工程结构优化设计的改进混合遗传算法

根据工程实际以及规范规定的约束条件和各项技术标准要求,建立了离散变量结构优化模型。针对遗传算法在迭代过程中经常出现的未成熟收敛、振荡、随机性太大和迭代过程缓慢等问题,采用一种新的遗传算子即单亲遗传算子对遗传算法进行了改进,并提出了离散变量结构优化设计的三等分割算法与遗传算法相结合的混合遗传算法。优化设计结果表明:改进混合遗传算法的收敛特性得到了很好的改善,既具有三等分割算法省时、高效、局部搜索能力强的特点,又具有遗传算法全局性好的特点,是高效、理想的工程结构优化设计方法。     

基于改进遗传算法的有功经济负荷分配

提出将爬山算法与遗传算法相结合,从而构成了求解有功负荷分配问题的混合遗传算法,并进行实验计算。计算结果表明,用混合遗传算法求解有功负荷分配问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和爬山算法在全局搜索能力方面的不足,从而得到质量较高的解。     

遗传模拟退火算法在结构优化设计中的应用

遗传算法、模拟退火算法都是随机搜索方法,在处理全局优化、离散变量、多连通可行区等困难问题中,具有传统结构优化算法不可比拟的优势.笔者针对遗传算法和模拟退火算法的特点,取长补短,结合成一种混合遗传算法—遗传模拟退火混合算法.经改进后的混合算法既发挥了遗传算法全局搜索能力强的特点,又保留了模拟退火算法局部寻优效果好的优点.     

求解非线性互补问题的混合遗传算法

提出一个求解非线性互补问题的混合遗传算法,即首先将非线性互补问题转化为等价的最优化问题,然后利用浮点遗传算法全局群体搜索能力及起始搜索速度快的特点,快速得到接近精确解的近似解。之后将其作为牛顿法或拟牛顿法的初始值,利用其局部寻优能力非常强的特点,快速迭代至满足精度要求的数值解。该混合遗传算法充分利用了浮点遗传算法和（拟）牛顿法的各自优点。数值结果表明该方法是有效的。     

基于混合遗传免疫粒群优化的网络拥塞控制方法

微粒群优化算法具有搜索速度快、易于实现等优点,然而在解决实际问题中它容易陷入局部最优.笔者通过给出一种混合的策略——遗传免疫粒群算法,将遗传算法,免疫算法引入到微粒群算法中,既能提高全局搜索能力,避免在搜索过程中陷入局部最优,又使算法保留了种群多样性的特点,提高算法的收敛速度.将该算法应用于网络拥塞控制中,提出一种基于混合遗传免疫粒群优化的网络拥塞控制方法来解决网络拥塞问题,通过仿真研究,验证了该方法的可行性.     

基于遗传模拟退火算法的钢桁架结构优化设计

将遗传算法(GA)的全局寻优性能好和模拟退火算法(SA)的局部搜索能力强的优点相结合,提出了用于钢桁架结构离散变量优化设计的遗传模拟退火算法(SAGA).以十杆桁架为例对此算法进行了数值实验,并将实验结果与其他优化方法相比较.算例结果表明,遗传模拟退火算法的寻优概率是100%,平均进化代数为35代,其稳定性和求解效率均高于改进的遗传算法.实验结果显示,遗传模拟退火算法在整体搜索同时,采用退火操作进行局部搜索,提高了算法的局部搜索能力,有效克服了遗传算法迭代缓慢的缺点,把遗传模拟退火算法用于钢桁架离散变量的优化设计中是行之有效的.     

机组负荷优化的遗传-禁忌混合算法

针对遗传算法“爬山”能力差的缺点，提出在遗传算法中引入禁忌搜索操作来提高局部寻优能力，并应用遗传-禁忌混合算法进行了火电机组负荷优化研究.在遗传算法每计算一定代数后，将每个个体作为禁忌搜索的初始解进行搜索，可以改善群体质量，加快搜索速度.混合算法有效地综合了遗传算法的全局搜索能力和禁忌搜索算法的局部搜索能力，从而避免出现“早熟”现象，改善了算法的收敛性.应用某实例进行负荷优化计算，结果表明混合算法大大改善了局部搜索能力和搜索速度，可以有效解决机组在线负荷优化难题.     

基于下降搜索的混合遗传算法

针对基本遗传算法局部搜索能力不强的问题,提出一种将下降搜索与遗传算法相结合的混合遗传算法,其中下降搜索的优化方向利用每一代中最劣个体所包含的优化信息获得.数值计算表明,该混合算法可加速算法的收敛,具有良好的优化性能和函数适应能力.     

用混合遗传算法求解武器目标分配问题

为了提高武器目标分配问题的求解效率,提出了一种求解武器目标分配问题的混合遗传算法.针对遗传算法局部搜索能力的不足,引入局部搜索能力很强的爬山算法与之结合,构造了武器目标分配问题的混合遗传算法.计算结果表明,混合遗传算法与传统优化算法相比,收敛速度更快,分配结果更优,具有很好的应用价值.     

用免疫遗传算法实现配送路线求解

合理的配送路线可以提高物流配送的效率。针对遗传算法局部搜索能力较差的缺点,提出将免疫算法与遗传算法相结合的遗传免疫算法来对物流配送路线进行优化。采用免疫检测与免疫选择对遗传算法进行改进,并阐述了免疫算法求解配送最优路径的步骤。实例证明,免疫算法能较好地解决遗传算法中出现的退化现象,而且使收敛速度显著提高,具有良好的局部与整体收敛性,是有效可行的。     

应用种群多样性二进制蛙跳算法实现机会频谱分配

针对NP-Hard认知无线电分配模型,提出了基于种群多样性的二进制蛙跳算法.传统蛙跳算法采用整数编码和相关的搜索方法,新算法采用种群文化倾向性,在二进制编码条件下实现了最优或次优解搜索.依据模式理论,以海明距为数学工具,定义了种群多样性参量作为早熟判别指标,当出现早熟时,在保留精英个体前提下进行种群重构,避免算法陷入局部最优.为了证明算法的有效性,进行了100种网络拓扑结构的对比实验,实验数据说明,新算法优于粒子群、遗传算法和量子遗传算法,针对3种适应度函数,其优胜率分别为100%、75%和100%.     

