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。     

改进遗传算法及其在路径优化问题中的应用

提出一种基于"小生境"等思想的免疫自适应改进遗传算法。构造出一种新型的判断早熟程度的算子并用于构造具有免疫性和自适应性的交叉变异概率计算式。采用一些先进的思想和策略提高了算法收敛速度和全局收敛性。利用此算法对自动化立体仓库路径优化问题的解决方法进行了具体设计,实验结果证明了它比以往文献提出的算法更具优越性。     

基于Huffman染色体编码的抗早熟遗传算法研究

针对传统的遗传算法在大量的冗余数据中进行运算的时候,会对数据进行迭代处理,直到获取指定区域中的理想取值,或者在上述数据中不能出现更加优异的个体,在数据集合中的个体相似度较高,造成出现早熟问题.为了解决这一问题,提出了基于Huffman染色体编码的抗早熟遗传算法,在抗早熟处理的过程中,建立早熟自适应模型,计算集合中全部样本的自适应系数,从而获取理想取值,并将其当做重要的参考数据.同时通过运算获取数据集合中的样本密度,从而避免单个样本重复出现的情况,降低了早熟的概率.实验证明这种抗早熟遗传算法准确有效,效率更高.     

改进遗传算法的保定邮政车辆调度问题研究

为解决保定市邮政车辆调度的问题,基于传统遗传算法,建立数学模型。针对传统遗传算法存在的“早熟”问题,融入自适应变异算子,设计一种改进遗传算法。通过matlab仿真实验,对保定市各县区邮政局间配送车辆路径进行优化,实验证明改进遗传算法优于传统遗传算法。     

基于遗传算法的投资组合在金融领域中的应用

遗传算法是一种模拟自然界生物进化的搜索算法,经典遗传算法采用的都是固定参数,这是对性能的一种局限和束缚。为解决这些问题,在算法中引入自适应遗传算法(AGA),即交叉概率Pc和变异概率Pm能够随适应度自动改变。自适应遗传算法在保持群体多样性的同时,保证遗传算法的收敛性。AGA由于改进了各遗传算子的参数,使算法能够适应于种群进化各个阶段的特征,使算法的优化效率和解的质量得到提高。本文将遗传算法和投资组合结合起来,提出了基于遗传算法下的投资组合模型,并举例验证。     

基于遗传算法的关联规则挖掘方法

基于对数据挖掘,特别是关联规则挖掘的研究,提出了一种改进型遗传算法的关联规则提取算法,并从编码方法、适应度函数的构造和遗传算子的设计方面进行讨论分析。通过对早熟问题的分析并改进自适应算子,提高了算法的效率,使算法在相对稳定的动态种群规模中寻找优质解。     

基于种群优化遗传算法的城市空间增长分析模型

针对标准遗传算法在对城市空间增长分析时还存在精度不高、误差较大等问题,提出了一种基于种群优化遗传算法的城市空间增长分析模型,该模型在标准遗传算法的基础上,首先采用动态自适应调整策略对原算法遗传算子中的交叉算子和变异算子进行优化,然后引入蚁群算法,利用小生境方法限制种群个体的繁衍,以达到种族多样化的优化。仿真试验结果表明,本文提出的基于种群优化遗传算法的城市空间增长分析模型相对于标准遗传算法,其精度得到了很大的提升,降低了城市空间增长预测的误差。     

一种引入强制变异的改进遗传算法

针对常用遗传算法存在容易产生过早收敛的问题,提出了一种将强制变异、最佳解保留和自适应交叉变异参数调整相结合的改进遗传算法。这种方法将进化过程中群体的平均适应度与最大适应度进行比较,以确定是否需要对群体实施强制变异或采用自适应交叉、变异概率调整。数值模拟的结果表明,这种方法可有效地克服早熟现象,提高全局优化能力     

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。     

基于自适应变异的动态粒子群优化算法

提出了一种新的基于自适应变异的动态粒子群优化算法。该算法除了采用动态惯性权重外,还引入了自适应学习因子和新的变异算子。该算法在运行过程中,根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,采用新的变异算子变异增强了该算法跳出局部最优解的能力。对几种典型函数的测试结果表明：新算法具有很强的全局搜索能力。收敛速度和收敛精度也有所提高,并且能有效避免早熟收敛问题。     

