一种改进的自适应变异的粒子群优化算法

针对粒子群优化算法存在的早熟收敛问题,提出了一种改进的自适应变异的粒子群优化算法。该算法根据群体适应度方差和当前最优解的大小,确定当前粒子的最佳变异因子。使用变异因子来改变粒子的运动方向,使粒子进入临近区域继续搜索,以确定新的个体极值和全局极值,避免出现局部最优解。仿真结果表明:自适应变异操作增强了粒子群优化算法跳出局部最优解的能力,其全局搜索能力有了一定提高,收敛速度较快,并且能够有效避免早熟收敛问题;虽然耗费时间有所增加,但在可接受范围内,用少许的时间代价换取全局最优解是值得的。     

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。     

基于遗传的优化算法

遗传算法是一类全局优化的仿生类算法，它通过模拟生物进化过程中的复制、交叉和变异来完成优化搜索．在遗传算法的基本思想下，给出了一个简单遗传算法(SGA)及相关应用示例．     

基于函数变化率的自适应变异蛙跳算法

针对蛙跳算法进化后期种群多样性下降、易陷于局部最优解的缺陷,提出一种自适应变异蛙跳算法。其基本思想是：根据函数变化率建立一种自适应变异选择机制,当函数变化率较大时,采用高斯变异提高算法的局部收敛能力;当函数变化率较小,即算法可能陷入局部收敛时,采用柯西变异促使算法跳出局部最优。数值实验结果表明,该自适应变异选择机制不仅提高了蛙跳算法的局部收敛性,而且能在很大程度上避免早熟现象。     

基于混沌和自适应变异的粒子群聚类算法研究

针对粒子群聚类算法(PSO-Kmeans)所存在的种群随机初始化遍历性差、线性惯性权重调整策略收敛效果差、粒子易陷入早熟收敛、等距点影响聚类精确度以及处理大量数据时性能不足等问题,提出了1种混沌和自适应变异的粒子群聚类算法,通过无限折叠混沌映射初始化、非线性惯性权重调整、基于变异参数的自适应t分布变异以及比较等距点周围趋向性等策略,对PSO-Kmeans算法进行改进,并实现了算法的并行化。实验结果表明,改进算法可以有效地避免早熟收敛,聚类精度要优于Kmeans算法和PSO-Kmeans算法,而且在处理大量数据时能有效提高算法的时间性能。     

求解JSP问题的一种自适应遗传算法

该文在对车间调度问题进行描述的基础上,提出了一种新的自适应遗传算法,并将其应用于JSP问题.     

用自适应多点变异混合遗传算法实现智能组卷

智能组卷是一个多重约束目标的求解问题.为了解决这一问题,采用了一种自适应多点变异混合遗传算法的智能组卷方法.实验表明,该方法具有较好的使用性能和实用性.     

基于蚁群算法的QoS路由问题研究

QoS网络路由问题是一类NP-完全问题,不能在多项式时间内找到问题的解答。本文应用蚁群算法,通过生物仿真运算,能较快地得到全局最优解。     

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.     

一种极值导向的自适应演化规划

传统的演化规划(CEP)依赖高斯变异算子,而快速演化规划(FEP)选择柯西分布作为主要的变异算子。改进的快速演化规划(IFEP)是将柯西变异算子和高斯变异算子的搜索倾向混合起来。每个父代生成两个子代,一个有柯西变异算子,另一个有高斯变异算子,然后比较这两个子代,将变现好的一个保留作为下一代。在本文,我们提出了一种极值导向的自适应变异算子演化规划(OSDEP),它的基本思想是将当前最优搜索方向引入柯西变异算子中,在OSDEP中每个个体在柯西变异算子作用下,再沿着当前最优解的方向进行搜索。大量的数值试验对OSDEP,IFEP,FEP和CEP进行比较。从这些具有广泛代表性的七个测试函数的数值试验结果,我们可以观察到对于单峰函数、有少数局部最优的多峰函数和有很多局部最优的多峰函数DSEP比IFEP,FEP和CEP都要表现好。     

Modeling and multi-objective optimization of a gasoline engine using neural networks and evolutionary algorithms

In this paper, a multi-objective particle swarm optimization （MOPSO） algorithm and a nondominated sorting genetic algorithm II （NSGA-II） are used to optimize the operating parameters of a 1.6 L, spark ignition （SI） gasoline engine. The aim of this optimization is to reduce engine emissions in terms of carbon monoxide （CO）, hydrocarbons （HC）, and nitrogen oxides （NOx）, which are the causes of diverse environmental problems such as air pollution and global warming. Stationary engine tests were performed for data generation, covering 60 operating conditions. Artificial neural networks （ANNs） were used to predict exhaust emissions, whose inputs were from six engine operating parameters, and the outputs were three resulting exhaust emissions. The outputs of ANNs were used to evaluate objective functions within the optimization algorithms： NSGA-II and MOPSO. Then a decision-making process was conducted, using a fuzzy method to select a Pareto solution with which the best emission reductions can be achieved. The NSGA-II algorithm achieved reductions of at least 9.84%, 82.44%, and 13.78% for CO, HC, and NOx, respectively. With a MOPSO algorithm the reached reductions were at least 13.68%, 83.80%, and 7.67% for CO, HC, and NOx, respectively.     

