现代优化计算方法──遗传算法简介

本文系统回顾了一种现代新颖的优化算法──遗传算法的基本理论。首先简单介绍了遗传算法与生物进化的联系，然后依次介绍了遗传算法的具体设计方法和步骤、遗传算法的主要特点、遗传算法现状及前景。     

一种基于实数编码的自适应遗传算法

分析了进化遗传算法的弊端。提出了一种基于实数编码和自适应变异率的改进遗传算法,将变异率定义为自上次进化以来未进化次数的函数,同时采取最优保存策略,有效地避免了采用二进制编码时计算精度与计算量之间的矛盾,克服了基本遗传算法因变异率选择不当引起的“早熟”现象及后期收敛速度慢的问题。计算结果表明,新方法成功地解决了进化遗传算法存在的问题,且计算效率较高。     

遗传算法在斜齿圆柱齿轮传动优化设计中的应用

遗传算法是一种模拟生命进化机制的搜索和优化方法，其全局优化和隐含并行性使得遗传算法适合求解大规模的复杂优化问题。该文在介绍遗传算法的基础上，系统论述了遗传算法在斜齿圆柱齿轮传动优化设计中的应用。经实例分析与计算，得到了较为理想的设计结果。通过与传统优化方法的比较，说明遗传算法在机械传动优化设计方面，具有广泛的应用前景。     

遗传算法在最优网络计划中的应用

介绍了遗传算法基本理论,并采用遗传算法进行最优网络计划求解。首先用遗传操作产生众多网络计划方案,然后借用图论方法筛选出各种可行的网络计划,随之计算各网络计划的适应度,最后根据"优胜劣汰"原则通过多次进化得出最优的网络计划。     

基于遗传算法工具箱的控制系统优化设计

介绍了遗传算法(GA)的基本原理及遗传算法工具箱(GOAT)的基本用法，结合控制系统PID参数的优化设计问题，给出了基于任意目标函数的PID参数整定方法，并利用仿真实验证明了其有效性。     

一种有效的多目标混合遗传算法

设计了一种基于支配关系下的局部搜索方法，将此局部搜索方法嵌入到多目标遗传算法中，从而提出一种有效的求解多目标优化问题的混合遗传算法。为加速遗传算法在全局优化问题上的收敛性，发挥传统数值优化算法在计算速度与计算精度上的优势，在遗传算法中镶嵌一个多目标线搜索算子。线搜索算子与遗传算法中的选择算子、交叉算子和变异算子共同作用，使全局搜索和局部搜索都能够很好的实现。数值实验表明，该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。     

基于搜索空间分割的协同进化遗传算法

针对经典协同进化遗传算法在优化大决策空间问题时计算复杂度较高的问题,提出了一种基于搜索空间分割的协同进化遗传算法,其基本思想是：将种群分割为不同规模的子种群,在进化过程中应用ε自适应方法调整子种群规模。复杂度分析和数值实验表明,改进后的算法可降低算法计算量,提高算法的优化效率。     

基于遗传算法的健康监测传感器优化配置方法研究

本文介绍了健康监测时作动器及传感器优化配置的方法及遗传算法进行优化设计的基本原理。针对多点传感器优化问题，采用基本的遗传算法对其进行研究。给定结构优化的结果表明，在结构健康监测中用遗传算法来搜寻传感器的最优配置是十分有效的。     

基于梯度的自适应量子遗传算法

根据量子计算原理,提出了一种量子旋转门转角的自适应确定方案。该方案的基本思想是在设计量子旋转门转角大小时,充分考虑目标函数的梯度,当目标函数变化率较小时,适当增加转角步长,反之适当缩小转角步长。数值计算结果表明,基于该方案的改进量子遗传算法比基本量子遗传算法有更佳的全局收敛性和更快的收敛速度。     

遗传算法交叉算子的性能研究

根据目前实际应用中遗传算法的基本概况，对遗传算法中起核心作用的交叉算子的性能进行了研究，分析了交叉算子对遗传算法收敛性的影响以及如何有效地设计高性能的交叉虎子。     

An extended discrete particle swarm optimization algorithm for the dynamic facility layout problem

We extended an improved version of the discrete particle swarm optimization （DPSO） algorithm proposed by Liao et al.（2007） to solve the dynamic facility layout problem （DFLP）. A computational study was performed with the existing heuristic algorithms, including the dynamic programming （DP）, genetic algorithm （GA）, simulated annealing （SA）, hybrid ant system （HAS）, hybrid simulated annealing （SA-EG）, hybrid genetic algorithms （NLGA and CONGA）. The proposed DPSO algorithm, SA, HAS, GA, DP, SA-EG, NLGA, and CONGA obtained the best solutions for 33, 24, 20, 10, 12, 20, 5, and 2 of the 48 problems from （Balakrishnan and Cheng, 2000）, respectively. These results show that the DPSO is very effective in dealing with the DFLP. The extended DPSO also has very good computational efficiency when the problem size increases.     

