一种基于混沌领域搜索的自适应遗传算法*

提出一种基于混沌领域搜索的自适应混沌遗传算法,该方法在遗传进化的过程根据种群相对多样性对每代个体引入混沌领域方法搜索有效基因,并有效地结合遗传算法善于全局优化和混沌局部搜索能力强等特点。计算结果表明,该算法可以显著提高计算效率,具有较大的实用价值。     

一种新的混合粒子群方法

利用混沌搜索和变异机制克服种群易停滞且易陷入局部最优点的不足。当种群出现停滞时先用混沌搜索更优点,当搜索到的点不满足变异精度要求时再进行变异。发现混沌搜索能使种群在出现停滞时持续寻优,而变异机制则能够有效地帮助种群在陷入局部最优点时跳出该点。结果表明该方法的全局寻优能力较强。     

一种改进变尺度混沌优化的模糊量子遗传算法

针对量子遗传算法存在的易陷入局部极小等问题,提出一种模糊量子遗传算法。该算法采用一种变尺度混沌优化方法,只需设 2个循环,内循环进行混沌搜索,外循环负责缩小区间,通过改进它的收敛策略,可以避免混沌优化在区间内的盲目重复搜索。利用改进的变尺度混沌优化方法,对量子遗传操作产生的种群进行混沌搜索寻优,同时模糊控制更新,加快种群的进化。仿真结果表明,该方法的寻优效果优于量子遗传算法及遗传算法。     

双混沌机制优化方法及其应用

为了克服混沌优化方法在缩小优化变量的搜索空间前所进行的盲目搜索，提出一种具有双混沌机制的优化方法。该方法同时利用两种不同的混沌机制在搜索空间进行搜索，根据搜索情况来缩小搜索空间。该方法能够改善算法的通用性，避免了针对不同的优化函数选择搜索参数的缺点。仿真结果表明，该方法的搜索效率明显高于普通的混沌优化方法。     

混合混沌优化方法及其在非线性规划问题中的应用

结合逐次优化、禁忌搜索和变尺度混沌优化方法的优点，提出了一种混合混沌优化方法。该方法具有逐次优化算法的隐性并行性和收敛性，禁忌搜索的智能性和变尺度混沌优化方法的快速性。仿真计算表明，该方法具有实现简单，优化效率高，鲁棒性强等特点。     

混沌遗传算法及其在函数优化中的应用

将混沌优化和遗传算法结合起来,提出了混沌遗传算法(CGA,Chaos Genetic Algorithm),并将其应用于函数优化问题的求解。通过在种群进化的不同阶段引入混沌优化操作,大大提升了遗传算法的整体性能。实验结果表明,与标准遗传算法(SGA)相比,该算法能更有效地求得全局最优解,具有更快的收敛速度。     

粒子群优化算法的收敛性分析及其混沌改进算法

分析了粒子群优化算法的收敛性,指出它在满足收敛性的前提下种群多样性趋于减小,粒子将会因速度降低而失去继续搜索可行解的能力;提出混沌粒子群优化算法,该算法在满足收敛性的条件下利用混沌特性提高种群的多样性和粒子搜索的遍历性,将混沌状态引入到优化变量使粒子获得持续搜索的能力.实验结果表明混沌粒子群优化算法是有效的,与粒子群优化算法、遗传算法、模拟退火相比,特别是针对高维、多模态函数优化问题取得了明显改善.     

基于混沌局部搜索的双种群遗传算法

针对遗传算法局部搜索能力差和早熟收敛的问题,提出一种基于混沌局部搜索的双种群遗传算法.将2个种群分别作为探测种群和开发种群,按不同交叉概率和变异概率进化.种群每进化一代即对其最优解做混沌局部搜索,若搜索到更优解,则取代原最优解,直至搜索到预设的混沌次数,同时2个种群之间每进化10代进行一次移民操作.在6个Benchma...     