改进型自适应遗传算法研究

针对遗传算法的改进 ,提出了一种新的评价种群过早收敛程度的指标 ,进而给出一种新的自适应调整策略。仿真计算表明 ,该方法较一般遗传算法和一般自适应遗传算法有较大提高     

具有成熟前收敛判断的自适应遗传算法

针对传统的简单遗传算法的缺陷，提出了改进的具有成熟前收敛判断的自适应遗传算法．用群体熵值和均方差来预报成熟前收敛的发生．当成熟前收敛发生时，提出以群体中的最优个体为基础，在其一定大小领域内随机产生若干个体，取代原种群中的部分个体，其中更新的个体数占群体中个体总数的30％—40％，领域大小与目标函数极值点分布有关．仿真实验证明，算法的收敛速度和全局收敛概率都有显的提高．     

演化算法中各种选择算子的选择压力比较

对于演化计算,变异和杂交这样的算子是在完全没有导向的方式产生的新个体。选择算子在演化过程中起着导向的作用,使得个体沿着适应值优良的方向演化。选择算子是在演化过程唯一受适应值影响的组件。本文将讨论现在流行的选择算子的选择压力并比较他们的影响。选择算子在演化过程中应用较好适应值的个体信息并传递到后代,为算法设计中挑选选择算子提供理论依据。     

物流中心选址的双层规划模型及遗传算法求解

本文建立了物流中心选址双层规划模型,同时考虑到模型求解的需要,设计了模型的遗传算法求解算法,最后通过一算例验证了模型及其算法的可行性。     

遗传算法的收敛性研究

通过马尔可夫链方法,分析种群在解空间上概率分布情况以及收敛到最优解的概率,证明经典GA是不会收敛到最优解的,若在GA中保留每一代的最佳个体,则可以收敛到最优解。讨论全局收敛和过早收敛的原因,最后提出GA操作中应遵循的原则是改进GA搜索性能的关键。     

VLSI标准单元布局遗传交叉算子比较研究

遗传算法的成功之处在于其交叉、变异等进化机理,交叉算子性能对算法的整体性能有决定性的影响,因而成为了设计大规模问题遗传算法的关键因素.首先简要介绍VLSI标准单元布局问题定义及其染色体编码,给出4种主要交叉算子的基本思想及其算法步骤,并对其中循环交叉算子进行改进.而后使用标准测试例子对这4种交叉算子的性能进行深入的实验比较,分析交叉算子特征与性能的关联性,总结了高性能交叉算子的设计思想.改进型限定长度循环交叉算子的性能实验结果验证了该设计思想的有效性.     

基于混合选择策略的GA数值寻优

函数优化是遗传算法应用的一个方面,标准遗传算法通常采用的是轮盘赌选择、单点交叉和变异等基本操作算子,其缺点是全局收敛性差,易造成“不成熟”收敛现象。研究表明,GA的收敛性主要是由选择算子实现的,轮盘赌选择易产生较大的随机误差,基于期望值和轮盘赌的混合选择策略则能够改善此误差。仿真结果表明,混合选择能够有效地提高GA对全局最优解的搜索能力,较好地改善“早熟”现象的产生。     

图的分支与围长的好算法

对求图的最短路的Ｄｉｊｋｓｔｒａ算法作了适当的修改,分别获得了求图的分支和围长的好算法。     

Fast multi-swarm optimization based-on Cauchy mutation and crossover operation

The standard particle swarm optimization （PSO） algorithm is a novel evolutionary algorithm in which each particle studies its own previous best solution and the group＇s previous best solutions to optimization problems. One problem in PSO is its tendency of trapping into local optima. In this paper, a multi-swarm technique based on fast particle swarm optimization（FPSO） algorithm is proposed by introducing crossover operation. FPSO is global search algorithm which can prevent PSO from trapping into local optima in light of Cauchy mutation. Though it can get high optimizing precision, the convergence rate is not satisfactory. FMSO can not only find satisfying solutions, but also speed up the search.