一种逐位变异的紧凑遗传算法

针对紧凑遗传算法局部搜索能力差、运算效率低等缺陷提出了一种改进的逐位变异的紧凑遗传算法并对其性能进行了分析．几种典型函数的测试结果证明了其优越性和有效性。     

遗传算法在优化问题中的应用研究进展

分析了传统优化方法的局限性，阐述了遗传算法的基本思想和特点，综述了遗传算法在函数优化领域的主要成果，并指出需要进一步研究的工作。     

遗传算法研究综述

介绍了遗传算法的基本工作原理和主要特点 ,讨论了遗传算法的理论、技术、存在问题及改进方法 ,概述了遗传算法的常见应用领域 ,分析了近五年国内对遗传算法的研究现状。最后 ,进一步探讨了遗传算法的未来研究方向。     

遗传算法理论及其应用研究进展

首先阐述遗传算法的原理和求解问题的一般过程;然后讨论了近年来从遗传算子、控制参数等方面对遗传算法的改进,并对遗传算法在计算机科学与人工智能、自动控制以及组合优化等领域的应用进行陈述;最后评述了遗传算法未来的研究方向和主要研究内容。     

一种求解高维优化问题的多目标遗传算法及其收敛性分析

单纯Pareto遗传算法很难解决目标数目很多的高维多目标优化问题，在多个指标之间引入偏好信息，提出的多目标遗传算法使进化群体按协调模型进行偏好排序，改变了传统的基于Pareto优于关系来比较个体的优劣。另外讨论了算法在满足一定条件下具有全局收敛性，典型算例的数学解析和实验验证了其具有较好的收敛性和收敛速度．     

多种群变换遗传算法及其在优化调度中的应用

提出了一种基于多种群思想的遗传算法,研究了种群数目对收敛速度的影响及确定原则,设计了适合连续离散规划问题求解的交叉与变异算子以及评价函数参数,通过与一般遗传算法比较、统计计算及对某载重轮胎厂生产调度系统仿真,表明该算法的收敛速度有很大提高,并能够很好解决连续与离散状态并存和规模较大的一类混合生产过程的调度问题。     

自适应的非支配排序遗传算法

针对带精英策略的非支配排序遗传算法不能根据环境变化自适应地动态调整运行参数,难以实现对解空间的高效搜索,提出一种自适应的非支配排序遗传算法.所提出算法根据运行阶段、运行代数和当前临时种群非支配个体数动态调整进化个体的运行参数,通过提高进化算子的自适应能力使算法具有自适应性.经实验对比,所提出算法在收敛性、多样性两方面确有提升,可以有效提高原算法的搜索能力.     

基于遗传算法的智能排课模型

随着高校的不断扩招,如何用有限的资源来保持教学的有序性,使高校智能排课成为一个多约束、多目标优化问题。传统的智能排课算法效率低,并且不能很好的解决课程冲突的问题,无法满足现代高校教务管理的要求。该文对排课问题进行分析,在对可能的约束条件进行归纳的基础上,建立了比较通用的排课模型;然后根据模型,设计了相应的改进遗传算法,常识在满足所有硬约束条件和尽可能多的软约束条件的情况下实现多校区智能排课。实验结果表明,利用算法进行不同场景下的排课性能测试,测试结果表明了算法的实际可行性。     

非支配排序均匀遗传算法*

根据第二代非支配排序遗传算法（NSGA Ⅱ）的不足之处,提出了一种新的多目标遗传算法——非支配排序均匀遗传算法（NSUGA）。新算法采用了多父本多点交叉方式,同时将均匀设计的思想用于算法的交叉操作;新算法还对拥挤距离的计算过程和算法的终止条件进行了改进。通过两个多目标优化测试函数的仿真计算对比,显示NSUGA算法在求解精度、计算效率和避免算法陷于局部最优解方面均优于NSGA II算法。     

改进的约束优化多目标遗传算法及工程应用

利用多目标法处理约束条件,提出一种改进的基于多目标优化的遗传算法用于求解约束优化问题。该算法将约束优化问题转化为两个目标的多目标优化问题; 利用庄家法构造非劣个体,将种群分为支配子种群和非支配子种群,以一定概率分别从支配子种群和非支配子种群中选择个体进行算术交叉操作,引导个体逐步向极值点靠近,增强算法的局部搜索能力,对非支配子种群进行多样性变异操作。8个标准测试函数和3个工程应用的仿真实验结果表明了该算法的有效性。     

