遗传算法改进策略的研究

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法.近年来,由于遗传算法求解复杂优化问题的巨大潜力和工程等领域的成功应用,受到了广发关注.针对遗传算法的特点,结合遗传算法的理论,给出了遗传算法的改进方法,并进行了系统的分析和研究.     

基于递阶和小生境的离散分段遗传算法

为了解决简单遗传算法过早收敛的问题,并进一步改善简单遗传算法的寻优质量,在分析递阶遗传算法和小生境遗传算法的基础上,提出了离散分段遗传算法.该方法在微观上,采用了递阶遗传算法的递阶编码方式和小生境的选择思想.宏观上,通过分层多级寻优操作来适当加快遗传算法的寻优速度.该算法非常适合解决多峰值优化问题,同时也能够有效地修复早熟现象的影响,加快收敛速度.实验表明该方法在性能方面明显优于简单遗传算法.     

一种基于GPU 加速细粒度并行遗传算法的实现方法

为改善遗传算法对大规模多变量求解的性能,提出一种基于图形处理器(GPU)加速细粒度并行遗传算法的实现方法.将并行遗传算法求解过程转化为GPU纹理渲染过程,使得遗传算法在GPU中加速执行.实验结果表明,该算法抑制了早熟现象,增大了并行遗传算法的种群规模,提高了算法的运算速度,并为普通用户研究并行遗传算法提供了一种可行的方法.     

基于遗传算法对奥赛罗问题的研究与改进

遗传算法是一种高效的最佳化的搜寻方法,具有简单、通用、鲁棒性强的特点,适合处理传统的搜索方法难以解决的复杂和非线性问题.利用遗传算法的思想,根据先验知识设计遗传算法初始群体产生方式和适应度函数,对传统的奥赛罗问题进行求解,并在传统遗传算法中加入自我调适的方法,来提高遗传算法的总体性能.在对这些问题进行研究的基础上,给出了大量的对比实验证明该算法是有效的,得出改进的遗传算法比传统遗传算法有更好的演化结果,并克服了传统遗传算法的早熟现象.     

改进遗传算法的医学图像配准

采用遗传算法的医学图像配准时,遗传算法存在收敛速度慢,易早熟的问题,有可能导致误配.提出改进遗传算法(IGA),该方法将外推搜索和黄金分割搜索与标准遗传算法(SGA)相结合,既提高了遗传算法的收敛速度,又有效地防止了早熟.实验结果表明,改进算法具有更好的有效性和精确性.     

遗传算法的性能分析研究

回顾了遗传算法的理论研究状况,介绍了NoFreeLunch定理,描述了遗传算法的通用框架,构造了遗传算法的性能分析矩阵,并通过模拟实验分析了一系列遗传算法的性能.实验表明,这种评价算法性能的方法切实可行,可操作性好,具有一定的通用性.     

基于模拟退火遗传算法的多项目调度问题研究

针对多资源约束条件下的多项目调度问题,提出了一种模拟退火遗传算法的求解方法.该方法首先分别对普通的遗传算法和模拟退火算法进行改进,然后在遗传算法中插入模拟退火操作,通过模拟退火操作来克服遗传算法容易陷入局部最优解的缺陷,同时该方法也继承了遗传算法收敛速度快的特点.最后的实例计算结果表明该算法能克服模拟退火算法和遗传算法的缺点,获得比其它算法更优的解,与其它启发式算法及智能算法相比具有更高的求解效率.     

量子遗传算法在指纹图像分割中的应用

提出了一种基于量子遗传算法(QGA)的指纹图像分割改进方法.这种方法利用量子遗传算法种群多样性好,收敛速度快的特点,将基于量子遗传算法的阈值分割方法与方向图法相结合对指纹图像进行分割.实验结果表明,QGA在指纹图像阈值分割中的速度和精度优于改进的自适应遗传算法和其它一些传统算法,是一种有效的图像分割方法.     

适应噪声环境的改进遗传算法

遗传算法领域考虑噪声存在的情况非常复杂,设计合理的改进方法提高遗传算法的性能非常必要.从改进算法设计策略的角度,基于引进平滑滤波的方法提出了改进方法,并利用计算机仿真实验,与现有方法比较,结果表明改进的遗传算法不仅提高了算法的收敛性能,并且提高了算法的计算速度.归纳并通过实验表明了现有方法的有效性.最后,从信噪比这样一个新的角度对噪声环境下的遗传算法进行分析,得出了有效的改进方案.     

应用遗传算法原理确定函数的最优解

本文主要介绍了一种新型的、随机性的全局优化方法即遗传算法.一般应用于在一个问题的解集中查找最优解情况,如是一个问题有多个答案,但是想查找一个最优答案的话,那么使用遗传算法可以达到更快更好的效果.即在浮点编码遗传算法中加入一个函数,构成适于不可微函数全局优化的遗传算法.该算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率.