嵌套式模糊自适应遗传算法

针对简单遗传算法(SGA)收敛速度慢和早熟收敛现象,将模糊逻辑理论应用于遗传算法,并采用两级嵌套的遗传算法,随主遗传算法GA1求解优化问题的进化进程用模糊控制的方法自适应地调整遗传算法的交叉概率和变异概率;利用另一个遗传算法GA2优化模糊规则库,实现了一种嵌套式模糊自适应遗传算法(NFAGA)。仿真结果表明,这种算法的全局搜索收敛速度和解的质量明显优于SGA和一般的自适应遗传算法(AGA)。     

一种改进的抑制早熟收敛的模糊遗传算法

针对遗传算法中的早熟收敛现象,提出一种改进的模糊遗传算法。该算法将群体适应度均方差和种群的进化代数作为模糊逻辑控制器判断早熟收敛的标准,并根据判断结果对优劣不等的个体采取相应的进化方法,即当种群正常进化时对个体执行“惩强扶弱”的措施以保持种群多样性,一旦发生早熟收敛或有早熟收敛的趋势则对劣质个体进行局部灾变,以恢复种群的进化能力。实验结果表明,与标准遗传算法、自适应遗传算法和模糊遗传算法相比,改进的模糊遗传算法能够更好地维持种群多样性,抑制早熟收敛。     

模糊逻辑遗传算法的新方法

模糊逻辑是近年来提出的一种自适应调整策略,可以用来动态调整遗传算法的参数,以提高其性能.在此提出一种模糊逻辑遗传算法(FGA)的新模糊控制系统,它根据种群的进化速度和多样性的反馈信息,通过模糊逻辑控制器来对交叉率Pc和变异率Pm进行动态的自适应控制.实验结果表明,提出的FGA相对于简单遗传算法(SGA),不仅在与实际最优值差值上获得高1～3个数量级的精度,而且还提高了收敛的速度,较好地解决了SGA容易陷入早熟状态、某些函数进化速度慢等问题.     

遗传算法与模糊逻辑的结合及展望

本文详细介绍了遗传算法（GeneticAlgorithm）与模糊逻辑（FuzzyLogic）结合的研究与应用现状。按照对模糊系统的限制递减的顺序详细介绍了遗传算法在模糊控制系统中的应用；简单介绍了较标准遗传算法性能有很大提高的模糊遗传算法应用情况。     

模糊量子遗传算法及其应用

将模糊逻辑与量子理论相结合,提出了基于模糊逻辑的量子遗传算法（FQGA）。该方法使用模糊推理机指导量子门染色体更新和变异,自适应地调整量子门旋转角和变异概率。仿真结果表明：FQGA具有全局寻优能力、收敛速度快和计算时间短等优越性。     

并行遗传算法与神经网络,模糊系统的结合

遗传算法是模拟自然界生物进化过程的计算模型。本文介绍了并行遗传算法的不同分类及不同并行策略，又将遗传算法分别与神经网络、模糊系统结合起来进行并行处理，并在曙光１０００系统上实现。算法分析表明，并行遗传算法可以有效地提高收敛速度。     

模糊遗传算法综述

本文介绍了遗传算法发展的一个新方面一基于模糊逻辑的模糊遗传算法，分两方面加以综述：用模糊逻辑控制遗传算法的遗传操作及参数设置的思想和方法，模糊编码及模糊交叉的策略。同时指出了各种方法的特点以及今后的研究方向。     

一种求解最优路径的改进遗传算法

在应用遗传算法进行路径规划时,本文针对遗传算法的＂收敛盲目性＂和＂收敛速度慢＂两个难题,结合模拟退火算法对适应度函数进行改进,结合禁忌搜索对变异算子进行改进,并且在进化过程中使用改进的自适应方法调节交叉概率与变异概率。算法的分析和测试表明,本文算法的改进是有效的。     

小生境遗传模糊PID控制在皮带秤中的应用

采用模糊PID方法控制流量恒定,并结合遗传算法优化PID参数.引入小生境技术,克服了传统遗传算法早熟收敛和后期收敛速度慢以及收敛效率低的缺点,同时对遗传算子也进行了改进,获得理想的全局寻优效果.     

一种新的模糊自适应模拟退火遗传算法

针对遗传算法收敛速度慢、容易"早熟"等缺点,结合模糊推理、模拟退火算法和自适应机制,提出一种改进的遗传算法--模糊自适应模拟退火遗传算法(FASAGA),并分析了该算法的性能和特点,实验研究表明,该算法比标准的遗传算法(SGA)具有更快的收敛速度和寻优效果.     

