遗传算法的混合算子策略

在一般遗传算法中,求最优解时既可避免早熟收敛,又能提高收敛速度是困难的,因为算法中使用了单独一组交叉算子／变异算子。本文提出一种新的基于混合算子的遗传算法执行策略。在求解旅行商问题（TSP）中,为了提高局部搜索能力和收敛速度,给出了一种基于边重组的启发式交叉算子。仿真实验表明了这种算法的有效性。     

多车型开放式车辆路线问题的混合启发式算法

多车型开放式车辆路线问题,是物流配送优化中不可缺少的环节。针对标准遗传算法存在收敛速度慢,局部搜索能力差,易早熟的缺点,采用混合启发式算法进行优化求解。采用实数序列编码,使问题变得更简洁;有针对性地构建初始解,提高了解的可行性;用基于排序的选择与最佳保留相结合策略,保证群体的多样性;引入部分算术交叉算子,加强染色体的全局搜索能力;利用模拟退火算法的Boltzmann机制,控制遗传算法的交叉、变异操作,提高了算法的收敛速度和搜索效率。仿真结果表明混合启发式算法在求解质量和计算效率上好于标准遗传算法。     

用于全局优化的混合正交遗传算法

为提高正交遗传算法收敛速度和搜索精度,在正交遗传算法的基础上引入局部搜索策略,提出一种新的聚类局部搜索算子。利用正交算子初始化种群,保证初始群体分布的均匀性和多样性。通过正交算子在全局范围内进行全局搜索,使算法能在全局范围内收敛。采用聚类局部搜索算子对群体进行局部搜索,以增强算法的收敛速度和搜索精度。对7个高维的Benchmark函数进行测试,仿真实验结果表明,与其他算法相比,该算法具有更好的搜索精度、收敛速度和全局寻优的能力。     

基于K-Means变异算子的混合遗传算法聚类研究

遗传算法具有良好的全局搜索能力,但有过早收敛和过慢结束的缺点。K-Means算法具有很强的局部搜索能力,但算法有对初始聚类中心敏感而易陷入局部最优解。针对上述问题,提出了基于K-Means变异算子的混合遗传算法聚类,将K-Means算法的局部搜索能力与遗传算法的全局寻优搜索能力相结合,在遗传算法中引入K-Means变异算子,采用符号编码、自适应变异、最优个体保留策略的混合遗传算法。仿真实验表明,该算法有效克服了遗传算法过慢收敛和K-Means算法陷入局部收敛的问题,从而得到更好的聚类效果。     

求解TSP问题的改进遗传算法

旅行商问题(TSP)是遗传算法得以成功应用的典型问题.文章对遗传算法加以改进,提出了新的选择策略和交叉算子,并且引入了兄弟竞争的策略来加快收敛速度和全局搜索能力.把该算法应用在不同类型的TSP问题的求解上,表现出了比传统遗传算法更好的收敛性和计算效率.说明改进算法是有效的.     

基于遗传算法优化神经网络的多用户检测

利用遗传算法全局搜索能力强和反向传播(BP)算法局部搜索速度快的特点,采取两段式训练方法,既避免陷入局部最小,又加快收敛速度。提出基于遗传算法优化神经网络权值的多用户检测算法。采用实数编码方式,将传统神经网络的能量函数作为适应度函数,选择算子选用轮盘赌算子,交叉算子选用单点交叉算子,变异算子选用正态变异算子。仿真结果表明,该算法的误码率、信干比和信道跟踪能力等方面的性能与传统前馈神经网络多用户检测算法相比均有一定的改善。     

改进蚁群算法在TSP中的应用研究

针对现有路径动态诱导算法在交通问题规模增大时存在的性能急剧下降的问题,提出了一种改进的混合遗传蚁群算法.为解决蚁群算法对信息素的强依赖性导致的局部最优解现象,及遗传算法存在的全局搜索性能强但收敛速度慢等问题,将蚊群算法与遗传算法相结合,基于遗传算法的交叉变异因子,改进了信息素浓度的设定方式,加强了传统蚁群算法的全局搜索能力;利用蚁群算法的局部搜索能力较强的特点,提高了传统遗传算法的收敛速度.仿真结果表明,相比于遗传算法与蚁群算法,所提算法在求解不同规模的旅行商问题时具有更强的全局搜索性及快速收敛性.     