催化裂化分馏塔多目标遗传算法优化

建立了催化裂化分馏塔多目标优化函数,并通过遗传算法对其求解,结果表明在某一组操作参数下生产,可以保证分馏塔重石脑油流量和轻柴油流量同时最优,此时多目标综合评价优化函数的适应度值为193．41,对应解下重石脑油流量Q1和轻柴油流量Q2分别为294．771（t／h）和92．053（t／h）,均高于未进行优化的历史操作最高流量值Q1=225．177（L／h）和Q2=53．700（t／h）,实现了分馏塔的多目标优化。     

基于改进混沌优化的多目标遗传算法

针对多目标遗传算法存在的缺陷,提出了基于改进混沌优化的多目标遗传算法．引入基于改Tent映射的自适应变尺度混沌优化方法细化搜索空间和高效寻优,结合非支配排序的群体分级机制和精英保留等多目标优化策略,保持种群多样性的同时保证了进化向Pareto优解集的方向进行．多目标测试函数的数值仿真和电力系统无功优化的算例分析表明了该算法的有效性和可行性．     

一类带约束动态多目标优化问题的进化算法

动态多目标约束优化问题是一类NP-Hard问题,定义了动态环境下进化种群中个体的序值和个体的约束度,结合这两个定义给出了一种选择算子.在一种环境变化判断算子下给出了求解环境变量取值于正整数集Z+的一类带约束动态多目标优化问题的进化算法.通过几个典型的Benchmark函数对算法的性能进行了测试,其结果表明新算法能够较好地求出带约束动态多目标优化问题在不同环境下质量较好、分布较均匀的Pareto最优解集.     

并行多目标遗传算法在控制系统优化中的应用

为了提高复杂控制系统设计问题中的效率,提出了一种基于主从模型的并行多目标遗传算法的优化器模型。主进程进行各类遗传操作和最优排序操作,所有进程都进行目标函数值和约束函数值的运算操作,并采用动态负载平衡策略。将该优化器应用在飞行器控制系统设计中,显示出了该算法的优良效果。     

遗传算法中致死染色体的利用

提出一种基于免疫算子的致死染色体复活与利用方法。根据问题的特征信息,优秀染色体和致死染色体的基因信息提取疫苗,通过接种疫苗和免疫选择,以及在“活岛”和“死岛”进行致死染色体和非致死染色体的迁移,实现致死染色体的复活与利用。将算法应用于0-1背包问题,数值实验结果表明,该方法可以有效改善求解约束优化问题遗传算法的性能。     

多目标遗传算法及其在化工领域的应用

多目标优化在工程优化领域占有较大比重，这些目标之间大多是相互冲突的，常用的方法是将这些目标通过不同的方式转化成单一目标进行求解，然而这样将使一些有用的信息丢失。多目标遗传算法可避免信息丢失，通过优化它给出一组非劣解供决策者根据不同需要进行选择。本文首先介绍了常用的多目标优化方法，然后详细介绍了目前研究较多的多目标遗传算法，着重讨论了多目标优化方法在化学工程领域中的应用，并对多目标遗传算法的发展进行了展望。     

基于遗传算法的城市混合型路网设计问题研究

针对目前城市路网设计中存在的一些缺陷,提出一种基于遗传算法的城市混合型路网设计的多目标优化模型,它可一次性求得多个可供规划决策者进行选择的路网设计方案,并利用一个算例进行仿真试验,结果表明,该模型和算法是可行的、有效的,可以为城市路网规划提供借鉴。     

一种改进的多目标混合遗传算法及应用

在NSGA-II算法中引入自适应交叉算子和自适应变异算子,将模拟退火算法与改进的NSGA-II算法相结合,并应用到武器装备供应合同商的选择与评价中。实验结果表明,非劣解在目标空间分布均匀,算法收敛性好,为求解武器装备供应合同商选择的多目标问题提供了一种有效的工具。     

基于多目标遗传算法的集装箱码头泊位—岸桥分配问题研究

为获得合理的集装箱码头泊位—岸桥分配方案,建立了以最小化船舶在港时间和码头生产成本为目标的优化模型。提出一种多目标遗传算法用于求解该模型,算法中采用染色体组的方式表示可行解,给出了多个约束条件下的交叉算子运算规则,个体的各目标值结合岸桥分配启发式算法求得,并应用Pareto分级方法进行适应度值评价;同时给出了最终实施方案的选择策略。试验算例表明,与单目标优化相比,提出的优化方法能获得使码头综合效益较大的满意解。