遗传算法求解TSP问题

对遗传算法求解TSP问题进行了完整的描述。介绍几种交叉算子和变异算子,并对其作了比较。提出对算法的交叉概率、变异概率进行自适应调整以维护群体多样性,防止算法过早收敛。     

自适应复制、交叉和突变的遗传算法

本文提出了一种自适应遗传算法。在运算过程中采用了对所遇个体进行具有选择性的复制、交叉、突变概率自适应方法,使适合度趋于一致的个体的繁殖能力减弱,交叉、突变概率增加,从而保证了群体的多样性和遗传算法的搜索能力。经遗传算法的测试函数验证,此算法效果很好。     

基于多算子协同进化的自适应并行量子遗传算法

量子遗传算法具有种群规模小,全局搜索能力强的特点被广泛应用于各类优化问题的求解.为了进一步提高量子遗传算法的收敛速度和搜索稳定性,克服算法的早熟问题,本文改进了基于自适应机制的量子遗传算法.在自适应量子遗传算法的基础上根据种群的适应度定义了个体相似度评价算子、个体适应度评价算子和种群变异调整算子及相应算子的计算方法,利用多算子协同评价当前种群状态并根据进化代数的变化,自适应的改变个体的变异概率,提高了算法全局寻优能力和收敛速度,降低了算法陷入局部寻优的概率.此外,为了提高算法的时间效率,将算法采用并行多宇宙的方式实现.实验结果表明,本文提出的算法在全局搜索性能、收敛速度和时间效率方面有较好的综合表现.     

自适应免疫遗传算法在认知决策引擎中的应用

提出一种自适应免疫遗传算法,设计自适应免疫遗传算子。该算法利用交叉率和变异率自适应调整策略,既防止交叉变异中的个体退化,又保证种群的多样性,并能快速收敛到全局最优解。仿真分析表明,与遗传算法等其他算法相比,该算法具有收敛速度快、平均适应度高、稳定性好等优点,能满足认知引擎参数优化的需要。     

基于自适应遗传算法的最优M序列码搜索

编码信号已经广泛地应用于现代雷达系统中,而编码信号的旁瓣抑制一直是雷达信号处理中有待优化的问题。提出一种基于自适应遗传算法（AGA）优化搜索M序列二相码波形的方法。对于M序列,初始寄存器的选择对于主副比是很关键的。自适应遗传算法的遗传算子交叉概率与变异概率可自适应调整。与标准遗传算法（SGA）相比,这种算法能更好地避免＂早熟＂现象,保持了物种样本的多样性,最终能够收敛到脉压特性更好的序列。试验结果证明了该方法的可行性和有效性。     

自适应复制,交叉和突变的遗传算法

本文提出了一种适应应遗传算法,在运算过程中有杉了对所遇个体进行具有选择性的复制,交叉和突变的突变概率自适应方法,使适合度趋于一致的个体的繁殖能力减,交叉、突变概率增加,从而保证了群体的多样性和遗传算法搜索能力。经２算法的测试函数验证,此算法效果很好。     

一种基于排序操作的进化算子自适应遗传算法

提出了一咱基于排序操作的进化算子自适应的遗传算法,该算法中,每个体按适应值大小进行排序,个体的选择、交叉、交异算子的概率根据个体排序值来自适应地确定,其中选择概率还随进化过程而调节,利用Ｍａｒｋｏｖ链的分析法证明了该算法的全局收敛性,最后,实验结果表明该算法同传统的遗传算法相比不仅能收敛到全局最优解,而且具有交快的收敛速度。     

选择和变异算子的作用分析

文中在连续空间统一的随机过程框架下,分析了遗传算法群体的概率密度序列的演化过程,给出并证明了群体概率密度的递归公式.分析了标准遗传算法中选择算子和变异算子的基本性质.导出了选择和变异条件下平均适应度单调递增并收敛到全局最优解的条件.这些结论在一定程度上为实现自适应调节变异算子的概率,保证遗传算法收敛到全局最优解提供了理论依据.     

