基于改进的选择算子和交叉算子的遗传算法

为了有效解决遗传算法中收敛速度与局部最优解的矛盾,文中提出了一种具有改进的选择算子和改进的交叉算子的遗传算法。使用文中改进的选择算子,能够增加算法收敛于全局最优解的概率,从而不容易陷入局部最优,也就增加了找到最优解的概率,使用文中改进的交叉算子可以加快算法的收敛速度,从而缩短寻找最优解的时间。实验证明,这两种改进算子的结合能以较快速度收敛于全局最优解,因此能很好地解决遗传算法中收敛速度与局部最优解之间的矛盾。     

智能交叉算子遗传算法的新机制

分析了传统遗传算法中的交叉算子的作用与局限,认为正是交叉算子被赋予两个互相矛盾的任务,而使传统遗传算法的运行机制变得复杂。对交叉算子的功能进行简化,提出智能交叉算子,形成新的、简单的遗传运行机制。该机制认为,进化是由环境与个体共同实现的。基于这种思想,利用MATLAB编写了一个智能交叉遗传算法工具箱,并对该工具箱进行数值试验。结果表明该算法具有非常精确的全局求优的特点,克服了早熟收敛,且收敛速度较快。     

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。     

遗传算法交叉算子浅析

本文对遗传算法的交叉过程进行模拟,通过常用的单点交叉以及两点交叉,在设定的函数上,分别给出二进制编码下,个体进行交叉的具体的计算过程,分析两种交叉算子在遗传算法中的影响。     

遗传算法中的交叉算子的述评

交叉算子是遗传算法中的一种重要算子,对遗传算法中较成熟的交叉算子进行了简单介绍,在此基础上结合文献内容,从理论应用以及作用机理等几个方面对遗传算法中改进的交叉算子进行了分析和讨论,可以发现改进后的交叉算子能在一定程度上克服传统遗传算法的缺点,提高其搜索效率和精度,有效避免过早收敛。进一步提出遗传算法中交叉算子的未来研究方向,为今后遗传算法的应用和发展奠定了基础。     

遗传算法中选择交叉策略的改进

提出一种改进的遗传算法,为排序选择压力引入自适应调节机制,确保选择压力随种群性状的改变而动态调整,采用新的竞争择优交叉策略提高种群中个体的平均性能。选取典型测试函数进行仿真,结果表明该算法在寻优精度和收敛速度上较原有算法均有较大提高,收敛概率达90%以上。     

基于排序的改进自适应遗传算法

本文提出了一种改进的自适应遗传算法,其遗传算子由个体在种群中的排序位置自适应地决定,其中选择算子还引入了disruptive selection的思想.该算法能避免群体中超级个体的出现,维持了种群的多样性,加快了种群的收敛速度,克服了遗传算法早熟的现象.函数优化的结果验证了该算法的有效性.     

用于求解TSP问题的改进遗传算法

TSP问题是一个典型的组合优化问题,也是一个NP难题,一般很难精确地求出其最优解,因而找出有效的近似解算法具有重要意义。针对基本遗传算法在解决TSP问题时所存在的收敛速度慢、容易“早熟”的问题,在选择算子中引入选择因子,同时提出一种改进的交叉算子和基于种群相似度的更新策略。改进的交叉算子是先比较两个城市间距离再进行交换城市序号,因此加快了收敛的速度,而基于种群的相似度更新策略则在算法的后期可以有效地防止早熟。通过对实例144进行测试,证明该算法在解决该类问题上取得了较好的效果。     

遗传算法中的选择算子的述评

选择算子是一个重要的遗传算子。本文在介绍经典选择算子的基础上结合文献分析选择算子的改进,为遗传算法中选择算子的选取提供相关的策略。     

约束优化问题的改进遗传算法设计

遗传算子是影响遗传算法优化效果的重要因素,针对目前遗传算法研究中对约束优化问题求解的不足,提出基于退火思想的退火选择算子和加权适应度算子,并给出了退火选择算子和加权适应度算子设计方法及其计算过程.在此基础上与现有的遗传算子结合,提出一种新的改进遗传算法,分析了改进遗传算法与基于罚函数遗传算法之间在原理上的区别.最后以两个测试函数为算例对算法进行了性能测试,结果表明改进的遗传算法具有良好的优化性能,能获得更好的优化结果.     

