基于K-近邻域搜索的遗传算法求解旅行商问题

针对传统遗传算法在求解旅行商问题时存在容易陷入局部最优和运算时间较长的问题,着重考虑影响算法局部搜索能力和种群多样性保持两个方面的因素,提出改进策略.将交叉变异产生的新个体与父代种群合并后剔除重复个体,再选择优势个体作为新种群,防止种群中适应度值较低但具有优质基因的个体被剔除,促进种群多样性的发展;通过分析旅行商问题的内在特性,采用K-近邻域搜索的方式减少变异算子的无效操作,提高算法局部搜索能力及算法寻优效率.实验结果表明：与BLS算法相比,改进遗传算法的平均解误差降低了15.36%;相较于传统遗传算法,应用新型变异算子的改进遗传算法收敛速度明显提高.全精英选择法能较好地保持种群多样性,新型启发式变异算子在全局搜索的同时加强了局部搜索能力,对提高算法求解精度和寻优效率都有较好的效果.     

基于遗传算法的移动机器人路径规划及人机协同控制研究

在分析传统遗传算法在路径寻优时易过早出现"最优解"及易陷入局部最优等不足,本文提出了一种改进的遗传算法.在生成初始种群时,产生可行且较优的父代,同时为了减小传统遗传算法在随机交叉和变异时引起的不稳定性,设计自适应交叉、变异概率,以提升算法效率,然后引入灾变算子防止算法陷入局部最优,过早得到"最优解".最后设计了移动机器...     

基于均分法的小生境遗传算法

为了避免遗传算法种群中个体过早陷入局部最小,在以往随机初始种群的基础上提出一种均分法,使得初始种群随机平均地分为若干个子种群,形成小生境,这样既维持了种群的多样性,也使得种群中的个体不会过早出现早熟现象,更提高了算法的收敛速度.同时采用了自适应技术控制交叉和变异的概率,使得算法能更快速地找到最优解.仿真结果表明,与传统的遗传算法优化RBF网络相比较,新算法的迭代次数更少,精度更高,大大提高了收敛速度.     

基于维度扰动的快速非支配排序遗传算法Ⅱ

快速非支配排序遗传算法Ⅱ(non-dominated sorting genetic algorithm Ⅱ,NSGA-Ⅱ)是经典多目标优化算法,然而,其采用的锦标赛选择策略在选择交叉父代时会产生大量重复个体,并进一步导致减少种群个体多样性,降低算法性能。为解决此类问题,提出了基于维度扰动的NSGA-Ⅱ。即通过在待交叉父代个体每个维度上引入扰动参数改变其值,然后将扰动父代做正常交叉操作产生新后代,以此避免了后代重复个体的产生。为验证算法的有效性,采用ZDT测试集作为测试函数。与现有算法相比,所提策略可有效地改善算法性能,证明了所提策略的有效性。     

基于进化遗传算法的神经网络优化

遗传算法能有效解决神经网络优化设计存在的问题,但古典的遗传算法有一定的弊端。本文对遗传算法的操作算子进行改进,对结点和连接权采用两种不同的交叉规则,使子代结点个数在两父代之间,而子代个体的权值在较好的父代个体两侧;并增加一个变异概率,增大网络的结构进行突变的几率,这样既加快了搜索进程,在精度上也收到了很好的效果。     

CEEMDAN组合DISPSO-LSTM的短期电力负荷预测

针对短期电力负荷预测精度低与准确性差的问题,设计了CEEMDAN-DISPSO-LSTM混合预测模型。运用自适应噪声的完全集成经验模式分解算法以获取平稳负荷序列,采用改进的动态个体-群体粒子群算法求解长短期神经网络参数的最优值,利用最优参数值构建的LSTM网络进行负荷预测。仿真结果表明:与其他模型相比,该混合预测模型取得了较低的电力负荷预测误差,其误差评价指标RMSE、MAE和MAPE分别为43.71 MW,28.53 MW和0.81%,有效地提高了短期电力负荷的预测精度和准确性。     

遗传算法中交叉操作研究及应用

系统的分析了遗传算法中交叉操作，得出如下结论：遗传算法中交叉操作的实质是子代个体为父代个体在小范围内进行大概率变异的结果，该范围由双亲个体分别进行与，或操作所得到的两个体决定。对该结论做出了理论证明，同时基于此思想提出了一种不含选择和变异操作的新式遗传算法Crossover GA(CGA)。将其应用到具体实例中并和几咱典型的遗传算法进行了比较，发现其性能优与同类其它算法。     

