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。     

遗传算法的全局快速寻优

分析了遗传算法的全局快速搜索能力, 指出“前t代群体”中包含至少一个位置等价非重叠模式完全集是可靠地进行全局搜索的保证; 而生成适应度值差别大的完全集是缩小搜索范围的起点, 这些模式的阶数越低, 就能越早开始缩小搜索范围, 对算法全局快速寻优也就越有利.     

基于广义遗传算法的全局优化方法

Generalized genetic algorithm is based on some famous modern biologics theories such as the genetic theory by Morgan, the general system theory by Bertalanffy, and etc, so it is superior in biologics to classical one. It is shown in present paper that the global optimization based on genealized genetic algorithm is feasible for large scale engineering.     

基于遗传算法的WSNs多路径路由优化

对WSNs的拓扑结构进行分析,建立其路由网络模型,结合遗传算法基本原理,提出了一种求解WSNs最优多路径路由算法。该算法采用可变长度染色体编码,采取选择、交叉和变异操作,充分利用基站的信息资源和强大功能,全局优化了WSNs多路径路由。仿真结果表明,该优化机制有效延长了WSNs的生命周期,改善了网络性能。     

基于遗传算法的网络资源配置优化

随着新一代网络的结构复杂化和应用多样化,如何进一步提高实时业务的服务质量,是急需解决的重要问题之一,而合理配置和优化网络资源是解决该问题的有效方法。针对多业务网络,提出一种以网络资源均衡度为目标、QoS为约束的优化模型;应用改进的遗传算法实现带宽和节点缓冲区资源的优化配置,以实现网络流量分布均衡,从而提高网络性能。通过分析遗传算法种群适应度的变化趋势,给出一种基于种群稳定性系数阈值的迭代终止方法,以提高算法收敛效率。通过实验验证了以上方法的有效性。     

函数全局优化的改进实数遗传算法

针对有界区域复杂函数的全局优化问题,分析了一般实数遗传算法的不足,提出了一种新的改进实数遗传算法。在改进算法中,个体的适应度值直接按其目标值排序的方法获得,这可避免进化后期陷入局部极值;基于适应度的线性逼近交叉策略,随机遍历抽样选择、最优保存和子代淘汰父代选择结合的混合选择策略及变异概率动态变化的实值变异策略,可使算法以较快的速度收敛于最优值。对12个典型的复杂函数进行优化仿真,结果表明改进算法不仅收敛速度快,鲁棒性好,而且能得到较高的优化精度。     

基于改进遗传算法的网络路由优化研究

针对QoS多目标优化问题,提出一种改进的遗传算法,并将其应用到解决路由优化问题。该算法在路由器数学模型的基础上满足带宽、延迟、花费等要求,以资源消耗和负载均衡分布为目标,使得资源消耗最小同时负载均衡分布,从而降低网路拥塞的发生。仿真证明该算法具有一定的优越性。     

求解全局优化问题的混合自适应正交遗传算法

提出了一种基于正交实验设计的混合自适应正交遗传算法(hybrid self-adaptive orthogonal genetic algorithm,简称HSOGA)以求解全局优化问题,此算法利用正交实验设计方法设计交叉算子,并提出一种自适应正交交叉算子.该自适应正交交叉算子根据父代个体的相似度自适应地调整正交表的因素个数和对父代个体进行因素分割的位置,生成具有代表性的子代个体,以更好地搜索空间.此外,新算法利用自适应正交交叉算子生成均匀分布的初始种群,以保证初始群体的多样性.同时引入了局部搜索策略以提高算法局部搜索能力和收敛速度.通过14个高维的Benchmark函数验证了算法的通用性和有效性.     

基于遗传算法的智能化公交网络优化方法研究

智能公共交通系统是智能运输系统的重要研究内容,是将信息、通信控制、卫星定位、计算机网络等技术科学集成应用于整个公共交通系统当中,解决公交车辆运行中的无序、失控与低效率状态,以达到更好地为乘客服务的目的。论文主要研究智能化调度下的公交网络优化模型建立,并用遗传算法进行求解。     

基于遗传算法的网络编码优化

在前人优化研究方法的基础上,结合网络编码优化问题自身的特点提出了新的解决方案.首先是算法的预处理部分:1) 给出了统一的方法由不同的资源描述函数生成遗传算法所必须的适应值函数,使得各种不同的网络编码资源优化问题都能利用同样的遗传算法模型;2) 通过检验有多条输入链路的输出链路进一步缩小优化算法的搜索范围.其次,针对网络编码资源优化问题随机解几乎不能让所有接收者都达到组播速率的特点,在一般的遗传算法中加入以下新的处理:1) 在初始化阶段使用更为精细的算法产生更高质量的初始成员.2) 在遗传算法每次循环开始时额外调用初始成员生成算法,加入一定数量的新成员,从而避免了局部性问题.3) 对于不能达到最大组播速率的网络编码方案,基于各个接收者各自的接收速率确定更为合适的适应值而不是统一设为?1,从而使这些方案也能参与算法的进一步处理而不是完全被淘汰.模拟实验结果显示,新的优化算法不仅运行得更快,而且输出的网络编码方案所消耗的资源也更少.     

