基于竞争协同进化的改进遗传算法

针对标准遗传算法中的早熟收敛现象,提出一种基于竞争协同进化的改进遗传算法.该算法根据个体与对手竞争的表现来衡量个体的生存能力,生存能力由个体所击败对手的数量和优秀程度决定,个体在击败更多更优对手的努力中逐步进化.函数优化实验结果表明,该算法收敛速度快,且能有效保留种群多样性,与标准遗传算法及其他多种群遗传算法相比,能有效减轻早熟收敛现象.     

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.     

基于改进GA的云计算任务调度策略

针对传统遗传算法在云计算任务调度过程中的收敛速度慢和易早熟等问题,提出了一种基于遗传优化算法的双适应度函数改进算法.该算法采用任务完成时间和任务完成成本为双适应度函数,引入个体相似度概念来提高种群质量;采用并列选择法进行选择操作,并且采用自适应规则约束交叉和变异操作,提高种群个体质量,加速进化策略可以有效地避免早熟.结果表明,改进的遗传算法有效地加快了云任务作业调度的收敛速度,并改善了易早熟等现象.     

基于知识的分层遗传算法

传统遗传算法缺乏对进化过程知识的有效提取和利用，存在早熟收敛．在遗传算法的种群进化层上，引入文化算法的信度空间，提出一种具有知识引导功能的分层遗传算法．算法由底层种群进化层和上层知识进化层构成．结合遗传操作过程，提取4类知识并给出具体定义．详细阐述了联系上下层的样本选取函数、知识更新函数和进化引导函数，并提出一种基于地势知识轮盘赌选择的新型个体替代策略．针对3组标准测试函数的仿真结果表明，4类知识在不同进化阶段对种群的影响程度不同．状况知识在进化早期起主导作用，规范知识和地势知识在某局部优势区域具有较强引导作用，历史知识引导搜索区域脱离局部较优点，从而有效避免早熟收敛，提高进化效率．     

基于人工免疫系统的二进制差分进化算法

差分进化作为一种新的进化算法,在诸多实值优化问题中已经取得了巨大成功,然而,在解决离散问题时易出现早熟收敛.为了克服这个缺点,提出一种基于生物学免疫理论的二进制差分进化算法,通过引入负选择操作改善算法的收敛性能.模拟结果表明,基于生物学免疫理论的二进制差分进化算法比二进制粒子群优化和遗传算法,显著提高了搜索能力和收敛速度.     

一种自适应遗传算法研究

首先提出一个刻画进化种群多样性的函数，考虑种群多样性与进化代数的关系，提出一个作用函数，在此基础上，提出一种自适应遗传算法，该 算法中交叉和变异操作的点数随种群多样性函数和作用函而变化，多峰值函数优化结果表明，该算法可以有效地解决早熟收敛问题，更易达到全局最优解。     

一种基于APGA的移动机器人路径规划算法

提出了基于自适应并行遗传算法的移动机器人路径规划算法,其基本思想是结合多种群并行进化及自适应调整控制参数,提高了搜索的范围和效率,缓解了传统遗传算法早熟收敛问题,从而克服了使用单种群遗传算法进行路径规划的不足．实验结果表明了该算法在移动机器人路径规划中的可行性和有效性．     

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.     

函数优化问题的动态并行量子遗传算法

针对传统量子遗传算法在解复杂连续函数优化中存在的早熟收敛、收敛速度慢、计算时间长的问题,提出一种解复杂连续函数优化问题的动态并行量子遗传算法(DPQGA)。采用多种群协同进化,每个子种群按照各自的进化目标在不同的搜索区域进化,形成并行搜索方式,加快算法收敛速度,避免早熟收敛;同时设计了一种新的动态量子旋转角的更新策略及量子门调整策略,减少算法的迭代次数;在最优解连续数代无变化时引入灾变算子,使种群保持良好的多样性。通过对5个测试函数的仿真,结果表明,该算法搜索到的最优解较QGA算法更优。与已有算法相比,该算法在收敛速度、迭代次数、全局寻优能力上都有了较大的改进和提高。     

一种自适应递阶遗传算法

针对简单递阶遗传算法的不足 ,首先提出了个体浓度的概念 ,以衡量种群的多样性 .结合个体浓度和进化代数 ,提出一种自适应递阶遗传算法 ,该算法不但可以提高种群的多样性 ,而且可以保证收敛性和快速性 .应用实例表明了本算法的有效性 .     