求解旅行商问题的探索—开发—跳跃策略单亲遗传算法

针对遗传算法求解旅行商问题(TSP)时容易早熟、收敛速度慢等问题,提出一种基于探索—开发—跳跃策略的单亲遗传算法(EDJS-PGA)。该算法将基因移位、倒序、交换三种算子组合构成探索策略,用于扩展解的搜索空间,增强算法全局搜索能力;再将logistic混沌映射和改良圈操作融合为一种混沌映射改良圈算子,用于增强算法的局部搜索能力,构成开发策略;最后针对种群中的同优个体设计了近邻变异算子,构成跳跃策略,增强了算法跳出局部最优解的能力,使其兼具个体变异、局部优化、防止早熟等多重作用。通过对18个TSP实例进行仿真实验,结果表明EDJS-PGA相较于传统单亲遗传算法具有更高的求解精度和收敛速度,且最优解偏差率和平均误差率均处于较低水平;与其他文献对比,EDJS-PGA具有更强的鲁棒性和求解效率。     

求解装卸混合车辆路径问题的模拟退火遗传算法

提出一种改进的模拟退火遗传算法来求解装卸混合车辆路径问题;通过使用模拟退火变异策略来增强遗传算法的局部搜索能力,从而改善遗传算法的早熟问题,使算法有能力避免陷入局部极值而快速收敛于全局最优解;仿真实验结果表明了所提算法求解装卸混合车辆路径问题的有效性与适用性。     

求解模糊Job Shop调度的遗传算法与蚁群算法融合研究

提出一种算法融合策略,解决单一算法求解模糊Job Shop调度问题存在的不足,提高这类问题的求解质量.算法融合策略中,采用遗传算法和蚁群算法进行并行搜索;根据模糊Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种邻域选择方法的禁忌搜索算法作为局部搜索算法,加强了遗传算法和蚁群算法的局部搜索能力.采用算法融合策略的混合优化算法对以13个难的benchmarks问题经模糊化得到实例进行求解,在较短的时间内,得到的平均满意度较并行遗传算法(PGA)提高5.24%、较TSAB算法提高8.40% .采用算法融合策略构造的混合算法具有较强的搜索能力,说明提出的混合搜索策略是有效的.     

带固定半径近邻搜索3-opt的离散烟花算法求解旅行商问题

传统烟花算法求解大规模离散问题存在收敛速度慢、求解精度不高等问题.针对旅行商问题的特点,提出一种带固定半径近邻搜索3-opt的离散烟花算法.该算法基于基本烟花算法进行离散化改进,采用整数编码的路径表示方法来表示旅行商问题的解,对爆炸算子、高斯变异算子进行离散化操作策略设计.为了使算法具有较好的局部搜索能力,提出固定半径近邻搜索3-opt策略来提高算法精度和收敛速度,同时采用不检测标志策略提高算法效率.实验结果表明:该算法能有效地求解旅行商问题,其离散烟花算子在全局收敛能力、收敛精度、求解时间和稳定性等方面均优于传统烟花算子;基准测试算例的最优解平均误差率仅为0.002％,优于对比算法.     

混合正交遗传算法及其在函数优化上的应用

在分析和研究正交遗传算法的基础之上,依据混合优化策略及混合遗传算法的构造原则,通过对自适应正交局部搜索算子的改进提出了一种新的变异算子。该算子具备自适应全局搜索和局部搜索的能力,能够保证算法的变异概率取值为1.0时,算法的搜索效率最高;结合正交交叉算子之后,又能保证算法的交叉概率也取值为1.0时,算法的搜索效率最高;由此解决了交叉概率和变异概率参数的匹配问题。而使用的截断选择和负相关配对、最优交叉策略、精英选择和重复个体剔除策略等组合算子,一方面能够保证算法的收敛速度;另一方面也能有效地保持种群的多样性,这样在保证算法快速收敛的同时避免出现早熟现象;由此解决了＂全局最优＂和＂快速收敛＂的矛盾。因此,提出的改进型新算法在处理一些常用的测试函数上具有较高的效率。     

基于人工蜂群算法的p-center问题求解算法

平面p-center问题是经典的NP难题,所以寻找高效的近似求解算法是解决实际应用问题时的基本需求。在人工蜂群算法的基础上,通过引入遗传算法的交叉和变异算子,改进局部解的搜索策略与搜索能力,即根据给定概率对当前解做交叉或变异运算,以获得更好的局部解,进而提出BeeGenP启发式求解算法,用于求解平面离散型p-center问题。通过构造测试数据,对所设计的算法进行了有效性验证,实验结果表明,BeeGenP算法与现有的M-ABC算法相比,算法的局部解搜索能力得到了提升,增加了搜索空间的多样性,在相同迭代次数约束下所得到的解的质量更高,而趋近收敛于最优解时的迭代次数则有较大幅度的降低。     

