一种基于多样化成长策略的遗传算法

遗传算法中,部分局部最优个体常常会抑制种群中其他个体的成长,使进化停滞,结果陷入局部最优．对此,提出一种基于多样化成长策略的遗传算法,通过采用迁移杂交、多态变异和群体突变等方法,对种群中不同适应度的个体给予不同的进化成长策略,以保持个体间的多样性,从而增强算法的寻优能力．对改进算法的算法复杂度进行了分析,并通过算例表明,多样化成长策略的各个部分均对改善寻优结果发挥了作用．

     

基于记忆库拉马克进化算法的作业车间调度

多种群遗传算法相比遗传算法在性能上能够有所提高,但对具有较多局部最优解的作业车间调度问题,多种群遗传算法仍然难以改善易陷入局部最优解和局部搜索能力差的缺点.因此,提出了一种求解作业车间调度问题的新算法MGA-MBL(multi-population genetic algorithm based on memory-base and Lamarckian evolution for job shop scheduling problem).MGA-MBL在多种群遗传算法的基础上通过引入记忆库策略,不但使子种群间的个体可以进行信息交换,而且有利于保持整个种群的多样性;通过构造基于拉马克进化机制的局部搜索算子来提高多种群遗传算法中子种群进化的局部搜索能力.由于MGA-MBL采用了全局寻优能力较强的模拟退火算法对记忆库中的个体进行优化,从而缓解了多种群遗传算法易陷入局部最优解的问题,并提高了算法求解作业车间调度问题的性能.对著名的benchmark数据进行测试,实验结果证实了MGA-MBL在求解作业车间调度问题上的有效性.     

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.     

拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法

针对蝴蝶优化算法存在种群多样性差、寻优精度低、收敛速度慢的不足,提出了拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法。首先利用拉丁超立方抽样种群初始化策略以提高种群的多样性,从而增强算法的全局搜索能力;然后引入在不同进化时期自动调节搜索范围的自适应最优引导策略,平衡算法的全局和局部搜索能力,从而提升算法的寻优精度;最后采用高斯小孔成像策略,对最优个体进行扰动,使得种群个体向最优个体靠近,以进一步提升算法的寻优精度并加快算法的收敛速度。通过对14个基准测试函数进行仿真实验以及Wilcoxon秩和检验,结果表明改进算法的寻优精度、收敛速度、稳定性和可扩展性等性能均得到了较大提高。     

改进遗传模拟退火算法在TSP优化中的应用

针对旅行商问题(TSP)优化中,遗传算法(GA)容易陷入局部最优、模拟退火算法(SA)收敛速度慢的问题,提出一种基于改进遗传模拟退火算法(IGSAA)的TSP优化算法.首先根据优化目标建立数学模型;然后对遗传算法部分中的适应度函数、交叉变异算子进行改进,使算法能够更加有效地避免陷入局部最优;最后根据旧种群和新种群每个对应个体的进化程度提出一种改进自适应的Metropolis准则,使模拟退火算法部分的染色体跳变更具有自适应性,利于算法寻优.对不同TSP实例的实验结果表明,与其他路径优化算法优化结果相比,所提出的IGSAA算法能够对不同TSP实例优化得到更优的旅行路径.     

基于SQP局部搜索的蝙蝠优化算法

针对基本蝙蝠算法存在寻优精度不高,后期收敛速度较慢和易陷入局部最优等问题,提出一种基于序贯二次规划（Sequential Quadratic Programming,SQP）的蝙蝠优化算法。该算法应用佳点集理论构造初始种群,增强了初始种群的遍历性;为避免算法陷入早熟收敛,引入柯西变异算子对种群中精英个体进行变异操作,增加种群多样性;在迭代后期,对最优个体进行SQP局部搜索,提高蝙蝠算法的局部深度搜索能力,保证个体在靠近全局最优值时能够寻优到全局最优解,加快种群进化速度。通过仿真实验结果证明,改进后的蝙蝠算法性能优越,具有良好的寻优精度和收敛速度。     

改进的自适应遗传算法在函数优化中的应用*

针对传统遗传算法在复杂函数优化的寻优搜索中容易陷入局部极值,搜索效率低,不稳定等特点,提出一种改进的自适应遗传算法,该算法的思想是根据进化中种群适应度的集中分散的程度非线性地自适应调节遗传进化的运算流程和交叉概率Pc、变异概率Pm的值,从而能更好地产生新的个体摆脱局部极值搜索到全局最优解,并采取最优保存策略来保证改进的自适应遗传算法的收敛性。仿真实验结果表明,与现存其他算法相比,改进的自适应遗传算法在全局寻优的收敛速度、最优解、求解精度、和稳定性等方面都有了较大的改进和提高。     

基于多精英协同进化遗传算法的云资源调度

传统的遗传算法(GA)在解决云资源调度问题时会随着问题规模的增大而出现早熟收敛、搜索效率低下、寻优能力差等现象.为了克服这些缺陷,提出一种基于多精英协同进化的遗传算法(MECGA).该算法通过多精英保留技术将适应度值大的个体选入精英子种群,通过与普通子种群进行协同交叉操作,可引导整个种群向最优解的方向移动;通过定义个体评价策略,将差异度高的个体也选入到精英子种群,这些个体又能够保证种群的多样性,使种群更容易跳出局部最优解.实验结果表明,ME C GA相较其他GA具有求解效率高、收敛速度快和寻优能力强等特点.     