基于种群分类解决遗传算法的“早熟”与“漂移”问题

为了有效解决遗传算法在实际应用过程中经常面临的早熟收敛和遗传漂移问题,分析了导致早熟收敛和遗传漂移这两种现象出现的原因,针对其主要原因提出了基于模糊聚类的种群分类改进的遗传算法,避免近亲繁殖导致早熟,并将模糊聚类的结果与各种遗传操作有效结合,提高了算法向最优解收敛的准确性和稳定性。最后,仿真结果显示新的改进算法比标准遗传算法更有效。     

基于多级遗传算法的模糊隶属度函数的优化

针对遗传算法的在应用过程中出现的过早收敛问题,提出基基于多级遗传算法的模糊控制,通过高级遗传算法的操作遗传算法可以获得不同种类的优良模式的新个体,从而它们提供了更加平等的竞争机会,并且在低级遗传算法在中采用Ｍｅｔｒｏｐｏｌｉｓ判别准则对遗传算法的复制算子加以改进,有效地破坏群体中个体的单一性,增加多样性,使隶属度参数得到优化,从而改善了控制性能,倒立摆仿真实验表明这种方法是有效的,是解决早收敛问题     

基于群体列突变遗传算法的遍历性

通过分析遗传算法过早收敛的原因,提出了一种基于群体列突变的遗传算法,分析了这种遗传算法交换和突变操作的特性,证明该遗传算法能够进行遍历搜索.该算法克服了遗传算法的局限性,通过群体列突变能够避免过早收敛,并找到最优解.     

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.     

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.     

An adaptive genetic algorithm with diversity-guided mutation and its global convergence property

An adaptive genetic algorithm with diversity-guided mutation, which combines adaptive probabilities of crossover and mutation was proposed. By means of homogeneous finite Markov chains, it is proved that adaptive genetic algorithm with diversity-guided mutation and genetic algorithm with diversity-guided mutation converge to the global optimum if they maintain the best solutions, and the convergence of adaptive genetic algorithms with adaptive probabilities of crossover and mutation was studied. The performances of the above algorithms in optimizing several unimodal and multimodal functions were compared. The results show that for multimodal functions the average convergence generation of the adaptive genetic algorithm with diversity-guided mutation is about 900 less than that of adaptive genetic algorithm with adaptive probabilities and genetic algorithm with diversity-guided mutation, and the adaptive genetic algorithm with diversity-guided mutation does not lead to premature convergence. It is also shown that the better balance between overcoming premature convergence and quickening convergence speed can be gotten.     

动态变异遗传算法

遗传算法是根据达尔文生物进化理论而提出的一种优化算法。该文提出了一种新的遗传算法,理论分析显示,它不仅能保持遗传种群的多样性,而且能快速收敛。计算机仿真实验证明了改进后的遗传算法能够有效地克服不成熟收敛、进而搜索到全局最优解,并将这种新遗传算法用于BP网络的拓朴结构的优化和连接权值的训练,实例表明了该算法的有效性和可行性。     

基于混沌遗传算法的多目标QoS组播路由优化

针对遗传算法易发生早熟收敛的缺点,提出了一种既满足时延、时延抖动及带宽等约束,又能使通信代价最小的混沌遗传算法。该算法利用混沌扰动算子对种群进行扰动操作,增加种群的多样性,抑制遗传早熟收敛的发生,提高收敛速度。仿真结果表明了该算法的有效性、快速收敛性及稳定性。     

改进自适应遗传算法在函数优化中的应用研究

为了改善传统自适应遗传算法的收敛速度以及局部收敛问题,根据种群适应度的集中程度,以种群的最大适应度、最小适应度以及适应度平均值这3个变量为基础,设计了改进的自适应交叉概率和变异概率来调整整个种群的交叉概率和变异概率,提出了一种基于种群适应度集中程度的改进自适应遗传算法.将该算法应用于函数优化中,仿真结果验证了其具有"快速收敛"的特点,且在很大程度上可避免遗传算法的早熟现象.     

利用遗传贪婪混合算法求解背包问题

采用遗传贪婪混合算法解决背包问题,提出利用补偿算子来解决算法较早收敛于局部最优解的思想,有效抑制算法的早熟收敛。在算法的交叉操作中加入确定性策略,在算法的变异操作中加入非确定性策略,以确保算法具有更好的收敛性能。实验结果表明,该算法性能较佳,可以满足解决背包问题的需要。