基于目标增量的最小化总完工时间无等待流水调度智能算法

针对NP-完全的无等待流水作业调度问题,改变传统求解调度序列目标函数的模式,分析并证明启发式算法基本算子的目标增量性质,通过目标函数变化量判断新解的优劣,大大降低算法所需计算时间．提出将变化邻域搜索（VNS）作为一种局部搜索机制混合入遗传算法的智能算法IGA求解所考虑的问题,根据问题特点构造ISG算法产生初始种群中的一个个体,设计基于期望值的个体选择机制和进化过程交叉算子ILCS．采用110个经典Benchmark实例,将所提出的IGA算法与传统遗传算法以及求解该问题目前最好的2种算法进行比较,实验结果表明IGA算法在略有耗时的情况下,性能上明显优于其他3种算法、     

A comparative study of differential evolution and genetic algorithms for optimizing the design of water distribution systems

The differential evolution (DE) algorithm has been received increasing attention in terms of optimizing the design for the water distribution systems (WDSs). This paper aims to carry out a comprehensive performance comparison between the new emerged DE algorithm and the most popular algorithm??the genetic algorithm (GA). A total of six benchmark WDS case studies were used with the number of decision variables ranging from 8 to 454. A preliminary sensitivity analysis was performed to select the most effective parameter values for both algorithms to enable the fair comparison. It is observed from the results that the DE algorithm consistently outperforms the GA in terms of both efficiency and the solution quality for each case study. Additionally, the DE algorithm was also compared with the previously published optimization algorithms based on the results for those six case studies, indicating that the DE exhibits comparable performance with other algorithms. It can be concluded that the DE is a newly promising optimization algorithm in the design of WDSs.     

最优特征子集的遗传算法求解

指出最优特征子集选择问题(OFSS)是个NP-Hard问题,寻找一个近似算法具有现实意义。遗传算法提供了一种求解复杂系统优化问题的通用框架。使用基于小生境技术的遗传算法求解OFSS问题,以获得较好收敛性、稳定性和较快的速度。     

基因群进化受控的自然遗传算法

１ＩｎｔｒｏｄｕｃｔｉｏｎＧｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓ（ＧＡｓ）ｗｅｒｅｐｒｏｐｏｓｅｄｔｏｓｏｌｖｅｐｌａｎｎｉｎｇ,ｓｃｈｅｄｕｌｉｎｇ,ｏｒｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍｓｉｎ１９７０ｓ．ＧＡｓｓｉｍｕｌａｔｅｎａｔｕｒａｌｅｖｏ...     

一种基于改进遗传算法的医学图像配准算法

局部优化算法在医学图像配准中存在容易陷入局部极值的问题．本文在分析标准遗传算法的基础上,提出了改进的具有全局优化能力的遗传算法,最后给出了本配准算法的实验结果．     

智能多目标网络设计软件系统的研制

计算技术的飞速发展使大规模的显示模拟成为可能，而针对社会和生物现象的模拟，对人类认识自身及其环境具有重大意义，进化是其中最为诱人的领域之一。人的智能是从哪里来的?归根结底是从生物进化中得来的，反映在遗传基因中，脑的结构变化也是通过基因的变化一代代遗传下来。     

遗传算法教学辅助系统分析与设计

随着人工智能的不断发展,遗传算法(Genetic Algorithms,简称GA)作为一种人工智能算法有着很长的发展史,在工业,医疗等等许多方面都有着广泛的运用,但是因其依靠随机搜索,在演示教学上一直有其难度,这点在一定程度上影响了遗传算法的运用及推广,作者通过对遗传算法的研究和对软件系统的分析,达到了对算法的分步演示及可视化,改善了教学方法,提高了教学质量。     

改进遗传—蚁群算法求解多维0/1背包问题

针对传统启发式算法难以平衡求解收敛次数与求解精度问题,通过充分分析GA和ACO两种算法的优缺点,设计了一种改进的遗传蚁群算法。将算法分为上下两步,分别以GA和ACO为主。在GA中引入信息素更新机制连接上下两部分算法|在ACO中引入遗传变异操作尽可能扩大解的范围。同时结合两种算法各自解的继承方式,采用合适的方法分别处理这两部分产生的不可行解。获得解后,通过引入交换邻域的爬山法思想进一步尝试优化解。最终在保证求解精度的前提下,减少求解所需的迭代次数。实验结果表明,在需要保证求解精度的前提下,相比传统GA,该方法的求解效率提高了一个量级。     

Solving Hitchcock''s transportation problem by a genetic algorithm

Genetic algorithms (GAs) employ the evolutionary process of Darwin's nature selection theory to find the solutions of optimization problems. In this paper, an implementation of genetic algorithm is put forward to solve a classical transportation problem, namely the Hitchcock's Transportation Problem (HTP), and the GA is improved to search for all optimal solutions and identify them automatically. The algorithm is coded with C and validated by numerical examples. The computational results show that the algorithm is efficient for solving the Hitchcock's transportation problem.