一种新的交叉操作算子

论文提出了一种新的遗传操作算子-随机多父辈适应度值加权交叉算子(RandomParent-numberFitness-WeightedCrossover,RPFWX)。RPFWX在2到群体规模之间随机决定参与交叉操作的父代数量,以克服遗传算法的性能对于多父辈数量的敏感性。RPFWX根据父代个体的适应度值赋予较优秀的父代个体以较大的影响因子。父代个体根据该影响因子来决定其对于子代个体贡献的大小。RPFWX是包括两父辈算术交叉、uniformcrossover以及多父辈频率扫描交叉算子(theOccurrenceBasedScanningCrossover)等在内的多种交叉算子的概括和推广,并通过其凸空间封闭特性来保证子代个体的合法性。最后通过实验结果验证了RPFWX算子的优越性。     

遗传算法的平均收敛速度及其估计

给出了独立于表示的变异算子和交叉算子的数学描述, 建立了遗传算法种群的精确马尔可夫链模型, 导出了种群中最佳个体的马尔可夫链及其随机矩阵, 将遗传算法的平均收敛速度定义为最佳个体转移至吸收态的平均吸收时间的数学期望, 提出了应用最佳个体的随机矩阵估计遗传算法平均收敛速度的理论方法和计算步骤.     

一种新的多父辈交叉遗传算法

提出了一种新的多父辈交叉遗传算法.该算法引入了父代数量自适应调节机制,使得交叉操作的父代数量自适应地收敛到一个合适的值,以克服多父辈遗传算法对于父辈数量的敏感性.该算法还采用了评价值加权的多父辈交叉算子.该算子是单点交叉、两点交叉、多点交叉、均匀交叉、算术交叉以及多父辈频率扫描交叉等算子的概括和推广,具有凸空间封闭特性,可以保证子代个体的合法性.在经典测试函数集上的实验结果验证了本算法的可行性.     

差分进化计算研究综述

差分进化计算（DE）是继遗传算法、微粒子群算法、蚁群算法之后的又一个成功的智能算法。它有三个算子即变异算子、交叉算子、选择算子。差分进化利用种群中个体之间的差异信息实现向最优解区域的搜索。实验证明,该算法具有较好的鲁棒性和求解效率。针对该算法的基本思想以及当前的部分研究成果进行了分析介绍。最后对下一步的研究进行了相应的说明和展望。     

改进的遗传算法求解旅行商问题

提出一种解决旅行商问题的改进遗传算法.在传统遗传算法的基础上,引入贪婪算法进行种群初始化;从遗传进化代数和个体适应函数值两个方面实现遗传参数自适应调节,在加快寻优速度的同时防止寻优陷入局部最优;采用基于贪婪方法的启发式交叉算子优化交叉结果;对交叉前后的种群分别实施精英个体保留策略,保证最优基因结构得以延续.实验结果分析表明,改进的遗传算法可以在种群规模较小的情况下具有更可靠的寻优能力.     

改进梯度算子的小生境遗传算法

为避免小生境遗传算法存在的早熟和收敛速度慢等问题,本文提出了一种改进的梯度算子,以保证进化朝最优解方向前进,提高计算峰值的精度。同时,利用进化代数和个体的适应度值,动态调整个体的交叉算子和变异算子,有效保证种群的多样性,改善全局搜索能力,加快收敛速度。将改进的梯度算子引入到基本小生境遗传算法和自适应小生境遗传算法,通过Shubert函数测试,证明本文改进后的算法与基本小生境遗传算法和自适应小生境遗传算法相比,不仅大大提高了收敛速度,并能搜索到所有全局最优解。     

基于蜂群遗传算法的0-1背包问题

针对0-1背包问题,本文提出了基于蜂群遗传算法的优化求解方案。该算法包括两个种群,一个主要用于全局搜索,另一个主要用于局部搜索;每个个体采用二进制编码;采用最优个体交叉策略;对当前解的处理措施是将还未装入背包且性价比最好的物品装进背包,直至不能装为止;不符合约束条件的解采用诱变因子指导变异处理;遗传算子包括单点交叉算子、简单变异算子、主动进化算子和抑制算子。本算法充分发挥了遗传算法的群体搜索和全局收敛的特性,快速地并行搜索,有效地克服了经典遗传算法容易陷入局部最优问题。数值实验表明,该算法在求解0-1背包问题中取得了较好的效果,同样可以应用于其它的组合优化问题。     

一种基于种群多样度的实数编码并行遗传算法

为了改善遗传算法的收敛性能,提出了一种基于个体适应度的种群多样性度量函数,恰当地反映了遗传算法的进化阶段,预报了早熟收敛的趋势. 设计了基于种群多样度函数的迁移算子和交叉算子,并对交叉、变异概率等进行了动态调整,构成了具有多层迁移特点的实数编码并行遗传算法. 通过和其他优秀遗传算法对测试函数的验证比较,结果表明,该算法对于解决遗传算法中早熟、收敛速度慢等问题具有优越的性能.     

