具有年龄结构的遗传算法

结合自然规律以及遗传算法的特点 ,提出了具有年龄结构的遗传算法的框架以及实现。该算法能够通过对个体基因不同年龄的不同操作 ,克服遗传算法中存在的主要问题即过早收敛问题。该算法有效地保持群体的多样性 ,使遗传算法顺利地收敛到全局最优值。通过实际的例子说明 ,这种方法克服过早收敛问题并且相对于简单遗传算法提高了收敛速度     

基于群体列突变遗传算法的遍历性

通过分析遗传算法过早收敛的原因,提出了一种基于群体列突变的遗传算法,分析了这种遗传算法交换和突变操作的特性,证明该遗传算法能够进行遍历搜索.该算法克服了遗传算法的局限性,通过群体列突变能够避免过早收敛,并找到最优解.     

基于降半Γ分布函数的自适应遗传算法

针对遗传算法中交叉概率和变异概率难以选取的问题,提出一种新的自适应遗传算法:利用降半Γ分布函数对交叉概率和变异概率进行自适应调整,使这两个参数随基因串的适合度值而变化.仿真结果表明:该算法与传统遗传算法,常规自适应遗传算法相比,有效地克服了过早收敛问题,提高了搜索效率.     

基于改进粒子群算法的车间作业调度问题研究

针对现行的遗传算法存在过早收敛和进化速度过慢的局限,以及标准粒子群算法收敛精确度不高、易陷入局部极值点的缺点,通过分析原有算法的优化机理,提出一种惯性权重随粒子的进化代数增加而非线性减小的改进型粒子群算法,并将此算法应用于车间作业调度问题中.大量仿真实验结果表明,该算法在求解车间作业调度问题上具有可行性和有效性.     

基于自适应遗传的E-CID定位算法研究

针对LTE系统NLOS（非视距）环境下基于传统遗传的E-CID（增强小区识别）定位算法过早收敛于某局部最优解而非全局最优,文章提出了一种改进的自适应遗传E-CID定位算法,该算法通过对LTE终端位置数据进行加权最小二乘估算,利用遗传算法进行非线性最优解全局搜索,自适应的改变交叉及变异概率,避免了传统遗传算法过早收敛于局部最优解缺点。仿真结果表明：自适应遗传法比传统遗传算法优势更明显,定位精度更准确。     

基于改进遗传算法的图像分割

为了快速准确地确定图像的最佳分割阈值,提出了一种改进的遗传算法.该算法通过完善选择机制、引进父子竞争机制和使用二元变异算子进行变异操作,有效地解决了遗传算法的收敛速度慢和种群过早成熟的问题.实验结果表明:采用改进遗传算法对图像搜索阈值时能收敛至全局最优解,并且大大缩短寻找最优阈值的时间,取得良好的分割效果.     

粗粒度并行遗传算法的MapReduce并行化实现

针对粗粒度并行遗传算法的特点,给出了MapReduce编程模型实现遗传算法的方法。将随机生成的初始种群分割成若干个子种群,用Map方法实现单个子种群的传统遗传算法。各个子种群在不同的Node上相互独立地并发执行个体适应值计算、选择、交叉和变异等操作,在Partition环节将每个子群所提取的最优个体迁移到其他子种群中,以实现各个子种群的共同进化。该方法充分利用了MapReduce的高度并行性,提高了算法的效率,同时在一定程度上克服了过早收敛和局部最优解问题。     

遗传算法的收敛性分析

理论分析算法发生过早收敛的原因、收敛速度与各个控制参数以及适应度函数的关系,并提出与证明了判断遗传算法收敛性的统一判据。     

基于种群成熟度的修正遗传算法

提出了一种基于种群成熟度的修正型遗传算法.在该算法中,提出一种新的对个体选择进行交叉的方法.同时分析了遗传算法出现早熟情况的机理.为了避免遗传算法的过早收敛问题,在遗传算法的进化过程中计算和判断种群的成熟度,为种群提供了双进化模式.实验结果表明,新算法不仅提高了算法的精度,而且能克服GA算法中出现的"早熟"现象,是一种提高遗传算法性能的有效改进算法.     

一类模拟退火算法与遗传算法混合优化策略

提出一类模拟退火算法（GA）和遗传算法（SA）的混合策略。算法结构上,提出模拟退火算法与遗传算法相结合,既发挥模拟退火算法搜索面广、遗传算法收敛快的优点,又克服前者收敛速度较慢而后者收敛容易早熟的问题。在算法操作细节上,加入杰出个体保护策略及自适应调整的遗传操作,以及增加记忆功能的模拟退火操作与收敛准则。从而既防止算法陷入局部最优,又提高收敛速度及搜索效率。     

三角旋回算法及其在水电厂日前市场优化调度中的应用

为了解决水电复杂巨系统的优化问题,借鉴遗传算法和量子算法,提出一种新的全局优化方法——三角旋回算法（Triangle Gyration Algorithm,TGA）,其具有结构简单、鲁棒性强和快速收敛的特点。算法的寻优过程采用历史最优目标函数值进行指导,利用三角变换进行迭代使其能够快速收敛到全局最优。用一个典型的算例对三角旋回算法进行了性能分析,并且将该算法应用在水电站日前现货市场优化调度中,通过与其他几种常见算法结果进行比较,该算法的优化结果日收益比动态规划增加8.58％,同时通过计算过程可以看出,该算法具有灾变机制,能够防止其过早陷入局部最优;算法结构简单,克服了随机搜索的盲目性,算法的迭代机理和选值与传统优化算法具有本质的差别;目前该算法研究处于初级阶段,具有巨大的可塑性。     