基于加速遗传算法的组合预测方法研究

应用加速遗传算法解决组合预测问题，可以克服传统遗传算法的缺点：对搜索空间（优化变量空间）的大小变化适应能力差，计算最大，易出现早熟收敛，控制参数的设置技术无明确准则指导等，与已有结果相比，对预测误差信息矩阵无正定性要求，目标函数可以推广到规模庞大，能提高预测精度等优点。     

自适应遗传模拟退火的Web日志关联挖掘

提出一种基于自适应遗传模拟退火策略的Web日志关联规则挖掘算法。该算法在遗传模拟退火策略基础上,引入自适应的交叉概率和变异概率,使其具有较强的全局搜索能力,有效地避免了早熟的现象。实验结果证明,该算法能有效地解决Web日志关联规则挖掘问题。     

一种改进的遗传算法

为了提高标准遗传算法的搜索能力,在每一代的群体更生中,群体个体不是全部来自交配池中杂交和变异产生的个体,而是取其中的一部分,另一部分来自于父本代群体,这两部分一起构成下一代群体。本文提出了一种改进的遗传算法,实验结果表明,改进的遗传算法比标准的遗传算法效果要好很多。     

整箱货物的混合装箱问题的遗传解法

整箱货物的混合装箱问题在采用传统的算法时,当货物种类规模较大,通常会出现计算时间的"维数灾难"。而遗传算法在搜索过程中不容易陷于局部最优,并能以很大的概率找到整体最优解,具有较快的全局最优解的求解能力。本文以一实例说明了遗传算法在求解混合装箱问题的适用性。     

改进蝙蝠算法在Job-shop调度问题上的应用

针对蝙蝠算法求解Job-shop调度问题的局限性,采用字符串编码、NEH初始化种群粒子和增加随机扰动的方法,对现有蝙蝠算法进行改进。通过对Job-shop调度问题基准算例的求解,并和模拟退火算法、标准遗传算法和粒子群算法进行比较,验证了该算法操作简单,收敛速度快,结果精度高,能有效求解Job-shop调度问题。     

并行分布式遗传算法的研究

传统遗传算法在面对一些搜索空间巨大的复杂问题时,其表现往往难以令人满意。作者针对传统遗传算法解决高维多峰值问题时可能会出现的困难进行了分析,然后根据困难出现的原因,基于PVM设计了并行分布式遗传算法,并对适应度评估、交叉、变异算子做了一些改进,旨在加强算法的全局搜索能力,提高算法的收敛速度。为了验证算法多项措施的有效性,对一多峰函数在高维条件下进行多方面的测试,实验结果表明这几项措施是有效的。     

改进的粒子滤波的视频图像目标跟踪技术

主要研究了视频图像目标跟踪准确性问题。在基于核的颜色特征统计描述及以此建立视觉目标观测概率方法的基础上,提出了一种改进的粒子滤波视频图像目标跟踪算法。首先,本文给出了基于标准粒子滤波的单特征、单目标跟踪算法,然后针对加权样本参数的选择不同,提出改进思路,最后通过与基于均值移位视觉目标跟踪算法的实验结果对比。提出的改进的粒子滤波跟踪算法在稳健性方面有显著地提高,而且若适当选择视觉跟踪参数,在实时性方面能得到有效地保证。     

压缩感知稀疏信号重构算法研究

压缩感知理论是利用信号的稀疏性,采用重构算法通过少量的观测值就可以实现对该信号的精确重构。SL0（Smoothed l0）算法是基于l0范数的稀疏信号重构算法,通过控制参数逐步逼近最优解。针对平滑函数的选取问题,文章提出一种新的平滑函数序列近似l0范数,实现稀疏信号的精确重构。仿真结果表明,在相同实验条件下文章算法较传统算法有着较高的重构概率。     

基于改进遗传神经网络的图书采购模型研究

针对目前图书采购过程中经验性、主观性强,统一性、科学性差等缺点,提出一种基于遗传神经网络用于图书采购的建模方法。该方法首先引入遗传因子改进传统遗传算法,并以此对神经网络的权值、阈值及其结构进行优化,然后通过优化后的神经网络挖掘图书的各种属性与是否被采购之间的潜在关系,从而实现图书是否被采购的预测分类。仿真实验表明该图书采购模型具有良好的预测性能及泛化能力,具有推广价值。