改进交叉操作的遗传算法在神经网络优化中的应用

提出了一种对交叉操作进行改进的遗传算法优化神经网络的方法,它保留了父代中的优良模式,增加了找到最优解的概率,从而可以加快算法的收敛速度,缩短了寻找最优解的时间。实验证明,使用这种改进的交叉操作后的算法可以提高神经网络获得最优解的速度。     

求解VRP问题的一种基于交叉算子的改进型遗传算法

采用基于自然数编码染色体、改进型交叉算子并增加内外扰动策略,构造出一种改进型遗传算法。详细介绍了此算法的基本原理,并进行了代表性算例实验与结果分析。实验表明,该算法收敛速度快,有效地遏制了早熟收敛,防止了进化过程中最优解的退化,改善了遗传算法的性能,提高了算法优化效率,是求解车辆路径问题的一种有效算法。     

一种新的遗传算法交叉算子及其在GNSS星座选择中的应用

针对全球导航卫星系统（GNSS）星座选择的需要,分析了多星座卫星导航定位系统选星问题的数学描述形式,根据选星问题的实质要求,将选星问题转换为单约束组合优化问题。而在采用遗传算法求解诸如选星求解类组合优化问题时,由于其对1基因（或0基因）的数量有特别的约束要求,已有的一些交叉算子不能满足该约束要求。针对基因数约束条件,提出了一种新的交叉算子——变异交叉,新的交叉算子仅以1基因或0基因为交换对象实现交叉操作来产生原始后代、以变异作为辅助方式来实现后代的合法化。实验结果表明,所提出的交叉算子能有效应用于遗传算法实现多星座卫星导航定位系统选星求解,且运算量较少,可以实现简单、快速求解,满足实时选星要求。     

一种基于蜜蜂进化选择算子的布局遗传算法

三维矩形布局问题属于NP 难问题,对于三维矩形布局问题的求解大多依赖于各 种启发式算法。该文以布局物体体积递减为定序规则,结合布局物体在布局空间中的几何可行 域,以吸引子法为定位规则,利用蜜蜂进化型遗传算法优化吸引子函数中的参数来求解三维矩 形布局问题(BEGA),得到新型布局遗传算法。最后对不同的算例进行了计算,并与以标准比 例选择作为选择算子的传统布局遗传算法(SPGA)等对比证明了该算法的有效性。     

用网格实现交叉操作的遗传算法

遗传算法可以看成是在某个空间求最大值的搜索技术。本文从理论上分析了在搜索技术中,用格点法比胡机法好,并用格点理论（佳点是格点的一种）设计了遗传交叉算子。模拟结果显示,与传统的胡机法实现交叉操作的遗传算法相比,本文算法不仅在效率、精度上有所提高,而且克服了“早熟”现象。     

一种带混合杂交算子的遗传算法及其收敛性

本文将传统遗传算法中的杂交算子与一种新设计的优化方法相结合,提出了一种能改善种群中个体适应度的混合杂交算子,并通过修正适应度函数给出了一种新的求解连续型数值优化问题的遗传算法,并证明了其全局收敛性。数据试验表明,该算法对这些测试函数的结果优于文献中的方法     

扩散遗传算法及其应用研究

针对遗传算法在局部搜索能力方面的缺陷,提出了一种基于扩散算子的遗产算法(简称扩散遗产算法)。该算法中包含的扩散算子是变异算子,其主要作用是在遗传搜索中进行局部搜索。用扩散遗传算法和实数编码遗传算法分别训练用于解XOR问题的神经网络,对比结果表明,论文提出的算法兼具强的全局搜索能力和局部搜索能力,因此,该算法可以不借助其它局部搜索算法而单独作为神经网络训练算法,从而简化训练算法,提高训练效率。该算法对提高遗传算法搜索效率和求解精度具有重要的意义。