一种避免早熟收敛的改进遗传算法

针对传统遗传算法的早熟收敛问题,在著名的"基因块"假设的基础上,提出了一种改进算法:利用设计的新算子对传统遗传算法演化过程中被淘汰的个体进行二次演化,使得可能包含在将来的演化中对结果的全局最优性产生重要影响的基因块得以保留,以此来避免遗传算法早熟收敛现象。实验结果证明了该改进算法可以有效地避免早熟收敛,提高了算法全局优化能力。     

基于改进遗传算法的配送路径优化方案

为了很好地解决物流车辆的线路优化问题（简称VRP）,借鉴DNA算法局部寻优能力强的优点,提出新编码方法,以及车辆的行使路线的新的测序方式,很好地解决遗传算法的早熟、局部寻优能力差的问题。通过测试,发现交替使用遗传算法和DNA算法进行全局寻优和局部寻优可以相对较准确、快速的实现车辆线路的寻优。     

量子克隆遗传算法的多用户检测技术研究

针对现有的量子克隆遗传算法存在算法效率低、收敛速度较慢、易于陷入局部值等缺陷.文章通过引入量子交叉.加快算法收敛速度,使用自适应量子旋转门更新策略,加快最优解的搜索;采用量子灾变策略,避免早熟和进化停滞.由此给出了一种改进的量子克隆遗传算法(NQCGA).仿真结果表明:所提算法的多用户检测器的误码率、收敛速度、抗多址干...     

基于自适应遗传算法的特征基因选择

提出了一种基于自适应遗传算法的特征基因选择方法,首先建立一个基于Bhattacharyya距离的基因差异度模型,根据支持向量机(SVM)分类器的分类准确率选择出一个候选特征基因子集,然后利用自适应遗传算法搜索出一组最优特征基因组合,有效避免了遗传算法早熟收敛的缺陷,提高了全局寻优能力.对结肠癌基因表达谱数据进行仿真实验...     

一种新型直接寻优法

提出了一种新型的直接寻优法，本算法在全局变化的随机搜索基础上，采用聚类的方法，对搜索空间进行切分，利用并行寻优机制，逐步细搜索。这种既确保了优化的质量，又使解以尽快速度收敛。具体实例表明本算法与模拟退火和遗传算法等直接寻优的算法相比，大大提高了搜索效率。     

基于遗传算法的分层覆盖网络组播树构建

依据NICE网络协议组织网络节点,提出一种分层覆盖网络组播树模型,其基于K-Mediods和遗传算法对组播服务节点MSNs选择,构建覆盖网络分层组播树。根据覆盖网络中组播服务节点的特点,引入基因差异控制和变异精英控制策略。对遗传算法中的交叉和变异算子进行修正,限制适应度差的个体生成,在缩小搜索空间、加快收敛速度的同时,提高算法的全局寻优能力。理论分析和仿真结果也表明,该模型不仅有效克服了传统K-Mediods算法模型易陷入局部极小值的特点,而且明显避免了对初始中心选值敏感的问题。     

用改进的遗传算法实现语音特征矢量的矢量量化

矢量量化作为一种数据压缩技术在语音识别中占有重要的地位,传统的LBG算法收敛速度快,但易陷入局部最优;而传统的遗传算法虽能得到全局最优码本,但收敛速度慢.文章结合它们各自的优点,对遗传算法进行改进,得到一种改进的码本设计方法.实验结果表明,提出的算法性能优于传统的遗传算法,不仅收敛速度快,而且失真测度小.     

基于小种群策略的并行遗传算法

遗传算法作为一种基于生物进化机制的自适应算法,适用于各类复杂系统的优化计算。然而标准遗传算法所具有的易早熟、易陷入局部最优等问题,在一定程度上限制了遗传算法的推广和使用。在对遗传算子做出改进的基础上,提出了一种基于小种群策略的并行遗传算法,从而有效地提高了遗传算法的执行效率和性能。     

基于模糊控制自适应遗传算法的电力系统有功优化及仿真

本文采用改进的模糊控制自适应遗传算法,以克服采用定值常量作为交叉和变异概率所带来的早熟现象和效率相对较低的问题,尽量避免陷入局部寻优。本文采用三机、十三机系统进行电力系统有功优化仿真,结果表明,改进的算法具有更好的寻优效果。     

基于遗传算法改进神经网络的电力谐波检测算法

提出了基于遗传算法改进神经网络算法进行电力谐波分析的方案。遗传算法全局搜索能力强,收敛速度快的特点弥补了神经网络算法在进行谐波分析时易陷入局部最优解的缺点,同时对初始权值进行遗传算法进化也大大加强了整个算法模型的泛化能力。针对算法本文借助MATLAB的遗传算法和神经网络算法工具箱进行仿真训练发现使用遗传算法改进神经网络算法收敛速度更快,计算结果准确性更高,具有较好的谐波分析效果。     

求解Flow Shop问题的改进遗传算法

在对FSP问题进行描述的基础上,提出了一种新的改进遗传算法。该算法针对遗传算法的弱点进行了一系列的改进:设计一个新的选择策略和一个新的多交叉算子策略来避免早熟并引入了兄弟竞争的策略来加快收敛速度和全局搜索能力。仿真计算表明了该算法的良好收敛性和有效性。     

