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。     

基于小生境的自适应多目标遗传算法求解流水车间调度问题

流水车间调度问题属于NP完全问题。为了更高效地求解多目标流水车间调度这一问题,提出了一种新的混合多目标遗传算法,采用小生境技术、双重精英策略及非劣解局部搜索,并且可根据适应度来自动调节交叉和变异概率。实验表明,该算法具有更快的收敛速度和优化效果。     

改进型遗传算法求解TSP问题

旅行商问题(TSP)是一个典型的NP难题,优化TSP求解问题有着重要的意义。遗传算法(GA)是解决这类问题的有效方法之一。标准遗传算法有一定的局限性,该文对遗传算法选择算子改进而引入了精英保留策略,保证选择的质量;在变异操作中采用自适应算法选择变异算子,提高变异质量和算法的搜索效果;在个体进化后再引入单向进化逆转操作,使子代继承亲代优质基因机会提高,提高算法搜索最优解的能力。经过国际公认的TSPLIB的实验数据的验证,优化后的遗传算法搜索最优解能力提高。     

基于自适应蚁群算法的旅行商问题的求解

提出一种解决旅行商问题的改进自适应蚁群算法.在传统蚁群算法的基础上,引入自适应算法进行种群初始化;从对选择策略的改进、蚁群信息量的全局修正和引入变异三个方面实现遗传参数自适应调节,在加快寻优速度的同时防止寻优陷入局部最优;采用基于贪婪方法的启发式交叉算子优化交叉结果;对交叉前后的种群分别实施精英个体保留策略,保证最优基因结构得以延续.实验结果分析表明,改进的遗传算法可以在种群规模较小的情况下具有更可靠的寻优能力.     

改进实数编码遗传算法在泵站优化调度中的应用研究

探讨了一种改进型实数编码遗传算法在泵站运行费用最低准则下泵站优化调度中的应用。为解决简单遗传算法收敛不成熟以及收敛速度较慢的问题,针对实数编码遗传算法提出了初始种群选择规则、遗传操作后的最优个体保留策略,以及单点交叉和扰动变异概率等综合改进方法。实例应用表明,改进型实数编码遗传算法有效实现了全局优化,加速了进化效率,对泵站优化调度具有很强的实用性。     

改进遗传算法求解单任务Agent联盟

多Agent系统中,Agent形成联盟来完成任务,是Agents间的一种重要合作方式。遗传算法在求解单任务Agent联盟时存在稳定性较差、收敛速度慢、寻优能力不强等问题,对此,提出一种基于改进遗传算法的单任务联盟形成策略。该方法通过定义衡量遗传算法种群多样性参数,根据该参数值使用不同的配对策略在潜在交叉集合中选择个体进行配对交叉,以减少无效的交叉操作,从而提高交叉操作的效率;针对传统变异算子缺乏一定的方向性,通过个体Agent能力大小确定变异基因位,以提高算法搜索性能。对比实验结果表明,该算法可以快速、高效地找出合适的Agent联盟。     

基于改进遗传算法的K-means聚类方法

K-means算法是聚类分析划分方法中的一种常用方法,也是目前在数据分析方法中最有应用前景的方法之一。但K mean算法对初始聚类中心十分敏感,这对处理学生成绩等数据而言,会导致聚类结果极为不稳定。为此,提出基于改进遗传算法的K means聚类算法。该算法利用遗传算法解决初始聚类中心,提高聚类结果的稳定性,但存在前期过早收敛和后期收敛过慢的缺点。将改进遗传K means聚类算法应用于高职高专的学生考试成绩分析中,可以很好地解决传统遗传聚类算法对聚类结果的不稳定性问题,并通过聚类结果对学生考试成绩进行分类评价,利用所获得的数据聚类结果指导教学,从而提高教学质量。     

整流机组效率优化中遗传算法的研究与应用

针对多台大功率整流机组并列运行效率优化的需要,采用浮点数编码遗传算法,并进行适当的改进,采用不同群体配合不同惩罚系数的方法处理约束条件,采用最优个体保留方法进行选择,采用线性交叉和自适应变异,通过基于控制参数自适应调整的策略克服早熟收敛。现场数据实验结果表明,该方法收敛于全局最优解,收敛速度满足需要,过程比传统的工程方法简单,计算结果优于工程方法。     

一种改进的遗传进化算法及其应用

基本遗传算法适应度及遗传算子设计简单,求解复杂优化问题易于早熟,收敛速度慢等缺点.基于遗传算法基本框架,设计新的适应度函数,减少遗传算法中的交叉算子,改进其变异方式,提出一种改进的遗传进化算法.     

