一种可自适应调节参数的改进遗传算法

针对遗传算法在复杂问题应用中收敛速度十分缓慢的不足，本文引入收敛性因子和进程因子对种群进化的交叉概率和变异概率进行自适应调节，提出了可自适应调节参数的改进遗传算法．该算法很好地增强了遗传算法的全局搜索能力，提高了收敛速度．通过比较几个优化实例，验证了本文算法的有效性．     

模糊自适应遗传算法

针对标准遗传算法在实际应用中存在的早熟问题,设计了标准遗传算法的一种改进形式--模糊自适应遗传算法.该算法是利用种群的方差和熵来衡量种群多样性,并根据每代种群的方差和熵设计模糊推理系统来自适应控制交叉概率和变异概率.通过多峰函数优化问题的仿真实验,表明了该模糊自适应遗传算法的可行性和有效性.     

一种基于遗传算法的输油泵模糊控制器

针对输油泵系统的特点,提出了一种采用2个模糊控制器的输油泵控制方案,并应用改进的遗传算法对隶属函数和融合因子进行了优化。仿真结果表明,该控制器在输油泵系统中能对流量,入口压力,出口压力进行协调优化控制。     

一种改进的自适应遗传算法

遗传算法作为一种模仿生物自然进化过程的随机优化算法,对求解一般的全局最优问题具有较好的鲁棒性,而对于解决较复杂的优化问题则存在早熟及稳定性差的缺点。传统的自适应遗传算法虽能有效提高算法的收敛速度,却难以增强算法的鲁棒性。该文提出了一种改进的自适应遗传算法,对交叉率和变异率进行了优化,实现了交叉率和变异率的非线性自适应调整。实验结果表明,相比传统的自适应遗传算法,新算法具有更快的收敛速度和更可靠的稳定性。     

一种自适应控制模糊器

对文（１）提出的模糊自适应控制算法提出改进方案,根据改进方案,控制算法可以去掉监督项,同时可加入一辅助控制项以提高动态特性。经证明,算法仍然满足全局稳定。为保证闭环渐近稳定性条件,文中提出一种模糊控制器结构自组织学习方法,仿真结果显示,与文（１）算法相比,本文算法更能保证闭环渐近稳定性,具有更好的动态性能。     

一种基于遗传算法的自适应动态模糊系统的设计与实现

在我们研究的领域中，动态模糊对象是普遍存在的．因此由这些动态模糊对象组成的系统即为动态模糊系统，这类系统具有较强的自学能力和自适应能力，能随环境的变化而变化，本文借助动态模糊集和遗传算法对动态模糊系统进行研究，给出了一种动态模糊自适应系统，并进行了实例分析，实验结果表明该系统是有效的．     

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.     

一种改进的自适应遗传算法

为了提高遗传算法的搜索效率，引进了父子竞争机制，采取一多点交叉操作技术，提出了一种改进的自适应遗传算法，并通过一个多元多峰数学函数对最佳个体保留遗传算法(Elitist-Reserved GA，EGA)、自适应遗传算法(Adaptive GA，AGA)以及文中提出的改进算法(Multi-point Crossover Adaptive GA，MAGA)进行比较评估，验证了该方法的合理性和可靠性。     

一种基于模糊辨识的模糊自适应控制系统

采用模糊基函数表示的模糊逻辑系统作为未知非线性对象的辨识器，以此为模糊自适应控制器提供参数自调整必需的梯度信息。仿真结果表明，此种控制方案对未知的非线性系统的输入有很强的自适应跟踪能力。     

一种自适应模糊控制器

对文 [1]提出的模糊自适应控制算法提出改进方案 ,根据改进方案 ,控制算法可以去掉监督项 ,同时可加入一辅助控制项以提高动态特性 .经证明 ,算法仍然满足全局稳定 .为保证闭环渐近稳定性条件 ,文中提出一种模糊控制器结构自组织学习方法 .仿真结果显示 ,与文 [1]算法相比 ,本文算法更能保证闭环渐近稳定性 ,具有更好的动态性能 .     