基于混沌和自适应搜索策略的GSO算法分析与优化

针对基本萤火虫群算法在全局优化问题求解过程中存在的求解精度偏低、易陷入局部最优、收敛速度较慢等问题，提出一种基于混沌和自适应搜索策略的萤火虫优化算法（CSAGSO）。利用混沌搜索技术对萤火虫种群进行初始化以得到分布更为均匀、合理的较优初始解；运用混沌扰动优化策略对每一代适应度较差的部分萤火虫个体进行混沌扰动以增强种群多样性和提高全局搜索能力。采用动态步长的自适应搜索策略，并对寻优过程中静止不动的萤火虫个体位置进行更新，加快了算法前期收敛速度，减少了后期震荡现象发生。仿真实验结果表明，优化后的萤火虫算法参数较少并具有较好稳定性，同时在求解精度和收敛速度上都明显优于基本萤火虫群算法。     

一种基于混沌搜索的自适应入侵遗传算法

将生物系统中“入侵”的概念引入遗传算法,提出了一种基于混沌搜索的自适应入侵遗传算法。该算法动态地引入入侵种群,并采用混沌搜索产生入侵个体。入侵种群的扩散使优良基因得以在个体间传播,优化了种群的基因构成,能够促使种群跳出局部最小,并向全局最优的方向进化,从而有效地避免了遗传算法的早熟现象。将该算法用于函数优化及解决模式分类问题的神经网络参数训练,实验结果表明,该算法具有较快的收敛速度和较强的寻优能力。     

基于混合模拟退火-遗传算法和HMM的Web挖掘

隐马尔可夫模型训练算法是一种局部搜索算法,对初值敏感。传统方法采用随机参数训练隐马尔可夫模型时常陷入局部最优,应用于Web挖掘效果不佳。遗传算法具有较强的全局搜索能力,但容易早熟、收敛慢,模拟退火算法具有较强的局部寻优能力,但会随机漫游,全局搜索能力欠缺。综合考虑遗传算法和模拟退火算法的特点,提出混合模拟退火-遗传算法SGA,优化HMM初始参数,弥补Baum-Welch算法对初始参数敏感的缺陷,Web挖掘的实验结果表明五个域提取的REC和PRE都有明显的提高。     

基于对立策略的螺栓遗传算法

为进一步提高螺栓遗传算法的优化效率,加速寻优过程,提出基于对立策略的螺栓遗传算法。该算法在种群初始化阶段和变异阶段均用对立取代随机方式,提高产生解的质量。利用测试函数对算法的效率进行检验,将其与差分算法、遗传算法、粒子群算法和螺栓遗传算法进行对比,结果表明,新算法具有更快的收敛速度和更高的求解精度。     

柔性多面体在遗传算法中的应用研究(I)

文章提出了一种柔性多面体的方向进化算子,并在基本遗传算法中嵌入柔性多面体搜索算法,从而构成了一种基于柔性多面体的新的混合遗传算法(flexiblepolyhedronhybridgeneticalgorithm,FP_HGA)。方向进化算子紧跟基本遗传算法的变异操作之后,其作用是使适应度较低的个体向适应度较高的个体进化;柔性多面体局部搜索算法作用是对当前代所有新个体在进入到下一代之前,使它移动到局部最优点。并用FP_HGA来求解Rosenbrock测试函数的最小值,FP_HGA算法和SGA(SimpleGeneticAlgorithm,SGA)算法的计算结果表明该混合遗传算法在收敛速度和精度方面均得到很大提高。     

基于改进的遗传算法求解可满足性问题

遗传算法(GA)是由Holland提出的一种基于进化论的仿生算法,非常适于求解最优化问题.为了更好地利用SGA求解SAT问题,在将SAT问题等价转换为{0,1}n上的多项式是否存在零点的判断问题基础上,将局部搜索算法(LSA)与SGA相结合,给出一种求解3-SAT问题的改进混合遗传算法(MHGA),并通过对随机大规模3-SAT问题实例的实际求解验证了MHGA的可行性与有效性.     