基于遗传算法和梯度算法的一种结构优化混合方法

基于遗传算法和梯度算法,文章提出了一种结构优化的混合方法。算例表明该方法兼具遗传算法的优良全局搜索能力和梯度算法的强大局部搜索的特点,且具有很好的工程适应性。     

混沌优化与遗传算法的智能集成

作为智能算法,遗传算法的确是解决非线性复杂优化问题的有利工具,但它在搜索过程中易陷入局部最优、收敛速度慢的缺陷又确实限制了它的寻优效能。混沌的遍历性、随机性和内在规律性使得混沌优化能够互补地与遗传算法进行集成。基于此,该文经过遗传算法和混沌优化方法的理论机制分析,将二者进行智能集成,给出混沌遗传优化算法CGA。经过仿真迭代运算,发现该算法能够保证求得全局最优解,并且寻优速度有很大提高。     

基于量子遗传算法的非线性无约束优化方法

量子遗传算法(QGA)是量子计算和遗传算法相结合的产物,量子遗传算法将量子比特和量子旋转门表示引入到遗传算法中,具有比遗传算法更好的搜索效率和收敛性。非线性无约束优化是典型的工程应用问题,而复杂非线性函数的优化结果往往不能令人满意,如陷入局部最优等。利用量子遗传算法强大的搜索能力,可以很好的解决复杂非线性函数的无约束优化问题,实验表明量子遗传算法在该类问题中的有效性和可行性。     

结合遗传算法优化模糊Petri网的参数

本文提出了应用遗传算法实现模糊Petri网参数优化的方法。仿真实验的结果表明,遗传算法能有效地找到模糊Petri网的理想参数,这提高了模糊Petri网对知识的分析、推理能力。     

基于遗传算法的排课系统

随着高校的发展.在教务管理系统中使用的排课模型也变得越来越复杂,亟需一种适用于开发、重用及设计的方法.针对这种情况.给出了排课问题的教学模型,提出基于遗传算法解决方案.结果表明,该算法能比较有效地解决排课问题.     

基于改进遗传模拟退火算法的WSN路径优化算法*

为了更好地解决无线传感器网络（WSN）数据传输的路径优化问题,降低数据传输的能量消耗,提出了一种基于改进遗传模拟退火算法（SAGA）的WSN路径优化算法。首先根据优化目标建立数学模型,然后设计了种群的编码方式,并对遗传算法中的适应度函数、交叉算子、变异算子进行改进,使算法能够更加有效地避免陷入局部搜索;接着根据旧种群和新种群每个对应个体的不同进化程度提出了一种新的Metropolis准则,使模拟退火算法的跳变更具有规律性。实验结果显示：与其它路径优化算法相比,该算法不仅能生成更节能的数据传输路径,而且优化时间也大大降低。所以该算法是一种高效的路径优化算法。     

基于遗传算法的模糊Hamming网络参数优化

根据遗传算法的演化原理,提出了一种新的度量模糊Hamming网络参数性能优劣的适应度函数,在此基础上,将遗传算法作为模糊Hamming网络的训练算法,进行网络参数寻优,并采用UCI机器学习数据库中不同的数据集进行对比测试。试验结果表明:将遗传算法与模糊Hamming网络相结合,可以快速求得最优网络参数组合,避免原有参数调整时的盲目性和随机性,训练后的网络具有分类迅速、准确、稳定的特点。     

基于遗传算法的带宽-时延约束多播路由优化算法

随着许多多媒体在高速网络中的应用,多播路由问题成为越来越重要的课题。多播路由问题在计算机网络中是著名的Steiner树问题,同时也是NP完全问题。该文提出了一种基于遗传算法的多播路由优化算法,采用可变长度染色体(多播树)和基因(路径)应用于编码问题。该算法在满足带宽和时延约束条件下寻找代价最小的多播树。仿真实验证明该算法能快速找到最优解,收敛速度快,可靠性高,能够满足多媒体网络对实时性的要求。     

基于遗传算法的QoS组播路由多目标优化*

现有的路由算法一般只优化单个QoS目标,存在很大的局限性。提出了基于遗传算法的QoS组播路由多目标优化算法,在每次进化中搜索组播路由树的MultiPareto最优解集。仿真实验表明,该方法有很高的成功率,能在有限代内搜索到一组有效的供用户自由选择的组播路由树,克服了单目标优化的缺陷。     

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。