遗传算法的早熟问题

遗传算法是数据挖掘中比较成熟的一种算法,但早熟现象是遗传算法中遇到的一大问题,本文对早熟现象产生的原因及解决策略进行了分析。     

基于遗传算法的自动组卷分析与设计

组卷的效率与质量完全取决于选题算法的设计,设计一个从题库中按照考试要求既快又好地选取一组最佳解,涉及到一个全局寻优和收敛速度快慢的问题。本文运用遗传算法的全局寻优对题库系统的自动组卷进行了研究,并得到了一个能较好地满足考试要求的组卷算法。     

基于遗传算法的TSP问题优化方法

针对传统遗传算法在巡回商旅问题优化计算中存在的弊端——收敛速度慢,迭代次数多。在传统遗传算法基础上,设计出一种加入人工选择和定向突变的优化改进算法。该优化算法通过人工方法保存具有有利变异个体和淘汰具有不利变异个体,有利变异个体进行杂交和变异,从而提高遗传算法的收敛速度,减少遗传算法的迭代次数。同时针对遗传算法易陷入局部最优解的情况,在优化算法中引入自适应参数算法,针对遗传算法的不同阶段,实现杂交概率和变异概率的自适应调节,防止算法陷入局部最优解。最后,采用国际标准的TSP测试集(TSPLIB)对优化算法的优良性进行验证,实验表明,对比其他算法,该优化算法在TSP最优解的质量上提高10%左右。     

自适应遗传算法

为了防止标准遗传算法中过早收敛到局部最优解的早熟现象,本文在分析早熟特征的基础上提出了相似程度的概念,并利用相似程度来选取杂交算子概率和变异算子概率,从而得到自适应遗传算法。实验结果表明,改进的自适应遗传算法比标准的遗传算法效果要好很多。     

基于遗传算法的电子商务谈判模型设计

详细分析了遗传算法的原理,并且根据电子商务谈判模型系统的实际,进行种群的编码,给出相应的适应度函数.遗传算法收敛速度慢且性能不稳定,基于粒子群子代个体产生趋于最优个体的思想对遗传算法进行改进,设计出适合粒子群算法的交叉变异概率公式.在针对塑料颗粒的商务谈判中,应用这两种算法模型,结果表明基于粒子群改进的算法比遗传算法更能及时提供谈判解,节省了商务谈判的时间,提高了商务谈判的效率.     

基于混合自适应的遗传工作流挖掘算法

针对遗传算法工作流挖掘容易过早收敛且局部寻优能力较差,导致得到的解不理想的情况,提出了一种基于混合遗传方法的工作流挖掘算法。该算法采用因果矩阵映射流程实例作为工作流模型的编码,在遗传算法的选择操作阶段采用锦标赛策略与精英保留策略相结合,在交叉变异阶段运用混合自适应方法,并结合模拟退火思想,使解的质量有了明显的提高。仿真实验表明,该算法与基于简单遗传方法的工作流挖掘算法相比效率更高。     

基于改进人工鱼群算法的可用输电能力计算

针对当前可用输电能力计算存在着易早熟、收敛速度慢等问题,提出了一种改进的人工鱼群算法进行求解,提高了计算结果的准确性、收敛性能以及计算速度。人工鱼群算法是群智能随机全局优化技术,该算法引入了禁忌搜索算法中的记忆功能,可以有效避免迂回搜索并提高计算的效率。在对人工鱼搜索的机制进行研究的基础上,对寻优行为进行改进,采用最好解优先选择前进的路径并以排序选择的方式接受劣解,从而进一步提高算法的效率。修改过的IEEE 30节点系统的计算结果表明,改进人工鱼群算法用于可用输电能力计算是有效的,具有良好的全局收敛性能和较高的计算效率。     

一种GA-BP算法的研究及性能分析

遗传算法具有搜索全局最优解的能力,并且有很强的鲁棒性,而BP算法具有很好的泛化能力和非线性映射能力,基于两种算法的特点,设计了一种GA-BP算法,该算法将遗传算法应用到神经网络中权值和阈值的优化中,将最优解的分布范围缩小,然后通过BP算法进行再次优化和精确求解,以防止神经网络陷入局部极小点,从而达到加速收敛、减少训练次数的目的;并且通过对比实验给出该算法的可行性和有效性分析,进一步验证了该算法在收敛速度和误差精度上的优越性。     

梯度微粒群算法在经济负荷分配中的应用

针对微粒群算法在解决电力系统经济负荷分配(ED)时容易早熟收敛和后期收敛速度慢的特点,将梯度微粒群算法(GPSO)应用于ED问题的求解,算法考虑了机组的运行约束。本算法对在迭代过程中微粒的位置及适应度计算,获取梯度信息,进一步调整惯性权重,从而提高基本微粒群算法的收敛速度,避免其容易陷入局部极值。运用GPSO算法对IEEE30节点系统进行计算,并将其计算结果与微粒群算法(PSO)、梯度法和遗传算法(GA)进行比较,优化结果好于上述3种方法,分析表明该方法是可行的、有效的。