综合遗传算法及其在地震波阻抗反演中的应用

为了有效地克服非线性、多参数、多极值的组合优化问题中遗传算法的早熟收敛现象, 生物的小生境技术和自然界生物多种杂交方式并存、多个子群体并行以及灾变现象,而提出了一快速基因搜索策略。该算法以多个子群体不同杂交方式并行搜索为主,并结合 列配对的受限技术和灾变算子等方法来实现快速的寻优过程。对地震资料波阻抗反演的理论横亘试验表明,该算法的收敛能力和计算效率有了明显改善。     

一种基于APGA的移动机器人路径规划算法

提出了基于自适应并行遗传算法的移动机器人路径规划算法,其基本思想是结合多种群并行进化及自适应调整控制参数,提高了搜索的范围和效率,缓解了传统遗传算法早熟收敛问题,从而克服了使用单种群遗传算法进行路径规划的不足．实验结果表明了该算法在移动机器人路径规划中的可行性和有效性．     

余弦度量和适应度函数改进的聚类方法

K-均值算法因其简单和高效性, 在文本聚类中占有重要地位. 针对传统的K-均值算法对初始点敏感、易陷入局部最优的问题, 结合遗传算法已经成为一种趋势. 在充分发挥K-均值算法的高效性的同时, 该文利用遗传算法的全局自适应优化特点克服了对初始点敏感的问题. 同时, 以余弦度量评价对象间的相似性并以此构造新的遗传算法适应度函数、收敛准则以及遗传算法种群更新方式, 提高了K-均值和遗传算法这种结合方式的聚类精度, 并增强了该结合算法的稳定性.     

基于粒子群算法的火电厂机组负荷优化分配

通过研究粒子群(PSO)优化算法的基本原理,分析了该算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并将PSO优化算法应用于电厂机组负荷优化分配问题的研究。通过在3台机组系统的应用,验证表明较之遗传算法等传统优化算法,PSO优化算法在优化结果、搜索区间控制以及收敛速度等方面具有较好的特性,能更好地达到或接近全局最优解。     

一种遗传量子粒子群的属性约简算法

针对粒子群算法收敛速度不佳和易陷入局部最优的问题,提出了一种遗传量子粒子群优化(GQPSO)的属性约简算法,GQPSO算法利用量子系统较大的搜索范围,并借鉴遗传算法的选择、变异等操作,从而避免了算法过早收敛至局部最优,且能得到可观的收敛速度。实验结果表明,GQPSO算法具有更快的收敛速度和全局搜索能力,提高了属性约简的效率。     

基于GA的BP神经网络模型的研究及应用

分析了BP神经网络的缺陷和遗传算法的特点，提出了基于遗传算法的BP神经网络模型算法，该算法利用遗传算法全局寻优能力强等特点，可克服神经网络易陷入局部极小值、训练速度慢的缺陷。仿真结果表明：遗传算法和神经网络相结合的算法具有较好的全局快速收敛等性能。     

军事配送式后勤车辆路径问题研究

为提高军事后勤车辆的配送效率,实现快速响应,文中在分析军事后勤车辆路径问题特点的基础上,建立了单时间窗多目标动态军事后勤车辆路径模型,设计了遗传-蚁群混合算法对模型进行两阶段求解.仿真实验结果表明,该算法解决了遗传算法求解效率低及蚁群算法收敛过早的问题,可有效解决军事后勤车辆动态路径优化问题.     

基于动态搜索轨迹的混合遗传算法设计及实现

遗传算法是应用比较广泛的一种随机优化算法,针对其在全局优化问题中容易出现早熟和收敛速度慢,不利于在实时控制中应用的问题,提出了一种基于DST的混合遗传算法,该算法利用遗传算法的全局搜索能力,同时采用DST算法来提高收敛速度及预防早熟.将该混合遗传算法应用于求解复杂多峰函数的优化问题,通过与简单遗传算法的比较,可发现该方法明显地提高了搜索效率和成功率,从而验证了该算法的有效性.     

基于遗传算法和蚂蚁算法求解函数优化问题

针对遗传算法求解精度低以及蚂蚁算法求解速度慢的问题，提出一种基于遗传算法和蚂蚁算法的混合算法.该混合算法利用了遗传算法快速随机的全局搜索能力的优点，设计了编码与适应度函数，进行了种群生成与染色体的选择，并通过设定交叉算子和变异算子， 生成了信息素分布.该混合算法利用了蚂蚁算法正反馈以及具有分布式并行全局搜索能力的优点，通过确定吸引强度的初始值，建立了强度更新的模型，从而求得精确解.并将该算法应用于求解函数优化问题.结果表明，该混合算法与遗传算法和蚂蚁算法相比，收敛速度快，寻优性能好.