噪声环境下遗传算法的研究

噪声环境下遗传算法的有效实现对于提高遗传算法实际应用价值具有非常重要的意义。文中对遗传算法领域的噪声环境以及噪声模型进行了分析和描述,着重从函数优化和模式定理分析了噪声环境对遗传算法的影响和主要原因,最后采用高斯噪声模拟噪声环境,对传统遗传算法和两种常用改进遗传算法进行了性能比较和分析。     

一种遗传算法适应度函数的改进方法

针对简单遗传算法中线性适应度函数随进化过程恒定不变的缺点。提出一种可随进化代数动态调整的非线性适应度函数。以典型的遗传算法测试函数为算例,分别以Goldberg提出的线性拉伸方法与文中提出的改进遗传算法进行计算。计算结果表明文中提出的动态适应度函数对简单遗传算法的改进有较明显的效果。     

改进遗传算法搜索性能的大变异操作*

遗传算法是一种模仿自然界生物进化过程中选择和遗传的机理而构造出的一种优化搜索算法，但是，简单遗传算法的收敛速度较慢，稳定性较差，针对这些问题，本文提出了一种被称为“大变异”的改善遗传算法性能的操作，在文中分别讨论了该操作的思路，实现的方法，并给出了它的有效性的数值实验证明。     

改进适应度函数的遗传算法

提出了一类新的改进的适应度函数的遗传算法，考虑了函数在搜索点的函数值及其变化率，结果表明收敛速度明显高于标准遗传算法。     

基于改进的遗传算法在函数优化中的应用

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点,提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率;为了加快寻优效率,在选择算子方面将引进的选择算子与最优保存策略相结合;为了使遗传操作过程中种群数量恒定,又提出了保留亲本的策略。通过仿真实验发现,与经典遗传算法GA和IAGA相比,改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。     

改进适应度函数的遗传算法

提出了一类新的改进的适应度函数的遗传算法,考虑了函数在搜索点的函数值及其变化率,结果表明收敛速度明显高于标准遗传算法。     

一种改进的量子遗传算法及其应用

针对基于Bloch球面坐标编码的量子遗传算法应用中的优化效率低和局部寻优较差能力问题,提出2点改进措施：在比较种群的基础上将局部搜索与全局搜索相结合;依据三链特性将搜索空间扩展为3Bloch球面空间。将改进算法应用于多变量函数极值优化问题,仿真结果表明,该改进算法寻优代数小、收敛速度快、效率高,并且具有较好的种群多样性,验证了改进措施的有效性。     

遗传算法的改进

简要介绍了一般遗传算法的基本原理，由此提出了一个新的改进算法，它导向以适应度比较高的模式为祖先的染色体“家族”方向。文中给出了两个典型求最大值的例子，从结果中看，改进后的遗传算法大大提高了算法的速度，精度也有所提高。     

一种基于改进遗传算法的多峰函数优化研究

本文针对多峰函数优化问题,提出了一种基于排序的遗传算法,该算法对原有遗传算法的编码方式、选择算子、交叉算子及变异算子进行了改进,增加了灾变算子及精度调整环节。使搜索效率有了较大提高,较好地避免了系统,在实例运行中体现出优良特性。     

改进量子遗传算法用于多峰值函数优化

传统遗传算法（SGA）在处理多峰值函数优化问题中存在局部收敛性的问题,最初的量子遗传算法（QGA）也存在这一问题。运用一种改进量子遗传算法（MQGA）,有效地解决了一些多峰值函数的优化问题。根据几个重要的测试函数进行仿真实验结果证明,与SGA和QGA相比,改进的量子遗传算法（MQGA）在一些多峰值优化问题中更具有效性和可行性。     

一种基于云模型的改进型量子遗传算法*

针对量子遗传算法在函数优化中易陷入局部最优和早熟收敛等缺点,采用云模型对其进行改进,采用量子种群基因云对种群进化进行定性控制,采用基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明,该算法可以避免陷入局部最优解,能提高全局寻优能力,同时能以更快的速度收敛于全局最优解,优化质量和效率都要优于遗传算法和量子遗传算法。     