A hybrid intelligent genetic algorithm

Application of genetic algorithms to optimization of complex problems can lead to a substantial computational effort as a result of the repeated evaluation of the objective function(s) and the population-based nature of the search. This is often the case where the objective function evaluation is costly, for example, when the value is obtained following computationally expensive system simulations. Sometimes a substantially large number of generations might be required to find optimum value of the objective function. Furthermore, in some cases, genetic algorithm can face convergence problems. In this paper, a hybrid optimization algorithm is presented which is based on a combination of the neural network and the genetic algorithm. In the proposed algorithm, a back-propagation neural network is used to improve the convergence of the genetic algorithm in search for global optimum. The efficiency of the proposed computational methodology is illustrated by application to a number of test cases. The results show that, in the proposed hybrid method, the integration of the neural network in the genetic algorithm procedure can accelerate the convergence of the genetic algorithm significantly and improve the quality of solution.     

基于多种群实数编码遗传算法的圆度误差评定

针对实数编码的遗传算法(RGA)在圆度误差评定中存在的早熟收敛、精度较差及运算速度慢等缺点,分析了多种群遗传算法的模型结构,利用多种群遗传算法的并行性,将其应用于圆度误差评定。实验证明该方法有效地提高了算法的精度和收敛速度,能够快速评定圆度误差。     

双精英协同进化遗传算法

针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elite coevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高.     

遗传退火算法及收敛性分析

针对模拟退火算法收敛速度慢和遗传算法存在种群退化问题, 将二者有机地结合在一起, 提出了遗传退火算法, 证明了该算法的收敛性. 仿真结果表明, 遗传退火算法既克服了模拟退火算法收敛速度慢, 又解决了遗传算法中种群退化问题. 该算法不仅适用于一般的组合优化问题, 也适用于目标函数不确定和可变的情况.     

一种改进的自适应遗传算法的收敛性分析

针对目前遗传算法缺乏有效的分析工具,理论分析困难较大的问题,提出了一种基于压缩映射原理的收敛性分析方法。首先,讨论了遗传算法收敛性的2种定义。然后介绍了一种基于精英保留策略的改进的自适应遗传算法,作为收敛性分析的对象。介绍了压缩映射原理,作为收敛性分析工具。最后,应用该定理对改进的自适应遗传算法进行了收敛性分析,验证了该算法是收敛的,证明压缩映射原理是遗传算法收敛性分析的一种有效工具。     

采用遗传算法优化点点连格棋评估函数参数

设计了一种带参数的评估函数，采用遗传算法对参数进行优化。加入启发式信息指导搜索的进行，使算法的收敛速度得到了提高。引入适应度矩阵，交叉变异率矩阵，对染色体中的每个参数进行分别考虑，进一步提高了收敛速度。引入陪练算法进行训练指导，提出一种梯度训练方案，节省了训练时间。实验结果表明评估函数参数优化后的点点连格棋的棋力得到了提高。     

求解24数码问题的改进遗传退火算法

针对具有巨大搜索解空间的24数码问题,提出了一种基于改进遗传模拟退火算法的求解方法。依据问题特征,设计了个体编码方法、高效的适应度评价函数和遗传操作算子,通过在遗传算法中引入模拟退火的Boltzmann更新机制,克服了传统遗传算法易于过早收敛和易于“卡住”陷入局部极小的问题。仿真实验结果表明,提出的算法能够快速搜索到问题的解,算法对其他组合优化问题也具有应用价值。     

一种多染色体交叉的小生境遗传算法

生物进化一般只在两个个体间进行交配,传统的遗传算法也仅在两个染色体之间进行交叉操作。使用在三个以上的染色体进行交叉操作,并设计了多染色体交叉的算子。多染色体交叉算法可显著提高算法局部寻优能力和收敛速度,但由于收敛速度过快容易产生早熟现象。因此,设计了一种带子种群淘汰策略的小生境算法,可避免算法产生早熟现象。通过几种遗传算法的实验结果比较,证明多染色体交叉算法在多峰优化中的效果要优于传统遗传算法。     

组播QoS路由的遗传算法研究

为提高遗传算法的效率以适于计算组播QoS路由,对算法的几个关键点作了深入研究。介绍了算法评价的两个指标：计算量和收敛率;提出了一种新的适应度函数;采用了比例选择与最优个体保存策略相结合的选择操作。经过大量的仿真实验,得出这种算法的最佳变异概率值应在0．4左右;当群体规模略小于每位基因座可选基因数的最大值时,算法的效率较高。     

基于模拟退火并行遗传算法的Otsu双阈值

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。