结合模糊聚类的遗传算法在网络信息过滤中的应用

在基于遗传算法的信息过滤系统中引入模糊聚类思想,对种群中的每个个体进行模糊相似矩阵直接聚类,然后根据聚类的结果采用所提出的适应度函数来评估种群的适应度,通过迭代训练得出更准确的用户兴趣模板,从而提高了信息过滤的准确率。并且将该方法应用到了所设计的网络信息过滤系统中,进行了验证。     

基于遗传FCM算法的文本聚类

本文提出基于遗传FCM算法的文本聚类方法,首先采用LSI方法对文本特征进行降维,然后通过聚类有效性分析得到文本的类别数,最后再采用遗传FCM算法对文本进行聚类,这种方法较好的克服了FCM算法收敛于局部最优的缺陷,很好的解决了FCM算法对初值敏感的问题。实验表明提出的方法具有较好的聚类性能。     

基于改进遗传算法的加权模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法具有初始聚类中心敏感和容易陷入局部最优的问题,提出了一种基于改进遗传算法(GA)的加权模糊c均值聚类算法,采用高斯变异算子,提高了遗传算法在每个峰值附近的局部搜索能力,用基于复相关系数的加权欧式距离代替欧式距离,改进了FCM算法的聚类目标函数.用改进的算法对国际标准测试数据Iris进行测试,实验结果表明改进后的算法具有更好的稳定性和健壮性,提高了聚类的效果.     

基于自适应遗传算法的粗糙集知识约简算法

为了获得有效的属性最小相对约简,提出了一种基于自适应遗传算法的粗糙集知识约简算法。该算法将核引入遗传算法的初始群体来提高算法的性能,依照决策属性对条件属性的依赖度,在加强局部搜索能力的同时保持了该算法全局寻优的特性,并且对交叉概率和变异概率进行了新的设计。设计中既考虑到进化代数对算法的影响,又考虑到每代中不同个体适应度对算法的作用。最后通过两个经典算例进行了验证,无论在约简的准确性上,还是平均运行代数上都取得了较好的结果。     

一种遗传模糊聚类算法及其应用

研究一种基于遗传算法的模糊聚类方法,即将遗传算法得到的聚类中心作为模糊C-均值（FCM）聚类算法初值,这样既可以克服FCM算法对初始中心敏感的缺点,也可以解决遗传算法只能找到近似解的问题。将算法用于通信信号的星座聚类,根据聚类有效性函数自适应地确定聚类中心,并完成信号类型的识别。仿真实验证明,当存在较小的定时误差时,算法对PSK和QAM信号仍然是有效的。     

基于遗传算法和模糊C均值聚类的WSN分簇路由算法

针对无线传感器网络（WSN）的节点能量有限、生命周期短、吞吐量低等问题，提出一种基于遗传算法（GA）和模糊C均值（FCM）聚类的WSN分簇路由算法GAFCMCR，采取"集中分簇，分布簇头选举"的方式。网络初始化时基站采用由GA优化的FCM聚类算法形成网络分簇。第一轮簇头由距簇中心最近的节点担任；从第二轮开始，簇头的选举由上一轮的簇头负责，选举过程综合考虑候选节点的剩余能量、与基站的距离、与簇内其他节点的平均距离三个因子，并根据网络状态实时调整三个因子的权重。在数据传输阶段，将轮询机制引入簇内通信。仿真结果表明，相同网络环境下，与LEACH算法和基于K-Means的均匀分簇路由（KUCR）算法相比，GAFCMCR将网络生命周期延长了105%和20%。GAFCMCR成簇效果良好，具有良好的能量均衡性和更高的吞吐量。     

基于改进AGA算法求解含交易费用组合投资模型

根据国内证券交易市场的实际情况提出了含交易费用的投资组合优化模型,并利用改进自适应遗传算法(AGA)求解该模型,最后结合实际数据,利用Matlab语言编程仿真求解并取得了很好的效果。     

一种用于矩形排样优化的改进遗传算法

矩形排样优化属于NPC问题,在工业界有着广泛的应用,如布料切割、金属下料和新闻组版等。提出了一种基于环形交叉算子和环形变异算子的自适应遗传算法,并将改进的自适应遗传算法和IBL启发式布局算法相结合,有效地解决了矩形排样优化问题。对比实验结果表明,环形交叉算子和环形变异算子对遗传算法是有效的,所提出的改进混合自适应遗传算法能够在一个较短的时间内找到满意解。     

Adaptive crossover,mutation and selection using fuzzy system for genetic algorithms

Genetic algorithms use a tournament selection or a roulette selection to choice better population. But these selections couldn’t use heuristic information for specific problem. Fuzzy selection system by heuristic rule base help to find optimal solution efficiently. And adaptive crossover and mutation probabilistic rate is faster than using fixed value. In this paper, we want fuzzy selection system for genetic algorithms and adaptive crossover and mutation rate fuzzy system. This work was presented in part and awarded as Young Author Award at the 13th International Symposium on Artificial Life and Robotics, Oita, Japan, January 31–February 2, 2008