一种快速收敛的混合遗传算法

利用遗传算法早熟的特点 ,构造出一种快速收敛的混合算法来求解优化问题 ,并分析了它的收敛性。它是使用遗传算法来生成搜索方向 ,从而保证了算法的收敛性。该算法利用遗传算法的全局搜索能力 ,并采用 Nelder- Mead单纯形法来加强算法的局部搜索能力 ,加快了算法的收敛速率。模拟实验表明 ,该方法具有高效性和鲁棒性     

精英策略个体优势遗传算法研究

针对遗传算法存在的局部搜索能力差、早熟收敛和进化后期收敛速度慢的问题,提出了一种改进精英策略的个体优势遗传算法（Individual Advantages Genetic Algorithm,IAGA）。IAGA通过在精英子种群更新中不断增加精英个体数量和多样性,在保持算法全局收敛性的同时,增强算法在最优解区域的局部搜索能力。引入半粒子群变异算子,提高了算法前期向全局最优解靠拢的速度;引入个体优势算子,提高种群优势个体的多样性,有效改善了进化后期收敛速度慢的问题;与已有同类算法相比,平衡了收敛速度和全局收敛性之间矛盾的同时,进一步提高了收敛速度和精度。     

基于遗传算法求解应急决策系统中的最优路径

提出了一种将模拟退火算法和遗传算法相结合的进化算法GASA,利用Boltzmann机制 接收交叉和变异后的个体,避免遗传算法中存在的早熟收敛问题,增强了算法的全局收敛性,并对遗 传算子(选择、交叉、变异算子)进行重构,引入新的交叉算子和变异算子能根据种群的进化情况动态 调整遗传算子,加速进化后期搜索效率。实验表明,将此算法用于应急决策系统的最优路径的求解中 与传统算法相比,能加速进化速度和全局寻优能力,提高应急决策效率。     

模糊Job Shop调度中的混合搜索策略的研究

采用并行遗传算法作为全局搜索算法，提出一种混合搜索策略，用于求解模糊Job Shop调度问题．根据模糊Job Shop调度问题解的特征，提出基于关键工序的邻域选择方法，并将基于这种邻域选择方法的禁忌搜索算法作为局部搜索算法，加强了遗传算法局部搜索能力．针对13个困难benchmark问题的实验结果表明，在较短的时间内，混合搜索策略的算法得到的平均满意度比并行遗传算法提高4.67%，比TSAB算法提高5.76%．采用的禁忌搜索算法改善了遗传算法的局部搜索能力，说明提出的混合搜索策略是有效的．     

一种进化类混合算法的研究

针对现有的单一算法在解决数值优化问题中存在的问题,提出了一种基于进化计算的混合算法.该算法在原有遗传算法的基础上对交叉算子进行改进,同时将模拟退火算法与变异算子进行结合形成一种模拟变异算子;为提高算法的求解精度和收敛速度,在算法中引入了进化策略的自适应搜索特性; (μ,λ)选择算子的应用增加了跳出局部最优解的几率,精英保留策略的选用能够保障算法收敛于全局最优解.用两个典型的测试函数对该算法进行测试,测试结果表明算法能够跳出局部最优解的陷阱,快速高效,高精度地收敛于全局最优解.     

基于阀值逆序算子的优化组合遗传算法

针对遗传算法局部搜索能力差的缺点,模拟生物染色体中基因排列的有序性,对阀值逆序算子进行了研究,它与传统逆序算子相比,能较好地提高群体性能提高,减少了对种群多样性的破坏,改善了遗传算法的局部搜索性能,与具有全局搜索性能好的遗传算子组合,弥补了阀值逆序算子对全局搜索性能的影响,构造了一种基于阀值逆序算子的优化组合遗传算法。从理论上证明了该算法的收敛性,实验结果表明,该优化组合算法具有更好的寻优能力,对应用串型编码的遗传算法解决一般的优化问题时,具有很好的借鉴意义,阀值可根据求解问题特征和局部搜索强度而选定。     

一种无人机三维航迹规划算法研究

在研究无人机三维航迹规划问题时,针对基于传统人工蜂群算法易陷入局部最优值、后期收敛速度变慢、寻优效率低的问题,提出了一种改进人工蜂群算法的无人机航迹规划方法。首先,在建立包括经纬度、海拔高度信息的三维飞行区域模型后,加入了地形约束模型,并引入新的综合航迹代价评价方式。然后,在算法中引入自适应搜索策略、新型概率选择策略与Logistic混沌搜索算子来增强其对原始信息的开采能力,提高其收敛速度以及加强其鲁棒性。最后,通过三维航迹规划仿真和面对突发威胁的局部航迹再规划仿真对所提算法的有效性进行了验证。结果表明,改进后的算法提高了全局收敛能力,在收敛速度和精度上优于遗传算法和传统人工蜂群算法,适合用来解决无人机的三维航迹规划问题。