一种基于云模型的改进型量子遗传算法*

针对量子遗传算法在函数优化中易陷入局部最优和早熟收敛等缺点,采用云模型对其进行改进,采用量子种群基因云对种群进化进行定性控制,采用基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明,该算法可以避免陷入局部最优解,能提高全局寻优能力,同时能以更快的速度收敛于全局最优解,优化质量和效率都要优于遗传算法和量子遗传算法。     

具有混沌局部搜索策略的双种群遗传算法*

为提高遗传算法的局部和全局搜索能力,提出了一种具有混沌局部搜索策略的双种群遗传算法（CLSDPGA）。CLSDPGA中,一个作为探测种群,另一个作为开发种群。两个种群按照不同交叉概率和变异概率进行进化,每个种群每进化一代后就对其最优解进行混沌局部搜索。若搜索到更优的解,则取代原最优解直至搜索到预设的混沌次数,同时两个种群之间每10代进行一次移民操作。六个Benchmark函数的实验结果证明,CLSDPGA比另一种自适应局部搜索策略的遗传算法（a-hGA2）具有更好的寻优能力。     

基于改进遗传算法的配电网主馈线分段开关配置

本文以分段开关接入配电网主馈线后系统的可靠性成本和效益为目标建立相应的数学模型。针对遗传算法收敛速度慢、易早熟等缺点,采用基于自适应模拟退火改进的遗传算法进行分段优化,引入自适应机制优化交叉和变异算子,同时引入模拟退火算法。将遗传算法的全局搜索能力强与模拟退火算法局部搜索能力强的特点结合起来,提高算法局部寻优能力,更快接近全局最优解,在保证解的质量的同时提高了收敛的速度。     

基于遗传模拟退火算法的雷达正交信号设计*

针对雷达正交信号的波形设计问题,提出了一种基于遗传算法和模拟退火算法的新遗传模拟退火算法。该算法利用遗传算法实现全局搜索,利用模拟退火算法实现局部搜索,改进了遗传算法的选择策略,并在交叉、变异概率中引入自适应的概率变化机制,自适应地保存最优个体,并对遗传算法的进化结果有选择地进行模拟退火操作,有效地解决了这两种算法的早熟现象和时间问题。实验结果表明,该算法是有效可行的,性能优于传统遗传算法和模拟退火算法。     

基于正态云自适应遗传算法的无人机航路规划

为了克服标准遗传算法在无人机航路规划中存在的搜索速度慢、容易陷入局部最优等缺点,应用一种基于正态云改进的自适应遗传算法。建立无人机航路规划模型,将地理直角坐标系旋转,引入转弯角度约束,简化遗传编码的复杂度。改进算法由X条件云发生器产生种群的交叉概率和变异概率组成。正态云滴的稳定倾向性保护较优个体从而对全局最优值进行自适应定位,随机性保持个体多样性从而避免搜索陷入局部极值。仿真结果表明,该算法能使无人机在战场环境中快速地选择最优航路,规划的效率和成功率相对于标准遗传算法有明显提高,具有良好的应用前景。     

带自适应感知能力的粒子群优化算法

提出一种求解约束优化问题的改进粒子群优化算法。它利用可行性判断规则处理约束条件,更新个体最优解和全局最优解。通过为粒子赋予自适应感知能力,算法能较好地平衡全局和局部搜索,且有能力跳出局部极值,防止早熟。边界附近粒子的感知结果被用来修正其飞行速度以加强算法对约束边界的搜索。实验结果表明,新算法收敛速度快,寻优能力强,能很好地求解约束优化问题。     

动态双子群协同进化果蝇优化算法

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,提出动态双子群协同进化果蝇优化算法(DDSCFOA).该算法在运行过程中根据群体的进化水平,动态地将整个种群划分为先进子群和后进子群;先进子群采用混沌算法在局部最优解邻域内进行精细的局部搜索,后进子群采用基本FOA算法进行全局搜索,较好地平衡局部搜索能力和全局搜索能力;两个子群间的信息通过全局最优个体的更新和种群个体的重组进行交换.DDSCFOA算法能跳出局部极值,避免陷入局部最优.仿真结果表明,动态双子群协同进化的策略有效可行,DDSCFOA算法比基本FOA算法具有更好的优化性能.     

基于云模型的量子免疫优化算法

采用云模型对量子免疫算法进行了改进,采用量子种群基因云对种群进化进行定性控制,基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,使其能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明该算法可以避免陷入局部最优解,能提高全局寻优能力,能以更快的速度收敛于全局最优解,具有较好的应用价值。     

基于协同进化的自适应遗传算法研究

针对传统遗传算法易于陷入局部最优解,性能不稳定的问题,提出了一种基于协同进化的自适应遗传算法（CEAGA）。在协同进化的两层框架模型的基础上,引入一个自适应的变异策略,改进了协同进化遗传算法中的局部进化操作,加强了在上层中的局部搜索;在下层,在种群之间采用协同进化算法,克服未成熟收敛,在种群内部进化中引入自适应遗传操作,保护种群中的优秀个体。实验验证CEAGA既具有很快的收敛速度,又具有很好的全局搜索性能。     

一种多粒子群协同进化算法

为进一步提高多粒子群协同进化算法的寻优精度, 并有效改善粒子群易陷入局部极值及收敛速度慢的问题, 结合遗传算法较强的全局搜索能力和极值优化算法的局部搜索能力, 提出了一种改进的多粒子群协同进化算法. 对粒子群优化算法提出改进策略, 并在种群进化过程中, 利用遗传算法增加粒子的多样性及优良性, 经过一定次数的迭代, 利用极值优化算法加快收敛速度. 实验结果表明该算法具有较好的性能, 能够摆脱陷入局部极值点的问题, 并具有较快的收敛速度.     