包含交叉和变异操作的交互式遗传算法

传统交互式遗传算法在优化隐式性能指标时会使用户产生疲劳,影响优化质量与优化效率。为此,提出一种改进的交互式遗传算法。采用二元排序确定适应值评价的不确定度,根据评价序列的最大信息差异计算种群的收敛率,通过收敛率衡量种群进化状态,基于适应值不确定度和种群收敛率设计自适应交叉算子和变异算子,给出交叉概率和变异概率的计算公式,利用包含用户偏好信息的遗传策略引导进化,从而使进化结果更加客观。将该算法应用于服装进化设计系统,结果表明,与传统交互式遗传算法( T-IGA)相比,该算法可获取更多的满意解,提高了优化效率。     

双变异算子遗传算法的应用

针对简单遗传算法(SGA)所存在的缺点和不足,提出了一种新的改进遗传算法一双变异算子GA.该算想法通过将所有产生的子代个体与父代个体混合作为下一代种群,在种群选择前对适应度值较低的个体进行一次变异,然后通过选择、交叉,再一次变异产生新种群,再利用自适应算法改变交叉和变异率及最优保存策略保护历代最优个体,利用matlab软件编程计算,在TSP中得到了较好的优化结果.实例说明,双变异算子的遗传算法能够最大限度使种群多样性,这样最有可能得到最优解,也易突破局部收敛的局限而达到全局最优.     

一种有效的解无约束全局优化的进化算法

为了解决进化算法在求解全局优化时易陷入局部最优和收敛速度慢的问题,设计了一个杂交算子,利用种群中最好点与其他点间的关系确定搜索方向,从而快速地找到实值函数的下降方向,一旦算法找到优于种群中最好点的点,利用所构造的两条直线交点的投影对其进行进一步优化,使函数值更迅速地下降.提出了适合杂交算子的初始种群生成方法.设计了一个既能提高收敛速度又能摆脱局部最优的变异算子以增强算法的效果.在此基础上,提出了一个求解全局优化问题的高效进化算法,并从理论上证明了全局收敛性,从数值上验证了有效性.     

遗传算法采用进化方向算子的几种策略

提出了采用实数编码情况下应用进化方向算子的几种策略，包括单亲进化方向算子、双亲进化方向算子以及无轮盘赌选择的双亲进化方向算子策略，并进行了数值仿真。仿真结果表明，灵活使用方向进化算子以及遗传操作可大大提高遗传算法的全局搜索能力。     

基于迁移学习灰支持向量回归机的交互式进化计算

针对机器感知评价和种群进化,提出基于迁移学习灰支持向量回归机的个体适应值预测方法和聚类进化策略.通过共享用户已评价个体适应值学习模型与部分未评价个体适应值学习模型,实现知识模型差异最小化.建立具有迁移学习能力的灰支持向量回归机模型,预测未评价个体适应值.基于聚类子集计算个体平均距离,并设计选择算子和交叉算子,扩大子代搜索区域,增强种群多样性.基于上述策略,采用NSGA-II范式实现交互式进化计算.最后,分析算法时间复杂度,表明算法可提高评价精度,并克服局部收敛问题.将该算法应用于室内灯光调色问题,验证所提出方法的有效性.     

MCEDA: A novel many-objective optimization approach based on model and clustering

To solve many-objective optimization problems (MaOPs) by evolutionary algorithms (EAs), the maintenance of convergence and diversity is essential and difficult. Improved multi-objective optimization evolutionary algorithms (MOEAs), usually based on the genetic algorithm (GA), have been applied to MaOPs, which use the crossover and mutation operators of GAs to generate new solutions. In this paper, a new approach, based on decomposition and the MOEA/D framework, is proposed: model and clustering based estimation of distribution algorithm (MCEDA). MOEA/D means the multi-objective evolutionary algorithm based on decomposition. The proposed MCEDA is a new estimation of distribution algorithm (EDA) framework, which is intended to extend the application of estimation of distribution algorithm to MaOPs. MCEDA was implemented by two similar algorithm, MCEDA/B (based on bits model) and MCEDA/RM (based on regular model) to deal with MaOPs. In MCEDA, the problem is decomposed into several subproblems. For each subproblem, clustering algorithm is applied to divide the population into several subgroups. On each subgroup, an estimation model is created to generate the new population. In this work, two kinds of models are adopted, the new proposed bits model and the regular model used in RM-MEDA (a regularity model based multi-objective estimation of distribution algorithm). The non-dominated selection operator is applied to improve convergence. The proposed algorithms have been tested on the benchmark test suite for evolutionary algorithms (DTLZ). The comparison with several state-of-the-art algorithms indicates that the proposed MCEDA is a competitive and promising approach.     

