一种解决早熟收敛的自适应遗传算法设计

为了解决简单遗传算法(SimpleGeneticAlgorithm,SGA)易陷入局部最优解的问题,及以往自适应遗传算法只考虑与进化代数相关的交叉与变异概率,而忽略个体分布情况及种群规模不可变等问题,本文在保留以往自适应遗传算法优点的同时,设计了与种群中个体分布相关的可变交叉概率与变异概率。同时考虑了种群规模的波动情况,使算法在相对稳定的动态种群规模中寻找优质解。     

自适应模拟退火遗传算法的改进与应用

提出了一种改进的自适应模拟退火遗传算法,该算法将遗传算法和模拟退火相结合,利用模拟退火算法较强的局部搜索能力,解决了基本遗传算法收敛速度慢的缺点,提高了全局寻优能力.实验结果证实了该混合算法的有效性和高效性.     

改进的自适应遗传算法

Srinvivas等提出一种自适应遗传算法,交叉概率与变异概率能够随着适应度大小而改变。但在这种算法中,群体中最大适应度值的个体的交叉率和变异率为零,这使得进化走向局部最优解的可能性增加。提出了一种改进的自适应遗传算法,使群体中最大适应度值的个体的交叉率和变异率不为零。实验结果表明该算法在抑制“早熟”现象,防止陷入局部最优,提高种群收敛速度方面都有明显的效果。     

遗传算法的改进与应用

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法,它与传统的算法不同。大多数古典的优化算法是基于一个单一的度量函数(评估函数)的梯度或较高次统计,以产生一个确定性的试验解序列;遗传算法不依赖于梯度信息,而是通过模拟自然进化过程来搜索最优解。该文针对传统遗传算法的缺陷,提出了一些新的改进思路,即从搜索技术和遗传算子等的角度来改进遗传算法。     

具有自适应选择策略的改进遗传算法

遗传算法是一种进行全局寻优的有效方法,是进化计算中最受关注的算法之一.基本遗传算法采用选择、交叉、变异等算子对问题的解空间进行搜索,具有结构简单、实现方便、鲁棒性强等特点,在许多领域得到了应用.介绍了遗传算法的原理与实现方法,讨论了基本遗传算法的遗传算子以及具有重要意义的模式定理.在基本遗传算法的基础上,提出了对选择算子的改进方法,即在选择操作时增加了自适应的优选和淘汰机制,以便提高进入交配池个体的适应值.仿真结果表明,改进后的遗传算法能有效地提高群体的平均适应值,加快最佳个体的进化速度.     

交互式遗传算法的改进方法及应用

针对交互式遗传算法中收敛速度慢和容易陷入局部收敛的缺点,提出遗传算法算子的一些改进策略,即利用定位部分优良基因方法,使这些基因较好地遗传到下一代。改进的算法能有效减少无效的交叉操作,收敛速度、全局搜索能力和局部搜索能力比交互式遗传算法均得到了较大的提高。将改进的算法应用于服装设计中,实验结果证明了改进后的算法在平均收敛代数和收敛到最优解的概率都优于遗传算法。     

一种改进的自适应遗传算法

为了提高遗传算法的搜索效率，引进了父子竞争机制，采取一多点交叉操作技术，提出了一种改进的自适应遗传算法，并通过一个多元多峰数学函数对最佳个体保留遗传算法(Elitist-Reserved GA，EGA)、自适应遗传算法(Adaptive GA，AGA)以及文中提出的改进算法(Multi-point Crossover Adaptive GA，MAGA)进行比较评估，验证了该方法的合理性和可靠性。     

一种算子操作概率的自适应策略

在分析传统遗传算法易发生早熟收敛的基础上，本文提出了一种改进算法IGA。IGA采用一种新的交叉率变异率自适应变化的策略，防止在进化初期种群不发生变化造成算法早熟。数值计算结果表明，利用改进策略的IGA搜索整体性较强，可以有效地避免早熟现象产生，提高全局优化能力。     

一种种群自适应收敛的快速遗传算法

作为一种全局搜索算法,遗传算法的局部搜索能力较低,后期产生的无效进化与早熟收敛影响优化的速度和精度。已有的改进策略多以算法的时间复杂度为代价提高后期效率,严重限制了遗传算法在工业控制系统中的应用。针对这种情况,提出了一种新型种群自适应收敛的快速遗传算法,即通过提高种群的遗传质量,在严格控制算法复杂度的前提下提高优化性能。仿真结果证明,在不增加时间复杂度的前提下,新算法显著地提升了收敛精度和收敛速度。     

自适应遗传算法的改进及在曲线化简中的应用

针对固定遗传概率容易引起早熟及收敛慢的问题,对现有自适应遗传算法进行了改进。通过常见测试函数优化求解试验,验证了改进算法具有更好的全局收敛性和更快的收敛速度。在此基础上,将改进算法应用于曲线化简。仿真试验表明,其不仅能够较好地保持曲线的整体形态,还能够得到形变误差更小的化简结果。     