基于自适应递阶遗传算法的小波网络研究与应用

针对传统网络收敛速度慢、隐层节点数选取盲目的问题,提出了一种基于递阶结构的自适应遗传算法.该遗传算法采取基于递阶结构的编码方式和自适应调整遗传算子,以网络的复杂性和准确性为目标函数,同时优化小波网络的结构和网络参数,并将优化网络用于飞控系统舵机的故障诊断,通过与传统的BP算法比较,结果表明基于递阶结构的自适应遗传算法的网络结构优化能力很强,且网络的收敛性能和诊断能力都有了很大的改进.     

遗传算法算子优化的应用

为了解决简单的遗传算法中容易出现"早熟收敛"等问题,需要对遗传算法进行改进.改善的算法采用自适应的交叉和变异算子,让交叉和变异概率随适应函数值的变化而变化.测试证明这是一种有效的优化方法,可以起到跳出"早熟",加速收敛的效果.     

基于改进遗传算法智能组卷的研究

组卷问题是解决在一个多约束条件下的多目标参数优化的问题,在研究组卷数学模型的基础上,对遗传算法进行了改进,通过对染色体分段编码、确定适应度函数、分段初始化种群、交叉概率和变异概率的自适应调整及最优个体保存策略措施,实现了智能组卷。通过实验数据测试结果表明,改进遗传算法比简单遗传算法能更好地完成组卷,有更高地组卷效率,有较好地实用性。     

基于人工选择的组合电路优化算法

针对一般组合电路的优化算法复杂、优化过程时间长、优化效率偏低等问题,提出一种人工选择方式下的组合电路优化算法。该算法模拟物种进化时的家养模式,将最小项作为基因,函数表达式作为染色体,把逻辑电路的优化过程演变为遵循电路定律的基因变异、重组、寻优的过程。算法通过有利的变异条件,提高了算法的收敛速度和效率。通过与简单免疫、多目标遗传、自适应免疫算法的实验比较,证明了该算法的有效性和优越性。     

适合盲提取的自适应遗传算法

对盲分离问题中存在收敛速度慢、精度不高和容易陷入局部最优等缺点进行了研究,提出了一种基于改进自适应遗传算法的快速盲提取算法。在负熵判据的基础上,建立了最小化独立信号边缘熵准则。以盲提取目标优化函数为基础,对遗传算法的关键技术进行了改进,同时提出一种适合盲信号提取的适应度函数和防止算法局部收敛的监测策略,使算法能够自动跳出局部最优,快速地收敛于全局最优解。以改进的自适应遗传算法作为寻优算法,快速地实现了瞬时混合信号的盲提取。仿真实验表明,该算法性能稳定、收敛速度快,得到了全局最优解,有效地实现了信号盲提取。     

基于改进遗传算法的模糊控制器设计

针对模糊控制器的隶属度函数和模糊控制规则的选取及优化缺乏自学习能力与知识采集的手段,以及遗传算法具有自适应、启发式、概率性、迭代式全局收敛的特点,该文章将遗传算法与模糊控制相结合,给出了一种基于改进遗传算法的模糊控制器设计策略.改进算法引入了分裂算子来避免遗传算法在寻优过程中陷入局部最优解,同时对编码方式、选择算子、交叉算子以及变异算子做了相应的调整与改进.并将此改进算法用于优化模糊控制器的隶属度函数与模糊控制规则.仿真结果表明用该改进算法优化后的模糊控制器较用普通遗传算法优化后的模糊控制器具有更好的控制性能.     

基于改进的遗传算法在函数优化中的应用

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点,提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率;为了加快寻优效率,在选择算子方面将引进的选择算子与最优保存策略相结合;为了使遗传操作过程中种群数量恒定,又提出了保留亲本的策略。通过仿真实验发现,与经典遗传算法GA和IAGA相比,改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。     

一种结合混沌搜索的自适应遗传算法

自适应遗传算法(AGA)是一种有效的全局优化概率搜索算法.把混沌优化算法引入到AGA中,提出了一种结合混沌搜索的自适应遗传算法(AGACCS).该算法保持了AGA的所有特点,进一步改善了AGA的全局寻优能力并有效防止局部收敛现象,提高了算法的收敛速度和计算精度.仿真函数结果表明,该算法的性能优于AGA.     

基于蜜蜂双种群进化机制的云自适应遗传算法

为了提高传统自适应遗传算法的鲁棒性,受蜜蜂双种群进化的机制启发,把雄蜂通过竞争参与交叉及雄蜂与决定双蜂群优秀遗传基因的蜂后交叉的机制引入算法中,再利用正态云模型云滴的随机性和稳定倾向性特点,提出了基于蜜蜂双种群进化机制的云自适应遗传算法。算法由正态云模型的Y条件云发生器及蜂后参与的方式实现交叉操作,基本云发生器实现变异操作。函数优化实验和暴雨强度公式参数优化的仿真结果表明了算法的有效性和可行性。