核模糊聚类划分子种群的双种群遗传算法

并行双种群遗传算法在一定程度上避免了单一机制遗传算法易出现"早熟"的现象,但在其迭代进化后期存在种群同质化严重的缺陷.针对这一问题,在进行种群划分时引入核模糊聚类算法,将个体适应度值作为双种群聚类划分的约束条件,并针对划分所得双种群,提出两种改进的自适应交叉及变异策略,分别侧重遗传算法中局部搜索能力和全局探索能力.通过典型测试函数进行验证,对比标准双种群遗传算法(2PMGA)及自适应双种群遗传算法(A-2PMGA).实验表明,所提出的核模糊聚类划分子种群的双种群遗传算法有效地解决了种群同质化的问题,避免子种群陷入同一局部最优值.     

基于最佳保留策略的遗传算法波阻抗反演

基于褶积模型的遗传算法与传统最优化算法相比,它不依赖于目标函数梯度信息,整个计算过程只依赖个体适应度值,能同时对搜索空间中的多个解进行评估,具有搜索过程随机,全局搜索性能强的特点。本文放弃传统的赌轮选择方式,采取一种最佳保留策略选择方式,并用单道地震记录进行反演,对两种结果进行差异分析,可知改进遗传算法反演结果精度更高。在改进遗传算法中,子代保留了父代中最好个体的同时保证了种群基因的多样性,从而保证最终可以搜索到全局最优解,避免了标准遗传算法中的早熟收敛现象。     

基于个体相似度的改进自适应遗传算法研究

针对遗传算法容易过早地收敛于局部最优解,即早熟问题,本文分析了产生早熟问题的原因,并在此基础上提出了个体相似度的概念。通过个体相似度选择进行交叉操作的父代个体,同时给出一种新的自适应调整交叉概率和变异概率的策略,并以求Schaffer’s F6函数的最大值为目标进行仿真实验。仿真结果表明,改进遗传算法跳出局部最优值的能力大于标准遗传算法和文献[12]算法,平均函数值也高于两者。因此,在全局收敛性上,该方法要优于标准遗传算法和传统自适应遗传算法,能够有效地避免早熟问题的发生。该研究适合于实际的工程应用。     

一种基于漂移和波动思想的遗传算法

为充分利用最优个体的信息,借鉴于漂移和波动思想设计出新的交叉与变异算子,提出一种新的遗传算法.新算法采用混沌策略处理不可行个体,新算子结合最优个体信息,兼具全局搜索与局部搜索性能.仿真实验表明,新算法不但加快了算法的收敛速度,而且提高了求解精度,是一种有效性算法.     

新型混合粒子群算法在核动力设备优化设计中的应用

针对标准粒子群算法在处理非线性约束优化问题时存在收敛速度慢、精度低和易陷入局部最优的缺点,设计了一种新型混合粒子群算法,该算法采用可行性原则处理约束条件,避免惩罚函数法中惩罚因子选取的困难;引入基本复合形法产生初始可行群体,加快粒子群收敛速度;引入遗传算法的交叉和变异策略,避免粒子群陷入局部最优;在迭代末期的优解附近,进行改进复合形算法的寻优,提高最优解的精度.通过算法测试基准函数的优化计算,结果显示,新型混合粒子群算法有较好的优化性能,并在核动力设备优化设计中有很好的应用.     

Application of hybrid coded genetic algorithm in fuzzy neural network controller

0　ＩＮＴＲＯＤＵＣＴＩＯＮＧｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ (ＧＡ)ｗａｓｆｉｒｓｔｌｙｐｒｏｐｏｓｅｄｂｙＪｏｈｎＨ .Ｈｏｌｌａｎｄ ,ａｐｒｏｆｅｓｓｏｒｏｆｐｓｙｃｈｏｌｏｇｙａｎｄｅｌｅｃｔｒｉｃａｌｅｎｇｉ ｎｅｅｒｉｎｇ＆ｃｏｍｐｕｔｅｒｓｃｉｅｎｃｅ ,ａｔｔｈｅｂｅｇｉｎｎｉｎｇｏｆ 1970 ,ａｎｄｗａｓｉｎｔｒｏｄｕｃｅｄｉｎｔｈｅＨｏｌｌａｎｄ’ｓｍｏｎｏｇｒａｐｈｉｎ1975[1] .ＩｔｉｓａｓｔｏｃｈａｓｔｉｃｓｅａｒｃｈｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＤａｒｗｉｎ’ｓｅｖｏｌｕｔ…     

