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。     

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。     

一种改进的全局优化进化算法

提出了一种改进的全局优化进化算法.该算法采用实数编码,通过对可行域量子化用正交设计产生初始种群,用正交设计和因素分析设计杂交算子.在进行杂交之前,根据两个个体变量之间的距离恰当地应用高斯变异,平衡了算法的局部搜索能力和全局搜索能力,从而提高了算法的效率.最后的数值结果显示了该算法的有效性.     

混合进化策略算法及其在函数优化中的应用

自适应进化策略中高斯变异算子容易使进化过程陷入局部最优,出现进化早熟.文中针对上述缺点,引入柯西变异算子和子代距离率方法.在进化前期采用柯西的变异,保证个体能够快速地向全局最优的方向移动;在进化后期采用高斯变异,当个体聚集在全局最优解附近时,以较小的变异步长驱动个体向全局最优解方向移动.子代距离率系数进行调整变异算子.通过对单峰与多峰函数仿真试验,验证了算法的有效性.     

基于距离度量的差分进化算法

针对差分进化算法求解函数优化问题存在过早收敛和不稳定等缺陷,提出一种基于距离度量的差分进化算法.该算法考虑各粒子的差异,利用欧式距离计算粒子与已知最优粒子的距离,然后根据差异自适应调整自身的交叉概率因子,同时增加柯西变异算子对部分个体进行变异操作,以提高种群多样性,增强算法跳出局部最优解的能力.用三种经典函数检验说明,新算法在收敛精度、速度上优于基本差分进化算法.     

一种改进的多目标变异算子

设计了一种根据当前档案集非支配解的数量决定个体变异概率的二进制变异策略,使多目标进化算法能够具有较好的搜索性能,模拟实验验证了这种变异算子的有效性。     

一种改进的非线性优化问题的进化规划算法

在进化规划算法其突变过程中,我们可以把可行域内的点看成是不同体积大小的个体。根据函数值定义其体积,函数值越小其体积越大,然后基于聚类思想,提出一种改进的进化规划算法。在把可行域内的个体看成不同体积大小的星体,通过定义星体的膨胀度E,增加新的搜索方向,从而沿着函数值可能下降的方向进行再以一定的概率P接收这种方法,以概率1-P接收高斯变异算子的搜索方法,来保证算法的随机性和全局性,最后应用几个典型的数值例子,来说明算法的可行性和有效性。     

非线性约束整数规划问题的改进差分进化算法

针对非线性约束整数规划问题的特点,提出一种改进差分进化算法.将差分进化算法做了适当修正,在初始化和变异操作中加入取整运算,采用松弛可行基规则作为选择策略.实验研究结果表明.该算法能有效求解非线性约束整数规划问题.     

蒙古语言的变异与规划问题

变异指的是某个语言项目,在实际使用的话语中的状况。语言的变异无时不有,无处不在。语言规划是基于交际问题,在政府授权下进行的长期不断的、为改变语言在社会中的功用,对语言文字进行的各种工作和活动的统称。语言规划分地位规划和本体规划。变异和规划是矛盾的统一,没有变异就没有规划．没有规划也就看不出变异。我们究语言的变异,正是为了规划的需要。     

一种微分进化算法的图像增强方法

将微分进化算法应用到图像的增强处理中,利用微分进化算法的快速搜索能力,对给定的测试图像自适应地变异、交叉、搜索,直至最终确定Beta函数的最佳参数α,β值,从而实现图像的自适应增强.最终通过软件仿真实验验证了上述方法的有效性.     

求解TSP问题一种混合进化算法

进化算法是解决优化问题的一种新型方法.与现存的优化算法相比,这种方法有几个优点:它不仅能用于非线性函数,还通常能以概率收敛到全局最优解.基于一种新的变异算子和局部搜索技术,提出了一个求解旅行商问题的的新的进化算法.新的进化算子可以保证约束条件自动满足,局部搜索技术简单易行.另外,对迭代方法做了收敛性分析,给出了收敛的必要条件和充分条件.并进行了计算机模拟.结果表明本文算法是有效的,是一种适用于很多类型组合优化问题的有效方法.     

带有倒位变异的差分进化算法

针对高维复杂函数的优化问题,提出一种带有倒位变异的差分进化算法.当个体适应度值连续几代不变时,对前一代的最优个体进行倒位变异,以增强种群的多样性,使其跳出局部最优.数值实验结果表明:该算法全局搜索能力强,收敛速度快,且鲁棒性好.     

求解无约束优化的类电磁机制算法的改进

针对无约束优化问题,根据类电磁机制算法的寻优机理,对其提出了改进措施,主要改进：引入了新的局部搜索方法;改变了力的计算过程;在每次迭代的后期,引入高斯变异算子对群体进行扰动.数值模拟结果表明,改进后算法的性能得到了有效提高.     

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、变异与进化

“遗传、变异与进化”所涉及内容，一方面与最新的生命科学的发展紧密相联，另一方面与我们的生活实际密切相关，因此，在近三年的高考中，遗传、变异以及进化的内容所占比例一般在18％左右。     

粒子群与差异演化的混合进化算法研究

将标准粒子群（PSO）算法和差异演化（DE）算法混合进行进化,把差异演化算法的优势带入到粒子群算法中,利用差异演化算法其本身具备的对粒子个体的交叉和变异操作使标准粒子群算法种群保持寻优所需的多样性．并将这种算法与标准粒子群算法、G-PSO算法等进行了对比研究,通过混合进化的方法使粒子群种群保持多样性,实验结果表明新算法避免陷入“早熟”或“停滞”的能力大大提高．     

基于进化策略的函数优化问题研究

针对进化策略算法在解决具体问题是熟练速度较慢这一问题的原因进行分析,提出自适应变异步长的方法,以在全局和局部范围内进行搜索．变异步长的值依赖于目标变量与全局最优解之间的距离．步长随距离自适应变化,可避免局部熟练和早熟．通过对经典dejong函数和Shubert函数的仿真试验,验证了文中算法的有效性．仿真结果表明,该算法收敛速度快,搜索精度高,且具有良好的全局搜索能力．     

基于高斯变异的蚁狮算法及其在组合优化中的应用

针对蚁狮(ant lion optimizer,ALO)算法在寻优后期种群数量减少、精英蚁狮影响权重减小导致算法收敛速度较慢且易陷入局优的问题,提出基于高斯变异的蚁狮(Gaussian mutation based ALO,GALO)算法.首先引用Kent混沌对初始蚂蚁种群进行扰动,提高蚂蚁种群多样性作为蚁狮寻优的基础...     

基于混合粒子群算法的巡检机器人路径规划

针对巡检机器人路径规划问题,提出一种基于混合粒子群算法的路径规划方法,目的是当巡检机器人在工作区进行巡检时,为其提供一条最短路径。该方法引入遗传算法中的交叉和变异策略,对传统粒子群算法进行改进。试验结果表明,在70m×70m的工作区中,改进粒子群算法规划的最短路径长度相比传统粒子群算法和遗传算法分别减少43. 93m和23. 34m,其迭代次数相比传统粒子群算法和遗传算法分别减少34次和23次,验证了此改进算法的有效性。     

结合遗传算法的粒子群算法改进与应用

标准粒子群算法（PSO）容易陷入局部最优解,导致收敛速度慢、效率低．文章结合遗传算法提出了改进的组合粒子群算法,在每次迭代后应用随机函数随机选择下一次迭代所使用的变异策略或交叉策略．由测试数据表明组合粒子群算法在求解TSP时性能上有很大提高．