基于最佳保留策略的遗传算法波阻抗反演

基于褶积模型的遗传算法与传统最优化算法相比,它不依赖于目标函数梯度信息,整个计算过程只依赖个体适应度值,能同时对搜索空间中的多个解进行评估,具有搜索过程随机,全局搜索性能强的特点。本文放弃传统的赌轮选择方式,采取一种最佳保留策略选择方式,并用单道地震记录进行反演,对两种结果进行差异分析,可知改进遗传算法反演结果精度更高。在改进遗传算法中,子代保留了父代中最好个体的同时保证了种群基因的多样性,从而保证最终可以搜索到全局最优解,避免了标准遗传算法中的早熟收敛现象。     

改进的遗传算法在Logistic曲线拟合中的应用

针对简单GA在拟合Logistic曲线中存在的易产生早熟收敛、得到的结果可能为非全局最优收敛解以及在进化后期搜索效率降低的缺陷,引入动态自适应策略调整交叉概率和变异概率,对简单GA进行改进,从而在提高收敛速度的同时,又能使得拟合曲线的均方误差减小.数值实验表明,改进的遗传算法的拟合精度有了明显的提高.     

基于种群动态分群策略的改进遗传算法无人机基站调度优化算法

面向构建应急通信网络中的无人机基站调度问题,提出一种基于种群动态分群策略的改进遗传算法,以实现无人机基站快速灵活调度。针对传统遗传算法性能对初始种群质量依赖性较强的问题,设计基于约束条件筛选的初始种群随机生成方法;针对传统遗传算法收敛速度较慢且当初始种群过度聚集容易陷入局部最优解的问题,提出种群进化动态分群策略,按适应度将种群划分为两个子种群,并分别设计动态交叉及变异概率。仿真实验结果表明,改进后的遗传算法收敛速度和全局寻优能力都有显著提高。     

一种改进的基于进化阶段的自适应遗传算法

为改善遗传算法的优化性能,延长种群搜索过程,对基于进化阶段的自适应策略遗传算法进行了改进．改进的自适应策略不仅基于进化阶段,同时基于个体,特别是采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解．实验结果表明,该改进的算法确实延长了算法的搜索阶段,提高了算法的性能．     

一种改进的基于进化阶段的自适应遗传算法

为改善遗传算法的优化性能,延长种群搜索过程,对基于进化阶段的自适应策略遗传算法进行了改进.改进的自适应策略不仅基于进化阶段,同时基于个体,特别是采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解.实验结果表明,该改进的算法确实延长了算法的搜索阶段,提高了算法的性能.     

基于K-近邻域搜索的遗传算法求解旅行商问题

针对传统遗传算法在求解旅行商问题时存在容易陷入局部最优和运算时间较长的问题,着重考虑影响算法局部搜索能力和种群多样性保持两个方面的因素,提出改进策略.将交叉变异产生的新个体与父代种群合并后剔除重复个体,再选择优势个体作为新种群,防止种群中适应度值较低但具有优质基因的个体被剔除,促进种群多样性的发展;通过分析旅行商问题的内在特性,采用K-近邻域搜索的方式减少变异算子的无效操作,提高算法局部搜索能力及算法寻优效率.实验结果表明：与BLS算法相比,改进遗传算法的平均解误差降低了15.36%;相较于传统遗传算法,应用新型变异算子的改进遗传算法收敛速度明显提高.全精英选择法能较好地保持种群多样性,新型启发式变异算子在全局搜索的同时加强了局部搜索能力,对提高算法求解精度和寻优效率都有较好的效果.     

基于实数编码的多父体杂交遗传算法

针对标准遗传算法（SGA）在实际应用中存在早熟收敛、精度较差及运算速度慢的缺点,文章提出了一种基于实数编码的多父体杂交遗传算法（MPGA）。该算法通过引入多父体杂交算子和新的变异算子,有效的增强了种群的多样性及算法跳出局部最优解的能力。实验结果表明该算法能够有效的提高全局搜索能力和局部快速搜索能力,对改进SGA的缺点是十分有效的。     

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。     

改进的遗传算法在优化中的应用

针对遗传算法全局搜索能力强而局部搜索能力弱的问题，提出了一种改进的遗传算法，首先利用遗传算法得到定义域种群，综合处理定义域种群从而求出包含所求问题最优解的二进制模式，并映射为若干相应的实数定义域，缩小所求问题的定义域，再利用传统优化算法的强局部搜索能力，得出问题的全局最优解。     

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.     

自适应遗传算法在建筑结构优化中的应用

遗传算法易搜索到全局最优解,但局部寻优能力差且易发生早熟、随机漫游现象. 基于对本文所采用的基本遗传算法的原理和实施过程介绍的基础上,针对其缺陷提出改进措施：利用混沌序列的“遍历性、随机性、规律性”的特点生成初始种群;采用最优个体储存、最差个体替换策略. 在改进遗传算法的基础上,又引入自适应的交叉、变异概率公式,幅度系数调节交叉率、变异率形成自适应遗传算法. 通过十五杆平面桁架的数值算例,自适应遗传算法的优化结果、优化进程与基本遗传算法、改进遗传算法进行了对比,验证自适应遗传算法的优越性能.     