一种基于排挤机制的改进遗传算法

为解决遗传算法求解具有多个极值点的函数时容易出现的早熟的弱点,根据排挤机制,提出了一种改进的遗传算法。该算法采用分组选择的方式,首先按适应度大小进行分组,然后根据个体间相似度来淘汰种群中相似个体,以此维持种群的多样性,避免算法未成熟收敛。用典型函数对算法进行测试,结果表明该算法性能优于基本遗传算法。     

自适应遗传优化BP网络的研究与应用

针对遗传算法易出现种群多样性被破坏、早熟收敛的问题,在Srinivas的自适应遗传算法(AGA)的基础上,引入种群多样性的度量参数,提出一种改进的自适应遗传算法(MAGA),利用种群多样性和适应度的变化趋势调整交叉和变异概率,继而提出基于MAGA优化BP(back-propagation)神经网络的流量分类方法(MAGA+BP),兼顾了MAGA和BP算法分别在搜索全局和局部最优解方面的优势. 在剑桥大学共享的网络流量数据上进行了仿真实验,结果表明,MAGA较好地维持了种群的多样性,克服了AGA早熟收敛的问题,搜索到最优解的适应度提高了10.17%, MAGA+BP方法对流量数据具有较好的分类效果.     

Generalized Self-Adaptive Genetic Algorithms

In order to solve the problem between searching performance and convergence of genetic algorithms, a fast genetic algorithm generalized self-adaptive genetic algorithm (GSAGA) is presented. (1) Evenly distributed initial population is generated. (2) Superior individuals are not broken because of crossover and mutation operation for they are sent to subgeneration directly. (3) High quality im- migrants are introduced according to the condition of the population schema. (4) Crossover and mutation are operated on self-adaptation. Therefore, GSAGA solves the coordination problem between convergence and searching performance. In GSAGA, the searching per- formance and global convergence are greatly improved compared with many existing genetic algorithms. Through simulation, the val- idity of this modified genetic algorithm is proved.     

基于遗传BP算法的我国汽车保有量预测

在对我国中长期汽车保有量预测时。针对传统BP算法的不足,采用遗传算法优化BP算法的连接权值。使优化后的BP网络的训练速度和预测精度得到了有效提高,说明该方法具有较好的实用性和推广价值．     

一种基于信息熵的自适应遗传算法

为解决传统遗传算法容易早熟及收敛速度慢的缺陷,在分析了多样性的重要性后,提出了一种新的基于信息熵的遗传策略,该策略在保留最优个体的基础上,根据当前种群个体熵与种群熵的变化自适应调整遗传算子的各项参数,将种群的内部状态与遗传操作有机地结合起来,使得种群多样性得到保证,提高算法的全局搜索能力.试验结果表明了该方法在运行过程中能避免早熟的发生,在处理复杂问题时表现出较高的性能.     

A novel genetic algorithm preventing premature convergence by chaos operator

ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ(ＧＡｓ),ａｓａｋｉｎｄｏｆｓｅａｒｃｈｉｎｇａｎｄｏｐｔｉｍｉｚｉｎｇａｌｇｏｒｉｔｈｍ,ｉｓｂａｓｅｄｏｎｔｈｅｐｒｉｎｃｉｐｌｅｓｏｆｎａｔｕｒａｌｅｖｏｌｕｔｉｏｎ[1].Ｉｔｈａｓｂｅｅｎｅｓｔａｂｌｉｓｈｅｄａｓａｖｉａｂｌｅａｎｄｒｏｂｕｓｔｔｅｃｈｎｉｑｕｅｆｏｒｓｅａｒｃｈｉｎｇａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｃｒｏｓｓａｄｉｖｅｒｓｅｄｏｍａｉｎｏｆｄｉｓｃｉｐｌｉｎｅｓ.Ｈｏｗｅｖｅｒ,ｗｈｅｎａｐｐｌｙｉｎｇＧＡｔｏｓｏｌｖｅｌａｒｇｅｓｃ…     

高效寻优的经验遗传算法

为了寻求高效的寻优方法,本文提出经验遗传算法,用神经网络模型经验地预测每代种群个体的适应度,从而减少对问题直接求解的次数,提高遗传算法的计算效率．通过对6个经典测试函数的数值计算分析,结果验证了本文所提的算法的有效性,而且能降低计算量．     

遗传算法中群体多样性评价指标的研究

本文针对遗传算法中早熟问题进行了分析,提出了评价群体多样性的两个性能指标,在此基础上结合模糊逻辑调节遗传算法的交叉和变异概率.对一组函数优化问题对标准算法和优化算法进行测试,测试结果表明基于模糊逻辑控制的遗传算法的性能要优于标准遗传算法.证明本文提出的群体多样性的评价指标是有效的.     

基于混合遗传算法的电子市场双边协商求解

双边协商是电子市场交易过程中重要环节，目标是寻求使买卖双方效用最大的协商方案。在构建电子市场双边协商的决策模型的基础上，提出了一种求解双边协商问题的十进制编码、实施保留最优策略和基于种群熵的混合遗传算法。该算法能够避免二进制编码的缺点，有效地提高收敛速度、克服早熟现象，并容易引入领域知识。算例说明了该混合遗传算法的高效性。