一种多模态优化的小生境遗传算法

针对目前多模态优化存在无法找到全部局部极值解的问题,提出了一种改进的小生境遗传算法．该算法在基于淘汰相似机制的小生境遗传算法中引入了预选择机制,并对自适应交叉概率算子和变异概率算子进行了改进,根据群体适应度值的大小来动态调整个体的交叉概率和变异概率大小,并将该算法用于Shubert函数的求解,实验结果表明该方法较之前的小生境遗传算法能够有效的搜寻出全部局部极值,并具有较快的搜索速度．同时,该方法在其他的多峰函数求解上具有通用性．     

基于自适应小生境遗传算法的船型优化

自适应小生境遗传算法能够克服基本小生境遗传算法操作复杂和计算费时的缺陷,同时具有保持种群的稳定性,获取合适的子种群规模,从而更快地获得最优解的特点。为快速获得阻力性能优良的船型,以势流兴波阻力理论Rankine源法为基础,采用自适应小生境遗传算法并结合CAD技术进行船型优化设计。S60船型的优化算例结果表明,采用自适应小生境遗传算法进行船型优化具有可行性。     

基于多种群进化小生境遗传算法的神经网络进化设计方法研究

针对神经网络进化设计问题中棋型解基因编码与棋型解空间的特点，提出了多种群进化小生境遗传算法。该神经网络进化楚棋方法设计简单、通用，棋型性能评价全面合理，全局搜索效率高，电力负荷预测支持系统的实际应用效果表明此方法是有效的，具有一定的应用推广价值。     

一种基于社团划分的小生境遗传算法

提出一种相似性算了,并根据该算子建立超级个体之间的关系网,运用社团划分算法将该关系网划分成小生境;提出收敛算子,运用该算子判断种群的进化程度,以决定是否进行生境划分.根据生境中维持的共有模式,采用多位变异策略,有效维护生境中个体的多样性,避免早熟收敛.从理论上证明了,该算法的收敛性.实验结果表明,该方法具有良好的收敛速度和全局搜索能力,其综合性能优于确定性排挤遗传算法,有利于并行实现.     

面向多模态函数优化的自适应小生境遗传算法

为了解决小生境遗传算法不能准确识别小生境的缺陷,以及算法无法有效平衡快速收敛和保持种群多样性的冲突问题,提出一种自适应小生境遗传算法.在算法中,设计一种改进的小生境识别方法来确定小生境范围,引入用于度量种群多样性的小生境熵概念,并利用小生境熵自适应调整进化参数的取值.同时,改进选择、交叉策略,在识别的小生境基础上将交叉分为境外交叉和境内交叉,用于提高算法的全局搜索能力和局部收敛速度.实验表明,算法对于解决多模态函数优化问题具有收敛速度快和计算量小等优点,能够有效避免遗传漂移现象.     

进化优化小生境遗传算法控制参数的研究

小生境遗传算法与遗传算法相比，在求解多峰函数等最优化问题上具有显著的优势，但是小生境距离参数的确定缺乏理论依据，限制了小生境遗传算法的应用。该文提出了一种求解小生境之间距离参数的新方法——基于遗传算法进化优化小生境距离参数。根据多峰目标函数的具体情况，应用遗传算法随机寻优得到若干个最优值，由这些最优值的最小欧氏距离指导小生境距离参数的取值。依据此方法确定小生境之间的距离参数，应用小生境遗传算法成功求解了Shubert多峰函数的所有全局最优值以及六峰值驼背数Back Function的所有局部极小值。     

一种改进选择算子和基于小生境的遗传算法

为了进一步提高遗传算法选择算子的选优能力,在传统轮盘赌的基础上提出了一种基于排序的多轮轮盘赌选择算子,在提高了算子选优能力的同时也减少了随机性所产生的误差;同时采用了小生境技术,使得算法既能保证多样性又能够保留最优解。实验表明,与简单遗传算法相比较,新算法能够有效地提高收敛速度。     

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。     

一种基于改进小生境遗传算法的图像分割方法

利用经典的Otsu算法和基本遗传算法相结合进行图像分割存在有算法效率低、容易提前形成伪解的问题,对于上述问题,提出一种基于改进小生境遗传算法的图像分割算法(IVNGAMS)。算法全局优化了二维Otsu图像分割函数,可以按照个体适应度大小自动控制遗传参数。并通过引入模拟退火算法,进一步提升算法的局部搜索能力。实验结果表明,改进的图像分割方法能更好提升算法的全局搜索能力,能够更加稳定快速的收敛到最佳的分割阈值,并且得到了更好的图像分割效果。     