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.     

基于改进遗传算法的连续函数优化

为了进一步避免连续函数优化过程中的早熟收敛和搜索迟钝,在简单遗传算法基础上提出了划分寻优区间、基于排序和最佳保留的轮盘赌选择算子,可以用来提高遗传算法的运行效率和收敛速度,达到了既能够选出最好个体又能够保证种群多样性的效果;同时采用择优交叉算子和二元变异算子,这样既保证了种群的收敛性,又可在陷入局部最优时为种群引入新基因。仿真实验表明,与简单遗传算法相比,改进后的遗传算法能有效地提高遗传算法的收敛速度和避免陷入局部最优。     

基于多种群改进差分进化算法的环境／经济电力调度优化

应用多种群改进差分进化算法求解环境/经济电力调度(Environmental/Economic Dispatch,EED)这一多目标优化问题。将多种群策略引入差分进化算法,有助于保持群体多样性,有效避免经典差分进化算法的早熟收敛问题。采用自适应变异因子及交叉因子,使算法在搜索初期保持全局搜索能力,在搜索后期增强局部搜索能力,加快收敛速度。将该算法应用到IEEE 30节点-6机组系统的环境/经济调度优化,仿真计算结果以及与其他算法的对比分析验证了该算法的有效性。     

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.     

评定圆度误差的模拟退火自适应变异遗传算法

圆度误差是几何精度的重要指标．已有的评定方法存在一定的局限性．为此．提出了一种快速地、准确评定圆度误差的新方法．该方法采用一种新颖的改进遗传算法．通过遗传种群的遗传过程实现对参考圆圆心的快速搜索．为了保证收敛性并加快收敛速度,采用了模拟退火和自适应变异策略．为了提高算法精度和收敛速度．采用了实数染色体基因编码．并采用白适应线性变异和线性交叉．仿真实验和实用证明,该方法算法简单、可快速准确的评定出圆度误差．     

自适应遗传优化BP网络的研究与应用

针对遗传算法易出现种群多样性被破坏、早熟收敛的问题,在Srinivas的自适应遗传算法(AGA)的基础上,引入种群多样性的度量参数,提出一种改进的自适应遗传算法(MAGA),利用种群多样性和适应度的变化趋势调整交叉和变异概率,继而提出基于MAGA优化BP(back-propagation)神经网络的流量分类方法(MAGA+BP),兼顾了MAGA和BP算法分别在搜索全局和局部最优解方面的优势. 在剑桥大学共享的网络流量数据上进行了仿真实验,结果表明,MAGA较好地维持了种群的多样性,克服了AGA早熟收敛的问题,搜索到最优解的适应度提高了10.17%, MAGA+BP方法对流量数据具有较好的分类效果.     

免疫遗传算法在配电网重构中的应用

配电网具有闭环设计、开环运行的特点。本文提出免疫遗传算法的方法来解决配电网重构问题,以减小网损。配电网重构属于大规模、混合整型、非线性组合优化问题。免疫遗传算法在传统遗传算法的基础上,借鉴生物免疫机制中的抗体的多样性保持策略和记忆抗原的特点,大大提高了算法的全局搜索和局部搜索能力。该算法将遗传算法中的二进制编码改进为整、实数混合编码,提高了计算速度和精度,同时引入了疫苗接种概念,能有效抑制算法在进化过程中退化现象。实验表明,免疫遗传算法具有更好的全局收敛性,同时加快了计算速度。     

多家族遗传算法及其在图像匹配中的应用

提出一种改进的遗传算法--多家族遗传算法.算法采用实数编码方式,每一代由若干家族构成,通过家族之间的相互竞争、选择和交换与各家族内部的交叉选择完成遗传操作,并引入不对称交叉方式,该方式使每一代的搜索范围为整个参数空间,并免除了独立的变异操作.算法在4个典型寻优问题的应用中表现出很强的抗早熟能力和较快的收敛速度,并成功地应用于图像的匹配寻优当中,匹配速度和匹配精度均较为理想.     

自适应遗传算法在建筑结构优化中的应用

遗传算法易搜索到全局最优解，但局部寻优能力差且易发生早熟、随机漫游现象．基于对本文所采用的基本遗传算法的原理和实施过程介绍的基础上，针对其缺陷提出改进措施：利用混沌序列的“遍历性、随机性、规律性”的特点生成初始种群；采用最优个体储存、最差个体替换策略．在改进遗传算法的基础上，又引入自适应的交叉、变异概率公式，幅度系数调节交叉率、变异率形成自适应遗传算法．通过十五杆平面桁架的数值算例，自适应遗传算法的优化结果、优化进程与基本遗传算法、改进遗传算法进行了对比，验证自适应遗传算法的优越性能．