻优能力和快速收敛能力 .用该算法对一系列典型函数和其他优化问题进行了优化计算试验 ,结果证明 ,该算法不易陷入早熟收敛 ,且全局搜索能力和局部搜索能力平衡较好 ,收敛速度快 ,同时也验证了这种基于有性繁殖的遗传算法的有效性和优良性能 .     

一种种群自适应收敛的快速遗传算法

作为一种全局搜索算法,遗传算法的局部搜索能力较低,后期产生的无效进化与早熟收敛影响优化的速度和精度。已有的改进策略多以算法的时间复杂度为代价提高后期效率,严重限制了遗传算法在工业控制系统中的应用。针对这种情况,提出了一种新型种群自适应收敛的快速遗传算法,即通过提高种群的遗传质量,在严格控制算法复杂度的前提下提高优化性能。仿真结果证明,在不增加时间复杂度的前提下,新算法显著地提升了收敛精度和收敛速度。     

基于遗传算法学习聚类算法的中心个数

无导师聚类算法的目标是将一个数据集划分为若干个类,使得类内相似性尽可能大且类间相似性尽可能小。聚类过程中对数据集合分割成多少个类是一个很难确定的问题,目前还没有较好的解决方法。文章使用遗传算法对无导师聚类K-均值(K-means)算法中中心个数K值进行学习,实现了使用遗传算法进行聚类中心个数的确定,旨在提供一种选择中心参数个数的方法。通过对UCI机器学习数据库中的7个数据库进行实验,证实此方法是比较有效的。     

密码算法研究

密码算法是信息安全的重要保证。介绍了密码体制的数学定义,并比较了对称密码算法和非对称密码算法,比较了DES、AES对称密码算法,两者中AES具有比DES更好的安全性、效率、灵活性;分析比较了RSA、ECC、NTRU等非对称密码算法,要实现相同的安全水平NTRU所需要密钥长度最短。     

基于遗传算法的模糊控制器的综合优化设计

该文简要叙述了模糊控制器的优化设计原理,提出了一种采用遗传算法对模糊控制器的量化因子、比例因子、隶属函数的参数和模糊控制规则进行综合优化的设计方法,并采用VisualC++6.0编制了相应的软件,该软件已成功地应用于工程中。此外,该软件也可作为遗传优化和模糊控制器设计的辅助教学软件。     

二元进化策略的全局收敛与早熟收敛

离散状态马尔科夫链理论已经广泛应用于进化算法的收敛性和时间复杂度分析中,而连续状态马尔科夫过程理论由于需要用到比较高深的数学工具,应用还不多.引入连续状态马尔科夫过程理论,以测度论为工具,借助公理化的条件数学期望理论推导出关键的转移概率的计算公式,分析了以(1+1)ES为代表的连续型进化算法的收敛性,从理论上证明若采用常变异算子,包括正态分布、柯西分布在内的一大类常用变异分布可使(1+1)ES依概率收敛到全局最优解的ε-邻域;构造了一个带适应值平台的函数,从理论上证明某些自适应变异算子即使以正态分布、柯西分布为变异分布也会导致(1+1)ES陷入早熟收敛.通过仿真实验验证了理论分析.结果表明自适应调整机制并非总是有效的.