基于小生境遗传算法的物流配送路径优化研究

通过对物流车辆配送过程的分析,建立了带时间窗约束的物流配送路径优化问题的数学模型。针对遗传算法具有早熟的缺点,将小生境技术引入遗传算法,构建小生境遗传算法。最后,将小生境遗传算法应用于所建立的物流配送路径优化模型的求解,实验结果表明小生境遗传算法在一定程度上可以避免标准遗传算法早熟现象的发生,提高了其求解物流配送路径优化问题的效率。     

改进的小生境混合遗传算法在函数优化上的应用

为了提高经典小生境遗传算法的收敛性能,加强局部寻优能力,设计了一种新的小生境混合遗传算法.通过判断算法的在线性能指标Xe(s),将模拟退火算法巧妙地融入算法的后期,并针对小生境遗传算法的特点选用格雷码编码,同时设计了自适应的遗传交叉算子.用一个Shubert多峰值函数对改进的算法进行验证,结果表明:新算法的收敛性能和进化效率得到提高,局部寻优能力也有加强.     

基于小生境遗传算法的分类优化方法

对于多分类问题,大多是经二分类器组合进行训练的,在分类类别多、特征维数高时,存在识别准确率不高和训练速度较慢的问题。将超球支持向量机应用到多类问题,为每个类建立一个超球体模型,通过多个超球体划分样本空间。采用改进的基于排挤的小生境遗传算法(improved crowding niche genetic algorithm,ICNGA)进行特征选择,为不同的目标类别寻找最优的特征子集,优化超球支持向量机的输入。利用UCI标准数据集的数值实验表明,在分类数据类别较多、特征维数较高时,经过ICNGA特征选择之后的多超球支持向量机的识别准确度更好,非常适合解决类别数多、特征维数高的分类问题。     

基于自适应小生境遗传算法的图像复原

传统的小生境遗传算法收敛太慢,且容易陷入局部最优,对小生境算法做出以下三点改进：一是将解空间划分为多层区域,每层使用不同的距离因子;二是采用差值编码方式,使得算法更易收敛;三是使用伪并行加速算法,改进经典的邻居模型为镜像邻居模型。实验表明改进算法的PSNR比常用的遗传算法以及小生境算法高0.2~0.3 dB,且运算时间仅有它们的40%~50%。     

小生境分布估计量子遗传算法及其仿真分析

针对现有量子遗传算法进化机制存在的收敛速度慢以及易陷入局部极值的问题,为提高量子进化算法的全局收敛性能,结合小生境技术中的共享适应度函数方法,提出了小生境分布估计量子遗传算法NEDQGA,在种群内部利用多粒度机制和边缘积模块(MPM)进行量子染色体的两步旋转;并提出利用MPM进行交叉的方法,从而增强了种群多样性,避免了优良模式的损失,加快了算法的收敛;对算法的收敛性进行了分析,提出了MPM更新量子染色体的熵收敛准则。经函数仿真分析,算法收敛效果明显提高。     

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。     

多核CPU环境下小生境混合遗传算法的研究*

为克服遗传算法的缺点,利用小生境的启发作用,引入改进的模拟退火操作,构造了一个兼顾全局搜索与局部探测的混合遗传算法。针对该算法内在的良好并行性及串行计算难以发挥多核CPU计算优势的问题,将遗传操作和模拟退火操作设计成并行计算形式,利用OpenMP将其线程化。对TSP的求解验证了该算法的有效性,并行算法的加速比和计算效率随着TSP规模的增加而显著提高。     

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     

用于约束多目标优化问题的热力学遗传算法

为了保持所求得的约束多目标优化问题Pareto最优解的适应度与多样性,在NSGA-Ⅱ基础上提出了一种用于求解有约束的多目标优化问题的热力学遗传算法.结合热力学中自由能与熵的概念,利用热力学中熵与能量的竞争来保持种群的适应度与多样性的平衡,设计了热力学算子.根据非支配排序Pareto分层结构建立分层小生境来改进选择算子,弥补了选择算子不足.实验结果表明:该算法不仅得到的解在空间分布均匀,收敛性好,同时解集具有较广的分布空间.     

改进量子遗传算法及其应用

针对量子遗传算法在多维复杂函数优化中迭代次数多、易陷入局部极值等缺点,提出新的量子遗传算法。通过搜索各种群中各染色体的最优个体,组成一个新的种群,并以此种群作为当前最优种群来确定量子门的全局最优搜索方向。引入小生境协同进化策略初始化量子种群,使量子染色体均匀分布于初值空间。以非线性连续优化问题为例所进行的仿真结果表明,该方法具有收敛速度快、寻优能力强等优点。最后,将该算法应用于化工过程的优化,取得良好的效果。