一种新型遗传算法

给出了一种基于拉马克学习和精英保留策略的新型遗传算法。设计了拉马克学习规则和拉马克遗传算法框架,给出了算法收敛性的数学证明,并利用测试函数与经典遗传算法进行了对比实验。实验结果表明,该算法具有较好的收敛性能和局部搜索能力,可以用于求解各种工程优化问题。     

最优保留遗传算法及其收敛性分析

最优保留ＧＡ（ＥＧＡ）是目前ＧＡ收敛性研究中比较典型的一类。在已有研究成果的基础上给出了ＥＧＡ更一般的规范化定义,指明了ＥＧＡ全局收敛的本质及其两种实现方式,并分别对它们进行了收敛性分析。最后提出一种变形的全局收敛的ＥＧＡ。     

一种多策略并行遗传算法及其收敛性分析

为解决传统遗传算法收敛速度慢、群体多样性不足的缺陷,提出了一种多策略并行的遗传算法;算法采用多策略并行处理的方式,产生不同策略模式下的个体,增加群体的多样性,再经过自适应迁移策略,提高算法的收敛速度;利用Markov链模型分析多策略并行遗传算法的收敛性;采用旅行商函数进行算法测试,结果表明改进算法的收敛性较传统遗传算法有较大的提高,具有较强的工程应用性能。     

演化算法的收敛性分析及算法改进

文章利用马尔可夫随机过程刻画了演化算法,证明了标准演化算法是不收敛的,说明了演化算法收敛于最优解的必要条件:非完全遍历性。并论证了采取精华保留策略的标准遗传算法以概率1收敛于最优解,并据此分析了一个典型实例———GTGA算法的收敛性及其算法改进方案。     

一种改进的最优保存遗传算法

在已有的研究工作基础上，给出了一种改进的最优保存遗传算法，研究了算法的全局收敛性和收敛速度，并给出了收敛性证明．数值实验表明．该算法能够有效的求解全局优化问题．     

一种改进的遗传算法在系统参数辨识中的应用

文章分析了传统遗传算法存在的缺陷,以及它们产生的原因,提出了解决这些缺陷的方法.该文通过合理选择编码方式,改进初始种群选择策略、复制、交叉和变异策略得到一种综合的改进遗传算法,并将其应用于模型参数辨识.实验证明用基于排序法的新的选择算子和多个交叉、变异概率,能有效维持种群的多样性,克服算法早熟现象.在对下一代个体的选择中用到精英保留策略和模拟小生境方法,有效加快了收敛速度.同时在系统辨识的过程中,本文结合先验知识,对模型阶次的辨识进行指导,从而大大的提高了搜索速度.     

一种新的改进遗传算法

该文提出了一种新的改进遗传算法,通过设计与进化代数相关的交叉概率及与个体适应度相关的自适应变异概率,并采取避免近亲繁殖的交叉手段等方法,来改善遗传算法的质量,提高其搜索能力和收敛速度。计算结果表明该算法达到了预期效果。     

遗传算法的收敛性研究

本文讨论了遗传算法的收敛性问题，提出了一个收敛的充分条件，证明了对任何问题，只要其问题空间编码和遗传操作的组合满足这个条件，就可以用遗传算法求解，由此得到了ＧＧＡ－难题珠新定义，解释了现有模式理论所不能解释的最小欺骗问题，并讨论了它的可操作性。     

一种快速收敛的遗传算法

为了解决遗传算法的收敛速度和全局收敛性之间的矛盾，提出了一种新的快速收敛的改进遗传算法。该改进算法设计了与个体适应度相关的变异算子，以及与早熟情况、进化代数和个体适应度有关的移民算法。实例验证表明，该改进遗传算法在收敛速度和获取全局最优解的概率两个方面都有很大的提高。     

基于空间交配遗传算法的收敛性分析

基于空间交配遗传算法(GASM)采用空间交配遗传算子,有效克服早熟收敛问题,但缺少相关理论分析。文中采用马尔可夫链分析基于空间交配遗传算法的收敛性。证明采用最优个体保留机制的GASM,可收敛到全局最优解。同时证明在没有变异算子的情况下,GASM以概率1收敛到全局最优解。通过4个测试问题(其中3个为多峰值复杂问题)的对比实验,结果表明,GASM在求解多峰值复杂问题时,比采用最优个体保留机制的经典遗传算法,具有更好的收敛性。同时也与快速蜂群优化算法进行比较实验。     

元胞遗传算法的收敛性分析和收敛速度估计

元胞遗传算法是空间结构化种群的遗传算法,将遗传操作限制在相邻个体之间进行,限制优势基因的扩散速度,保持种群的多样性,改善遗传算法的性能。但是,目前有关元胞遗传算法收敛性的分析还较缺乏。文中根据元胞遗传算法的特性,建立元胞遗传算法的吸收态 Markov链模型,证明元胞遗传算法的收敛性。提出元胞遗传算法的首达最优解期望时间的估算方法,并估计标准同步元胞遗传算法首达最优解期望时间的上下界。     

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。     

改进型自适应遗传算法在VRPTW中的应用

在以往方法研究的基础上,分析遗传算法中不同的遗传算子及其主要运行参数变异概率和交叉概率对求解问题的影响,对传统的遗传算法进行改进,提出改进型自适应遗传算法。实验结果表明,经过改进的遗传算法能够比较有效地避免算法的"早熟"收敛,能够以更大的概率获得问题的最优解,求解质量更为优良,提高算法的性能。     

改进型自适应遗传算法在VRPTW中的应用

在以往方法研究的基础上．分析遗传算法中不同的遗传算子及其主要运行参数变异概率和交叉概率对求解问题的影响,对传统的遗传算法进行改进,提出改进型自适应遗传算法。实验结果表明,经过改进的遗传算法能够比较有效地避免算法的“早熟”收敛,能够以更大的概率获得问题的最优解,求解质量更为优良,提高算法的性能。     

遗传算法中选择策略的分析

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及其在工业工程领域的成功应用,这种算法受到了国内外学者的广泛关注。本文介绍并讨论了最能体现遗传算法“自然选择、适者生存”特点的选择算子的多种操作策略,提出一些可以进一步改进和完善遗传算法选择算子的研究方向,可提高遗传算法的性能,从而扩大遗传算法在各个领域的应用。     

改进的遗传算法求解TSP问题

实际应用中经常用人工智能算法如遗传算法求解TSP等一类NP难题．针对原有的遗传算法在初始化种群随机性的缺陷以及在产生子代过程中无法保存最优个体的问题．给出基于贪心算法的种群初始化和交叉变异后最优个体保存算法相结合的改进遗传算法,并在VC＋＋平台上对该算法的实现过程进行动态演示。     

改进型遗传算法智能组卷系统研究

研究测试理论和组卷过程的数学模型,分析利用遗传算法来实现智能组卷的目标：求解出满足用户条件要求的一套最优试卷。同时重点研究简单遗传算法＂早熟＂现象的原因,对参数编码、种群初始化、遗传操作和控制参数等方面加以改进。通过仿真实验表明,改进型遗传算法比简单遗传算法具有收敛速度快、稳定性高的优点,同时能有效地避免＂早熟＂现象,从而较好地实现智能组卷。     

基于种群差异度的自适应遗传算法

常规遗传算法采用恒定的选择压力和变异概率,后期进化速度较慢,对于复杂优化问题通常难以获得高质量的解。该文根据染色体的相似性,提出了种群差异度的概念,并依据种群差异度自适应地调整遗传参数。算例表明,与常规遗传算法相比,文章提出的算法能显著提高解的质量和收敛速度。