基于遗传模拟退火算法的DNA多序列比对研究

针对生物信息学中DNA多序列比对问题,提出了一种基于遗传算法和模拟退火算法相结合的求解算法:在遗传模拟退火算法中,利用模拟退火算法针对遗传算子进行改进来提高算法的效率,由遗传算法进行全局搜索,模拟退火算法用于局部寻优,防止遗传算法的早熟收敛。通过与经典比对算法ClustalX和经典遗传算法进行比对研究,结果表明该算法是有效的。     

基于改进遗传算法的试卷生成算法研究

针对应用传统遗传算法在组卷中出现的早熟和收敛速度慢等问题,提出基于改进遗传算法的试卷生成算法。详细介绍改进的遗传算法应用于组卷的步骤,包括编码方法、适应度函数、交叉算子和变异算子的确定等关键内容。该算法采用分组自然数形式进行个体编码,同时,一改传统交叉方法,采用自适应交叉概率和遗传概率的方法进行运算。仿真实验表明,该算法有效提高了组卷的效率。     

改进的遗传算法在加速寿命试验设计中的应用

为了提高遗传算法的搜索效率和收敛速度,本文给出了一种新的改进的遗传算法。该算法采用对群的优化来保持种群的多样性,保留历史最优个体并定期替换最优个体从而使得个体优化,对交叉概率和变异概率采用自适应的概率进行优化。通过对目标函数的测试表明,将改进遗传算法与基本遗传算法相比较,在函数最优值,平均收敛代数方面取得了令人满意的效果。     

基于个体排序的自适应遗传算法

针对遗传算法容易陷入局部最优的缺点,文中提出了一种基于个体排序的自适应遗传算法。在传统自适应遗传算法中,交叉概率和变异概率的自适应更新是依据个体的适应度值进行的。但是在算法后期,由于种群陷入局部极值,使得值的差异变小,更新时难以体现个体差异。借鉴序优化的思想,在所提改进算法中,将个体适应度值排序,并采用排序号替代适应度值。这种采用序差异取代值差异的方法能够增大种群中、后期的交叉概率和变异率的值,有利于避免算法陷入早熟收敛。文中对几种标准的函数进行了测试,结果表明,改进后的算法在收敛速度和收敛精度方面优于其他两种自适应改进算法。     

用一种免疫遗传算法求解频率分配问题

频率分配是一NP完全问题,本文用一种基于免疫调节机制的免疫遗传算法来求解.该算法结构类似于遗传算法;核心思想是将个体集构造为抗体网络,利用免疫浓度调节机制在个体层次调节个体的多样性,同时利用免疫网络调节理论在种群层次调整个体多样性和群体收敛性之间的动态平衡,从而克服了一般遗传算法的不足.本文同时用该算法解决固定频率分配和最小跨度频率分配问题,取得了较好的效果.     

基于自适应蛙跳算法的图像增强研究

针对图像增强的特点,提出自适应蛙跳算法。首先通过自适应调整惯性权重策略确定个体选择的概率,适应度值越小,被选择的概率越大;接着将青蛙位置差值来动态扰动群体,在较优族群内进行精细搜索,在较差族群内进行广泛搜索来加快找到全局最优解;最后采用非完全Beta函数来确定图像增强过程。实验仿真结果得出:该算法对图像增强具有清晰度高、抑制噪声能力强等特点。     

基于改进遗传算法的自动组卷问题研究

为了解决传统遗传算法在自动组卷中容易出现未成熟收敛和收敛速度慢等问题,提出了一种基于改进遗传算法的自动组卷方法。采用分段二进制编码策略,对每个子空间进行初始种群选择,保证了初始种群舍有丰富的模式,从而增加搜索收敛于全局最优的可能性。并对交叉算子和变异算子进行了优化,实现了交叉和变异概率随解的变化而自适应调整。实验结果表明,改进的遗传算法能有效地解决自动组卷问题,提高了收敛速度和组卷的成功率。     

自适应遗传算法在相控阵雷达最优化调度中的应用

针对相控阵雷达最优化调度问题,提出了自适应遗传算法的解决方案。在分析雷达约束模型的基础上,设计了相应的编码方式、适应度函数、遗传操作等遗传算法的求解步骤;并提出了既考虑到进化代数对算法影响,又考虑到每代中不同个体适应度对算法作用的自适应交叉概率和变异概率。仿真实例表明该方法可以完成对各项雷达申请事件的合理调度,保证较高的成功被调度率和时间利用率。