协同演化算法在聚类中的应用

提出一种协同演化聚类算法,该算法使用改进的掩码方式动态决定聚类中心的数目。将种群划分成两个子种群,分别采用遗传算法和差分进化算法进行演化,遗传算法侧重于全局寻优,差分进化算法注重于局部搜索。在演化的过程中,利用不同的间隔迁移策略相互交换优良个体,使算法的全局探索能力和局部搜索能力得到均衡。通过性能测试、聚类中心数目和运行时间测试等实验证明该算法的优越性。     

基于改进遗传算法的物流配送路径优化研究

通过对物流车辆配送过程的研究分析,建立了不带时间窗约束的物流车辆配送路径优化模型。针对普通遗传算法早熟和易陷入局部最优的缺点,通过引入小生境技术对遗传算法进行了改进。其中,选择操作采用了最优个体保留和轮盘赌结合的策略,交叉操作采用最优路径子路径保留策略;变异算子保证个体逐代进化。个体交叉前的配对选择以及交叉完毕后的调整都引入了小生境选择机制。这些方法大大增强了种群的多样性和全局寻优能力,加速了算法的收敛。最后通过实例验证了算法的可行性、实用性和高效性。     

混合文化优化算法及在车间调度中的应用

针对文化算法收敛速度慢、易陷入局部最优解以及种群多样性少的问题,本文对文化算法进行优化设计,提出一种将带有精英保留策略的遗传算法(GA)和模拟退火算法(SA)纳入文化算法(CA)框架的混合优化算法.此算法基于协同进化的思想,算法分为下层种群空间和上层信念空间,两个空间采用了相同的进化机制,但使用不同的参数.在文化算法的基础上加入带有精英保留策略的遗传算法,使种群中的优秀个体直接进入下一代,以此提高收敛速度;加入模拟退火算法,利用其具有突变的特点,概率性的跳出局部最优并接受劣质解,以此增加种群多样性.函数优化结果证明了算法的有效性,将此算法用于求解最小化最大完工时间的流水车间调度问题,仿真结果显示,此算法在收敛速度和精度方面都优于其他几个具有代表性的算法.     

函数全局优化的改进实数遗传算法

针对有界区域复杂函数的全局优化问题,分析了一般实数遗传算法的不足,提出了一种新的改进实数遗传算法。在改进算法中,个体的适应度值直接按其目标值排序的方法获得,这可避免进化后期陷入局部极值;基于适应度的线性逼近交叉策略,随机遍历抽样选择、最优保存和子代淘汰父代选择结合的混合选择策略及变异概率动态变化的实值变异策略,可使算法以较快的速度收敛于最优值。对12个典型的复杂函数进行优化仿真,结果表明改进算法不仅收敛速度快,鲁棒性好,而且能得到较高的优化精度。     

考虑距离因素与精英进化策略的平衡优化器

针对平衡优化器（EO）存在寻优精度低、收敛速度慢、容易陷入局部最优的不足,提出一种考虑距离因素与精英进化策略的平衡优化器（E-SFDBEO）。该算法首先在平衡池候选解的选择中引入距离因素,通过自适应权重平衡适应度值和距离,调节算法在不同迭代时期的探索和开发能力;其次引入精英进化策略（EES）,以精英自然进化和精英随机变异两种方式提升算法的收敛速度和精度;最后使用自适应t分布变异策略对部分个体施加扰动,并以贪心策略对个体进行保留,使算法能够有效跳出局部最优。在仿真实验中对所提算法与4种基本算法和2种改进算法在10个基准测试函数进行比较,并对算法进行Wilcoxon秩和检验,结果表明所提算法具有更好的收敛性和更高的求解精度。     

混合策略改进的蝴蝶优化算法

针对蝴蝶优化算法存在的求解精度低、易陷入局部最优等缺陷,提出混合策略改进的蝴蝶优化算法.首先,利用Circle映射初始化蝴蝶个体的位置,增加初始个体的多样性;其次,在局部搜索阶段利用动态切换概率控制改进正弦余弦算法与蝴蝶优化算法的转换,充分利用少量的蝴蝶个体,增强算法的局部开发能力;然后,在全局和局部位置更新处引入自适应余切权重系数,控制蝴蝶个体下一代的移动方向和距离,提高算法的收敛速度和精度;最后,引入逐维变异策略,对全局最优位置变异,引导种群向最优位置进化,避免陷入局部最优.对八个基准函数进行仿真实验,结果表明,改进算法的收敛性能更佳,与其他改进算法相比具有一定的竞争力.     