基于改进遗传算法的船舶管路布局设计

针对船舶管路布局设计中的路径规划问题提出一种改进型遗传算法求解方法。建立船舶管路布局设计问题的模型空间、约束条件和优化目标;提出一种基于连接点网格的定长编码方法,结合该编码方法设计了适合改进遗传算法应用的适应度函数和交叉、变异算子,定长编码可降低遗传算子设计复杂度和非法个体修补代价;提出在进化流程中嵌入以“去折弯”和“改模式”两种改善型变异方法构建的爬山操作,以提升算法收敛性和寻优能力。通过仿真实验验证所提算法具有可行性和先进性。     

A Novel Genetic Algorithm and its Application in Fuzzy Variable Structure Control of Fuel Cell

A novel genetic algorithm (GA) is proposed; a ranking genetic algorithm with improved crossover operator. The whole colony is divided into several sub-colonies, and each sub-colony is called a family, which is represented by its best individual. This algorithm includes two levels of structure: the family level and the harmonizing level. The families are parallel during the process of evolution. The harmonizing level ranks all families based on their fitness values, and transports the best individual of the first-rank family to low-grade families so as to accelerate their evolution. Two levels of competition are constructed; one among individuals of a family, and the other among families. The competition within a family is accomplished by a genetic algorithm with improved crossover operator. A family's mutation probability is determined by its relative competitive power. In this way, a rapid and global convergence to the optimum goal is obtained. The GA crossover operator is improved for the case of floating point operations. The improved crossover operator can generate child individuals at random within the space of the supercube, which enhances the space searching rate and precision. Finally, the proposed novel GA is applied to the fuzzy-variable structure control (FVSC) system of a molten carbonate fuel cell (MCFC). The simulation results are satisfying.     

基于转基因的数据进化建模

在数据建模问题中,应用遗传编程算法可以实现模型的自动获取。但是由于遗传算子随机地选择操作点,可能会破坏个体的优良结构,甚至恶化新生成个体的性能。在生物工程中的转基因技术的启发下,设计转基因算子,将具有良好或者特殊性状的个体以完整模式导入进化个体中,保护优良个体的完整模式,同时改善遗传编程算法的收敛性。计算结果表明,这种改进方法易于实现,为数据的高效率建模提供一种新的方法。     

Genetic algorithms in mesh optimization for visualization and finite element models

This paper investigates the use of a genetic algorithm (GA) to perform the large-scale triangular mesh optimization process. This optimization process consists of a combination of mesh reduction and mesh smoothing that will not only improve the speed for the computation of a 3D graphical or finite element model, but also improve the quality of its mesh. The GA is developed and implemented to replace the original mesh with a re-triangulation process. The GA features optimized initial population, constrained crossover operator, constrained mutation operator and multi-objective fitness evaluation function. While retaining features is important to both visualization models and finite element models, this algorithm also optimizes the shape of the triangular elements, improves the smoothness of the mesh and performs mesh reduction based on the needs of the user.     

用于分类问题的粒子群优化遗传算法

提出一种混合粒子群遗传分类算法,根据种群中个体的相互关系,采用“家族”思想对算法进行综合调控,利用家族交叉操作进行微调,并在各家族中引入粒子群思想的交叉算子,兼顾收敛速度和多样性2项指标。根据分类问题的特点,设计相应的编码方式和适应度函数,用播种的方式生成初始种群。对国际通用检验分类效果的数据集进行分类。实验结果证明,该算法的分类效果优于其他算法。     

一种新的混合杂交方法及其在约束优化中的应用

为进一步提高基于混合杂交与间歇变异的约束优化演化算法的求解性能,提出了一种新的混合杂交方法。该方法主要是在混合算术杂交算子中引入离散均匀重组算子,并组成一个离散——算术混合杂交算子网,其中离散均匀重组算子起到协助调整子代分布、增强混合算术杂交算子局部搜索能力的作用。数值实验和比较表明所提的混合杂交方法可有效改善算法求解不等式约束优化问题的性能。