一种基于分组遗传算法的聚类新方法

为提高聚类效果,提出了一种基于分组遗传算法的聚类新方法。以改进的分组编码方式表示种群中的个体并基于此制定了合理的种群初始化方案,采用改进的遗传操作算子和种群更新规则,利用遗传算法高效的全局搜索能力实现聚类。通过非线性排序选择机制和精英保留策略提高了遗传进化的稳定性;引入同类并行交叉和合并分割变异算子提高了算法运行效率,增强了全局寻优能力。实验结果表明,该聚类新算法能够自动获得最优聚类数和最优划分方案,具有良好的性能和聚类效果。     

无线Mesh网络功率控制与信道分配联合优化

针对无线Mesh网络网关节点和网络链路承载的负载不均问题,择优选择网关节点,并设计链路权重,构建以网络加权吞吐量为优化目标的资源分配模型.在构建的资源分配模型下,提出一种基于Q学习和差分进化的联合功率控制与信道分配算法（QDJPCA）.该算法通过获取功率控制的反馈结果,采用基于多重变异和自适应交叉因子的差分进化算法进行信道分配;针对每次迭代产生的信道分配结果,采用基于状态聚类和状态修正的Q学习算法实现功率控制.NS-3仿真结果表明,QDJPCA能够有效求解所提资源分配模型,在优先保证网关负载均衡和高负载链路吞吐量性能的基础上提升网络整体性能.     

一类特殊的非线性双层规划问题及其遗传算法

利用Karush-Kuhn-Tucker条件,将下层为凸规划的非线性双层规划转化为一个单层规划问题.为了提高遗传算法求解该问题的效率,利用对线性不等式约束添加松弛项和计算非线性约束边界点的方法,给出了一种新的约束处理方法;通过构造一个辅助线性模型降低了搜索空间的维数;结合算法产生的最优个体,设计了一个有助于改善个体适应度的杂交算子.     

移动IP中基于遗传算法的优化路由算法

提出了移动IP中带网络负载平衡的路由问题,通过建立网络模型,采用基于矩阵编码的改进遗传算法解决问题.遗传算法采用以矩阵编码为基础的交叉算子和变异算子,并使用排序选择算法作为选择算子.给出了改进算法的复杂度,从理论上证明了该算法的收敛性.仿真结果表明该算法具有很好的收敛性,并给出了在不同种群数(20～50)和交叉概率(0～75%)下最优解在一定值附近.采用此路由选择策略能够使移动IP网络中的网络带宽得到合理分配,优化了网络的性能.     

基于遗传算法的广义预测PID控制及其在锅炉主汽温系统中的应用

针对超超临界机组的主汽温控制,提出了一种广义预测PID控制方法,该方法采用改进遗传算法对PID控制器参数进行在线优化.采用了一种基于广义预测控制性能指标的遗传算法寻优思路,建立了主、副回路PID参数优化模型;在选择、交叉和变异算子方面,初始种群设计方面和交叉、变异概率调整方面对遗传算法进行了改进.最后对广东潮州电厂某锅炉现场连续运行的历史数据进行了控制仿真,结果表明采用基于改进遗传算法的预测PID控制策略后,系统在动、静态特性和变负荷能力上均比常规串级系统效果更好.     

基于GA优化人工免疫算法的结构故障诊断

针对大型结构的故障检测与分类问题,提出了一种基于GA进化机制的人工免疫算法.该算法将样本结构模式数据作为抗原刺激抗体集合,抗体集合经过选择、交叉、变异、构建最优抗体集合这一进化过程来提高记忆细胞质量,利用训练好的记忆细胞集合实现对实测数据的故障检测与分类.在Benchmark结构模型上的仿真实验结果表明,该算法能实现有效的故障模式识别,且提高了故障分类的成功率,引入了多父体交叉操作,扩大了算法的搜索范围,且能有效利用其他抗体的优良模式,克服了单纯人工免疫算法收敛速度慢的不足.     

基于实数编码的多父体杂交遗传算法

针对标准遗传算法（SGA）在实际应用中存在早熟收敛、精度较差及运算速度慢的缺点,文章提出了一种基于实数编码的多父体杂交遗传算法（MPGA）。该算法通过引入多父体杂交算子和新的变异算子,有效的增强了种群的多样性及算法跳出局部最优解的能力。实验结果表明该算法能够有效的提高全局搜索能力和局部快速搜索能力,对改进SGA的缺点是十分有效的。