基于多小组协同学习教学算法的车间作业调度问题

为求解车间作业调度问题(JSSP),提出一种新颖的多小组协同学习的教学算法,实现小组间学习的协同及基于学习能力的深度和广度搜索策略.针对JSSP问题因其复杂度较高容易导致算法陷入局部最优的不足,引入学习小组协同学习,通过组内学习和组内交流,使学习过程跳出当前的局限.为了兼顾局部和全局搜索能力,引入基于学习能力的深度和广度搜索策略,小组内学生按照学习能力强弱进行学习,较优的学生进行深度的学习,较差的学生进行广度的学习.最后,对OR-Library中的标准仿真实例进行实验,结果表明,所提出的教学算法在JSSP问题上的收敛精度和搜索能力较其他算法均得到了有效的提高.     

适合盲提取的自适应遗传算法

对盲分离问题中存在收敛速度慢、精度不高和容易陷入局部最优等缺点进行了研究,提出了一种基于改进自适应遗传算法的快速盲提取算法。在负熵判据的基础上,建立了最小化独立信号边缘熵准则。以盲提取目标优化函数为基础,对遗传算法的关键技术进行了改进,同时提出一种适合盲信号提取的适应度函数和防止算法局部收敛的监测策略,使算法能够自动跳出局部最优,快速地收敛于全局最优解。以改进的自适应遗传算法作为寻优算法,快速地实现了瞬时混合信号的盲提取。仿真实验表明,该算法性能稳定、收敛速度快,得到了全局最优解,有效地实现了信号盲提取。     

双策略学习和自适应混沌变异的郊狼优化算法

针对郊狼优化算法（coyote optimization algorithm,COA）存在收敛速度慢、求解精度低、易陷入局部最优的不足,提出一种基于双策略学习机制和自适应混沌变异策略的改进郊狼算法（coyote optimization algorithm based on dual strategy learning and adaptive chaotic mutation,DCSCOA）。首先,引入振荡递减因子,以产生具有多样性的个体来增强全局搜索能力;其次,利用双策略学习机制,适度地增强组群头狼的影响,以平衡算法的局部挖掘能力和全局搜索能力,同时提高算法的求解精度和收敛速度;最后,使用自适应混沌变异机制,在算法停滞时产生新个体,以使算法跳出局部最优。通过对20个基本测试函数和11个CEC2017测试函数进行仿真实验,结果验证了改进算法具有更高的求解精度、更快的收敛速度和更强的稳定性。     

基于信息素初始分配和动态更新的蚁群算法

针对蚁群算法搜索初期收敛速度慢和容易陷入局部最优的问题,对蚁群算法进行改进.在初始化阶段,采用贪心策略构造次优路径并增加该路径上的信息素浓度,实现不同路径上信息素的初始分配,使信息素在搜索初期就能发挥指导性作用,让蚂蚁更快地趋向于最优解的附近;在迭代寻优过程中,引入遗传变异操作,对每次迭代后的最优路径作变异操作,尝试寻...     

基于选择压力的全局优化元胞遗传算法分析

元胞遗传算法将遗传操作限制在邻域内进行,减缓了优势个体在群体中的扩散速度,具有更好的全局收敛性,在求解复杂优化问题中显示出优越性。与传统遗传算法对比,以选择压力作为分析手段,对元胞遗传算法进行定性分析。通过求解具有不同特征的函数,分析进化过程群体多样性变化,从进化过程群体分布图,直观得出元胞遗传算法具有较好的维持群体多样性能力;从计算的统计结果,得出元胞遗传算法能极大提高全局收敛率,并且求解稳定性更好。     

全局优化的蝴蝶优化算法

针对基本蝴蝶优化算法中存在的易陷入局部最优值、收敛速度慢等问题,提出一种全局优化的蝴蝶算法,引入limit阈值来限定蝴蝶优化算法陷入局部最优解的次数,从而改变算法易陷入早熟的问题,结合单纯形策略优化迭代后期位置较差的蝴蝶使种群能够较快地找到全局最优解;将正弦余弦算法作为局部算子融入BOA中,改善迭代后期种群多样性下降的缺陷,加快算法跳出局部最优。在仿真模拟实验中与多个算法进行对比,结果表明改进算法的寻优性能更好。