基于正交试验法的小生境混合遗传算法

在简单遗传算法应用过程中 ,为了解决早熟现象、收敛缓慢和解的精度差等问题 ,提高遗传算法的优化性能 ,借助正交试验法的全局均衡设计思想和自然界的小生境思想 ,在引入了一些高效进化操作的基础上 ,提出了一种基于正交试验法的小生境混合遗传算法 ,并进行了性能分析和实例研究 .研究结果表明 ,该算法能够有效地增强遗传算法的全局收敛性 ,加快进化速度 ,同时算法稳定性也得到了一定的提高     

引入进化梯度的改进小生境遗传算法

针对基本遗传算法易于早熟及局部寻优能力较差等不足,提出了一种引入进化梯度的改进小生境混合遗传算法(GNGA)。利用进化梯度信息调整个体向更优解进化,并根据进化代数自适应调整实数编码个体的交叉量和变异量,增强了局部寻优能力和解的精度。基于排挤的小生境算法的引入,保持了种群的个体多样性以克服早熟。在Shubert函数上的仿真结果表明,与小生境遗传算法相比该算法能有效提高解的精度及收敛速度,找到更多最优解。     

并行遗传算法的FPGA硬件实现研究

提出基于FPGA的并行遗传算法的硬件实现系统,从硬件实现角度提高遗传算法的收敛速度.硬件系统划分4个子系统,每个子系统同步而单独地运行一个群体大小为M的简单遗传算法,在简单遗传算法每代结束时,总控制器从4个子系统中选取1个最佳个体,然后复制到与其物理相邻的2个子系统中,实现子系统之间的信息交换.每个子系统采用5段流水线处理技术,即将子系统划分为解码操作、适应度计算、预选操作、随机地址比例选择操作以及交叉-变异操作5个单元.为了解决各段速度瓶颈,适应度计算采用4个具有加速模块的NiosⅡ处理器,预选操作采用M个取整电路,交叉-变异操作采用1个交叉部件和1个变异部件,解码操作采用2个解码部件的内部并行处理方式.用遗传算法标准测试函数Ⅱ测试该硬件系统,实验数据表明,由FPGA硬件实现的并行遗传算法同由软件实现的遗传算法相比,收敛速度大幅度提高,约2个数量级.     

基于动态自适应遗传算法的调制信号特征选择

神经网络分类器已被广泛应用在自动模式识别中。降低输入数据特征维数对其结构的简化和性能的提高至关重要。简单遗传算法早熟收敛和局部搜索能力弱的缺陷,使它在特征选择中的效果不理想。提出基于进化群体中值信息的动态自适应遗传算法。仿真结果表明,该算法优选特征子集速度快,解的质量稳定,神经网络分类器的识别准确率有显著提高。     

基于种群多样度的变参数遗传算法的研究

该文针对基本遗传算法（SGA）所存在的缺陷——早熟现象进行了分析,并在此基础上提出了基于种群多样度的变参数遗传算法（VPGA）。该算法从概率角度分析了遗传操作算子的作用,搜索范围以及多样性的影响,依据种群的多样度对遗传算法的参数进行自动调节,抑制早熟现象。并应用两种遗传算法对评价遗传算法性能的四个著名测试函数进行了仿真测试,仿真结果表明该算法相对于基本遗传算法的优越性和抑制早熟现象的有效性。     

基于小生境的正弦遗传算法研究

针对标准遗传算法的不足，借助最优保留策略对遗传算法中的变异算子进行改进，把生物学的基因突变的概念引入遗传算法中，提高了种群的多样性和全局收敛性能，避免了在进行过程中产生早熟现象。在此基础上，提出了一种小生境正弦遗传算法，并进行实例研究。结果表明，该算法不但可以有效地克服标准遗传算法缺陷，而且稳定性也得到提高。