最大团问题的改进遗传算法求解

最大团问题是组合优化中经典的NP完全问题,该问题的枚举算法只适用于求解中小规模的图。提出了基于遗传算法的最大团问题求解算法,引入概率模型指导变异产生新的个体,并结合启发式局部算法搜索最大团。经算例测试,获得了较好的效果。     

一种改进的遗传算法：GA-EO算法

针对基本遗传算法(GA)有局部搜索能力差、计算量大、对较大搜索空间适应能力差和易收敛于局部极小值等问题,采用将极值优化(EO)算法与传统遗传算法相结合的方式,对基本遗传算法进行改进,提出了一种新的算法:GA-EO算法,并用实验证明了新算法的有效性。     

基于成长算子的改进遗传算法及仿真

模拟生物界成长发育过程,加入成长算子对遗传算法框架进行改进,形成新的算法框架-成长遗传算法(growth GA)．该算法能够克服简单遗传算法寻优速度较慢、局部搜索能力较弱的缺点．利用爬山法局部搜索能力强的特点,给出成长算子的一种具体实现,并证明加入成长算子不改变算法收敛性．与简单遗传算法和确定性拥挤遗传算法的对比函数优化实验证明:成长遗传算法有利于兼顾寻优速度和收敛精度．     

采用半初始化和概率扰动策略改进的遗传算法

针对遗传算法在函数寻优过程中收敛速度慢、易陷入局部最优解的问题，提出一种采用半初始化和概率扰动策略改进的遗传算法DIAGA。首先，通过引入概率扰动策略增加了算法迭代后期的种群多样性，采用半初始化从根本上改变了算法在全局最优解比较过程中的局限性；然后利用马尔可夫链理论证明了DIAGA的收敛性；最后，对六个标准测试函数进行仿真测试。仿真实验结果表明，提出的DIAGA有效摆脱了局部收敛，在搜索精度、收敛速度上具有明显优势，就多维测试函数而言，寻优精度提高了约29%。     

改进的模拟退火和遗传算法求解TSP问题

对遗传算法和模拟退火算法的特点进行了比较,阐述了遗传算法与模拟退火算法集合的必要性。提出了一个用于求解TSP问题的改进的模拟退火和遗传算法。利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。在遗传算法中改进了传统的交叉机制,利用父代染色体与子代染色体进行交叉,解决了传统遗传算法中存在的“早熟”问题。针对模拟退火算法收敛速度慢等问题,提出了新的解生成机制和改良算法,提高了算法的收敛速度。实验测试的结果表明,该方法具有较好的收敛效果和更高的稳定性。     

求解背包问题的一种改进遗传算法

讨论了遗传算法在问题求解中的早熟现象,引进一个参数用以衡量种群中染色体的相似程度,用以增加种群的多样性;在杂交和变异运算过程中,混合了模拟退火思想作为新个体的接受准则;通常的变异算子需要扫描每一个染色体中每一个等位基因,提出一种新的变异方式,大大提高了算法搜索效率。通过实际计算比较表明,该改进遗传算法在背包问题求解中具有很好的收敛性、稳定性和计算效率。     

求解车辆路径问题的改进遗传算法

车辆路径问题是一个典型的组合优化类问题,遗传算法是求解此类问题的方法之一。针对遗传算法容易出现“早熟”现象的问题,借鉴免疫算法通过抗体浓度抑制以保持种群多样性的优势以及模拟退火算法的个体选择策略,提出了一种改进的遗传算法,并将其用于解决车辆路径问题。实验验证了算法的有效性以及求解的效率和解的质量。     

遗传算法的基因定位算子

针对遗传算法局部搜索能力弱,求解精度不高的缺陷提出了一个基因定位算子.该算子的思路是进化一定代数(L)后通过对最优的若干个(N)染色体基因位从高位到低位逐次进行比较,如果当前的基因位都相同时便把该基因位确定下来,以后的交叉、变异操作都不让该基因位参考,随着算法的进行,染色体基因便从高位到底位逐渐地确定下来.基次,通过在基因定位过程中引入模拟退火思想和小生境技术等局部搜索能力的算法,提高该算子的全局优化能力.最后,通过几个非常容易陷入局部最优的测试函数测试表明几乎所有的峰值都得到了理论值.