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。     

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。     

一种改进的遗传模拟退火算法解决函数优化问题

首先简要介绍了传统的遗传算法,然后分析了遗传算法的优点和不足。针对遗传算法容易产生早熟现象和局部寻优能力差的特点,通过引入改进的灾变操作和模拟退火算法跟遗传算法相结合,而增强了算法的全局收敛性,并且提高了算法的收敛速度。最后使用一个典型的遗传算法性能测试函数验证了改进算法对函数最优化的有效性,其性能明显优于传统的遗传算法和模拟退火算法。     

一种基于改进遗传算法的机组优化策略

阐述了AGC机组优化组合的数学模型,在理论分析的基础上列出了其目标函数及约束条件.为了得到最优解,在标准遗传算法的基础上,对算法进行了改进,应用了趋同和异化概念,且算法实现了多子交叉和特殊变异,并引入精英选择的概念完成对解的筛选.最后利用文中所提改进遗传算法对机组优化仿真,与标准遗传算法进行对比.结果表明,改进遗传算法要优于标准算法11.33%,具有较大优势,可应用于大、中型系统实现机组组合优化.     

一种跨邻域学习的改进粒子群优化算法

为了改善传统粒子群优化算法过早陷入局部最优解的缺点,进一步增强算法收敛性,通过使用一定范围内邻域最好位置lBest代替自身历史最好位置pBest进行速度与位置更新,以增强粒子跨邻域学习能力。使用整个群体中最好位置gBest进行速度与位置更新,可增强算法收敛性,且具有较好的全局搜索能力。在8个不同的单峰和多峰函数上系统地对3种算法进行测试与比较,实验结果表明,提出的跨邻域学习改进粒子群优化算法可避免粒子群陷入局部最优解,求解精度与算法收敛性都提升了15%以上。     

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．     

一种新的全局优化前馈神经网络

将L-M算法与填充函数法相结合，提出一种训练前向网络的混合型全局优化新算法．L—M算法的收敛速度快，利用它先得到一个局部极小点，然后利用填充函数算法跳出局部最小，得到一个更低的局部极小点．重复计算即可得到全局最优点．经实验验证，该算法收敛速度很快，避免局部收敛，而且性能稳定．     

一种全局寻优的进化规划算法

文章在常规进化规划算法的基础上给出了一种新的全局寻优的进化规划算法，该算法在不用导数的前提下综合了梯度法计算效率较高与进化规划算法全局寻优的优点。文章还通过四个典型的例子对两种算法的计算效率和计算精度作了比较。     

多项式约束优化问题的一种新方法

针对带多项式不等式约束和多项式等式约束优化问题,提出了一个新的求全局最优解的方法：首先将其不等式约束转化为等式约束,然后按K-T条件将其化为解方程组问题,再利用软件包Wsolve求出方程组的解,从而获得原问题的全局最优解.实例计算表明,该方法在解这类优化问题时,是简明和行之有效的.     

改进的模拟退火算法求全局优化问题的最优解

围绕全局优化问题,对模拟退火算法进行了分析,针对过程变量优化问题中普遍存在的多峰现象,探讨了应用模拟退火算法求全局优化问题的最优解的方法．通过对线性问题和非线性问题的计算,表明该法能够有效地解决全局优化问题．     

基于改进三值量子遗传算法的多峰函数寻优

针对量子遗传算法在多峰函数寻优中出现早熟收敛及陷入局部极值等问题,提出一种改进的三值量子遗传算法.算法用三值量子非门来改变染色体基因的位置、用三值量子旋转门更新来完成进化搜索、用三值量子修正门对变异基因进行修正,增加了量子遗传算法中种群的多样性,扩大了算法的搜索空间;用动态调整旋转角策略来减少进化代数、缩短优化时间.通过对典型复杂函数的仿真实验并与其它算法相比较,结果表明该算法搜索空间大、搜索精度高,全局寻优性能优于普通遗传算法及量子遗传算法.     

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。     

遗传算法收敛性的一种直观解释

介绍了一种遗传算法收敛性的新解释，即利用不动点理论及压缩映像原理来解释具有单峰函数的收敛性问题。     

遗传算法收敛性的一种直观解释

介绍了一种遗传算法收敛性的新解释,即利用不动点理论及压缩映像原理来解释具有单峰函数的收敛性问题。     

一种并行微粒群的改进算法

在对标准微粒群算法（PSO）分析的基础上,提出了一种并行微粒群算法（PPSO）。文章详细介绍了该并行算法的流程,它改变了原来子种群之间周期性的通讯,而采用即时更新最优值的方法。仿真结果表明,PPSO在收敛速度和达标率方面有显著的优越性。     

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.     

基于自适应缩放因子的改进混合蛙跳算法

针对混合蛙跳算法局部搜索能力较弱且易发生早熟收敛的问题,提出了一种改进的混合蛙跳算法。改进算法在传统算法的更新策略中引入自适应缩放因子和欧式距离,提高了算法局部搜索能力;为了提高算法的收敛速度,改进了传统算法中的随机更新操作。改进后的算法在收敛速度、寻优精度和求解成功率上均有很大改善,提高了混合蛙跳算法求解高维复杂优化问题的能力。     

基于改进遗传算法的自动组卷系统的研究

针对基本的遗传算法在自动组卷系统中容易陷入局部最优解、迭代后期容易早熟收敛等缺点,提出了改进的初始种群选择方法、自适应的交叉概率和变异概率的改进遗传算法。并且通过对组卷数学模型的改进,使得系统对多门课程具有通用性。实验结果表明,改进遗传算法改善了算法的全局搜索能力,更好地克服了迭代后期的早熟现象,因而在组卷效果及效率上优于基本遗传算法。     

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。