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。     

APG算法在TSP优化中的应用

为解决蚁群算法（ACO）求解TSP收敛速度缓慢、易陷入局部最优的问题,提出一种基于蚁群的融合算法（APG）。首先在ACO的初始种群中引入精英策略,获得精英路径并构建精英可行解空间;其次引入PSO模型,令精英可行解作为PSO的初始种群,加入GA中的进化策略,使粒子与Gbest进行交叉操作,再使交叉操作后的粒子发生变异,得到第二次优化的可行解空间;最后更新ACO信息素,完成一次ACO优化迭代过程。通过APG在TSPLIB中不同实例的验证,结果表明,APG算法较其它路径优化算法能够得到更优路径。     

改进的遗传模糊混合聚类算法

本文对模糊C-均值（FCM）与遗传算法相结合的混合聚类算法进行了研究,针对遗传算法部分的染色体编码、种群初始化、个体适应度函数、遗传算子以及遗传参数设置等问题,给出了一种新的设计方法,进而得到了一个改进的遗传模糊混合聚类算法（HGFA）,并用MATLAB进行了仿真试验．结果表明该算法不但提高了收敛速度,而且聚类质量也有明显改善．     

基于自适应策略的遗传优化设计

早熟收敛和后期收敛速度慢是标准遗传算法(SGA)的一对主要矛盾,给算法的优化效率造成很大影响,对操作算子及其遗传参数的确定实现自适应是解决该问题的有效方法。作者根据各操作算子及其参数的特征对选择、交叉、变异算子进行基于自适应策略的遗传优化设计,使算法很好地缓解了早熟收敛和后期收敛速度慢的矛盾,从而提高了优化效率。仿真结果表明,基于自适应策略的遗传算法比标准遗传算法具有更高的解精度和优化效率。     

一种求解不等式约束优化问题的新算法

针对基本遗传算法收敛速度缓慢现象，提出了基于多父体杂交和按较差个体顺序变异的改进策略，从而加快收敛速度，提高了算法性能，通过验算表明，改进后的算法，能够迅速找到全局最优解。     

改进遗传算法在文本聚类中的应用研究

分析了K均值聚类算法（K-means）存在的不足和改进遗传算法的全局优化能力,提出一种基于改进遗传算法的文本聚类方法,该方法将原始文档转化成用向量空间模型来描述的文本向量,首先随机产生若干个文档向量作为初始聚类中心形成遗传算法的染色体种群,经过改进遗传算法的选择、交叉、变异进化运算,得到较为优化的K均值聚类算法的初始聚类中心。实验表明该算法文本聚类提高了查准率和查全率,算法的高效性也得到了验证。     

基于交叉变异机制的正余弦算法

正余弦算法(SCA)是近年提出的一种基于种群的求解优化问题的元启发式算法,针对其收敛速度慢、算法自适应性能较弱的缺点,提出一种引入交叉变异机制的正余弦算法(ICMSCA).首先在标准SCA算法中引入交叉操作,根据个体适应度与群体平均适应度的关系,设计两种不同的交叉方法,实现个体间的自适应交叉,改善群体多样性;其次为每个个体设计自适应变异概率,采用最优个体引导变异和贪婪选择方法,提高算法的收敛速度;为验证算法的有效性,在18个典型函数优化问题数据集上对算法进行测试,结果与其它算法进行对比分析,实验结果表明,相比于其它优化算法,改进后的算法在收敛速度和收敛精度上具有一定的优势,提高标准SCA算法的性能.     

混沌遗传算法在自动组卷中的应用研究

该文提出了一种基于混沌序列的改进型遗传算法来实现自动组卷的新方法．首先对染色体采用分段自然数编码策略;然后,将混沌机制同时引入到遗传算法的交又和变异阶段,在交叉阶段交叉基因座由混沌交叉算子来确定,在第三阶段变异个体的变异基因住由混沌变异算子来给出．该算法将混沌优化的遍历性、规律性与遗传算法的全局性相结合,有效地克服了遗传算法随机性大、未成熟收敛等缺点．     

基于遗传算法解决01背包问题研究

遗传算法属于进化算法(EvolutionaryAlgorithms)的一种,它通过模仿自然界的选择与遗传机理来寻找最优解。遗传算法具有与问题领域无关且快速随机的搜索能力,搜索从群体出发,具有潜在的并行性,可以进行多个个体的同时比较,搜索使用评价函数启发,过程简单,使用概率机制进行迭代,具有随机性,具有可扩展性,容易与其它算法结合。基本01背包问题,提出遗传问题解决的关键技术,设计评价函数和遗传算子,并通过散播变异、移位变异、插入变异改进01背包问题中的遗传算法,很好地解决了遗传问题。     

一种改进的遗传算法及其应用

为解决遗传算法的早熟和局部收敛现象,提出的一种改进的遗传算法,该算法引入海明距离构造初始种群,在选择、交叉、变异过程中采用最优保存策略。实验表明改进的遗传算法增强了种群的多样性,并在一定程度上避免早熟现象发生,同时又能较快找到全局最优解。     

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。