自适应的多种群并行遗传算法研究

典型的遗传算法本质上是一种并行的随机搜索策略,它不能对进化方向做出正确的感知和预测。文章定义了一个可以感知进化方向和衡量进化速度的指标,指导遗传算子做出自适应的调整。结合并行计算和多种群进化思想,提出了“带环多种群模型”,并构造了一种自适应的多种群并行遗传算法。实验结果表明,该算法可以有效地引导和控制进化方向,克服过早收敛现象,提高搜索效率。     

一种基于隔离自适应算子的遗传算法研究

本文首先介绍了遗传算法的理论知识,阐述了基本遗传算法的优点及不足之处。然后在小生境遗传算法的基 础上,引入了隔离技术以及自适应算子,形成了一种基于隔离技术以及梯度算子的小生境遗传算法。理论及实践均表明,新的 改进的遗传算法在实际问题的解决中确实优于基本小生境遗传算法。     

基于自适应遗传算法的软件测试用例自动生成

在软件测试中,测试成功的关键是快速、高效的生成测试用例.遗传算法是一种通过模拟自然界生物进化过程搜寻最优解的一种算法,算法通过选择、交叉和变异操作引导算法搜索方向,逐步接近全局最优解.传统遗传算法由于具有较好的全局搜索能力,因此被很多科研人员应用于测试用例生成.但遗传算法的固有缺陷"早熟收敛",容易导致算法收敛于局部最优.针对这种情况,提出一种自适应遗传算法,该算法交叉算子和变异算子可根据程序变化自动调整,随后,将改进后的算法应用于一程序的测试用例生成中.测试结果表明该算法在测试用例生成的效率和效果方面优于传统搜索算法和普通改进算法.     

遗传算法中引入非自然规则的研究

遗传算法作为一种模拟自然生物进化的群体搜索计算模型,正被广泛应用于各种领域,然而未成熟收敛现象却是一个难于克服的现实问题。论文首先分析了未成熟收敛的原因以及自然进化规则解决此问题的先天不足,通过对变异算子引入非自然规则—低适应值个体高变异和当前最优点微变异等策略对传统遗传算法进行改造,仿真表明其作为一个独立算法通过自身很好地解决了未成熟收敛问题。     

基于Metropolis判别准则的遗传算法

针对遗传算法在应用过程中出现的过早收敛问题，引入Ｍｅｔｒｏｐｏｌｉｓ判别准则对复制算子加以改进，并从理论上对遗传算法的收敛性进行分析。仿真结果证明了该算法解决过早收敛问题的有效性。     

自适应遗传算法在机器人路径规划的应用

针对现有遗传算法在求解机器人路径规划存在的收敛速度慢、易陷入局部最优等缺点,提出一种基于自适应遗传算法的机器人路径规划方法。该方法引入逆转算子,增加插入算子和删除算子,提出新的自适应策略对交叉和变异概率进行调整,更好地避免陷入局部最优,提高算法寻优效率。该算法在MATLAB和Inte3D平台中进行算例验证,实验结果表明改进的自适应遗传算法比现有遗传算法更为有效。     

基于素描的遗传算法

传统遗传算法容易陷入局部最优解，本文借鉴美术中“素描”的思想，对传统的遗传算法进行了改进，提出了基于素描的新型遗传算法．该算法模拟人的素描行为，构造参数控制下的选择算子，再通过参数的调节来选择个体，并依据最优个体对选择算子进行修正，以达到动态调整群体进化过程中的种群多样性和收敛速度之间的矛盾，从而有效地避免了传统遗传算法中早熟现象，显著地提高了GA对全局最优解的搜索能力和收敛速度．这将使GA在众多实际的优化问题上将具有更广泛的应用前景．仿真结果表明，该算法正确有效，且性能优于现有的其它方法．     

Two-Loop Real-Coded Genetic Algorithms with Adaptive Control of Mutation Step Sizes

Genetic algorithms are adaptive methods based on natural evolution that may be used for search and optimization problems. They process a population of search space solutions with three operations: selection, crossover, and mutation. Under their initial formulation, the search space solutions are coded using the binary alphabet, however other coding types have been taken into account for the representation issue, such as real coding. The real-coding approach seems particularly natural when tackling optimization problems of parameters with variables in continuous domains.A problem in the use of genetic algorithms is premature convergence, a premature stagnation of the search caused by the lack of population diversity. The mutation operator is the one responsible for the generation of diversity and therefore may be considered to be an important element in solving this problem. For the case of working under real coding, a solution involves the control, throughout the run, of the strength in which real genes are mutated, i.e., the step size.This paper presents TRAMSS, a Two-loop Real-coded genetic algorithm with Adaptive control of Mutation Step Sizes. It adjusts the step size of a mutation operator applied during the inner loop, for producing efficient local tuning. It also controls the step size of a mutation operator used by a restart operator performed in the outer loop, for reinitializing the population in order to ensure that different promising search zones are focused by the inner loop throughout the run. Experimental results show that the proposal consistently outperforms other mechanisms presented for controlling mutation step sizes, offering two main advantages simultaneously, better reliability and accuracy.