遗传算法中带控制参数选择算子及其个体空间搜索能力的分析

提出了带控制参数选择算子的设计思想及其数学理论依据,对带控制参数选择算子的性能作了分析,并与比例选择算子在解空间中的搜索能力进行了比较,通过比较结果证明了带控制参数选择算子将会大大提高整个遗传算法对全局最优解的搜索能力.     

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。     

一种有效的多目标混合遗传算法

设计了一种基于支配关系下的局部搜索方法，将此局部搜索方法嵌入到多目标遗传算法中，从而提出一种有效的求解多目标优化问题的混合遗传算法。为加速遗传算法在全局优化问题上的收敛性，发挥传统数值优化算法在计算速度与计算精度上的优势，在遗传算法中镶嵌一个多目标线搜索算子。线搜索算子与遗传算法中的选择算子、交叉算子和变异算子共同作用，使全局搜索和局部搜索都能够很好的实现。数值实验表明，该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。     

一种定向交叉的单纯形遗传算法

针对交叉算子产生个体的无方向性特点，提出了一种改进的实数交叉算子。该交叉算子吸收了单纯形法的思想，每次交叉都朝着当代种群最优解的方向进行，以提高算法的局部搜索能力。为了防止算法陷入局部极值，还提出了一种爬坡算子。实验证明，改进算法在提高收敛速度、摆脱局部最优解方面极为有效。     

基于遗传算法的函数优化问题研究

介绍了利用遗传算法解决函数优化问题的一般思路。引入一个称为精华模型的变量,以协调群体的多样性和选择性压力;引入并使用了均匀交叉算子、均匀变异算子,能改进遗传搜索的局部搜索能力,并显著提高遗传算法求得全局解的能力。     

基于遗传算法的函数优化问题研究

介绍了利用遗传算法解决函数优化问题的一般思路。引入一个称为精华模型的变量,以协调群体的多样性和选择性压力;引入并使用了均匀交叉算子、均匀变异算子,能改进遗传搜索的局部搜索能力,并显著提高遗传算法求得全局解的能力。     

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。     

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。     

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。     

改进蚁群算法在解决TSP问题中的应用

在已知静态环境的条件下,提出一种改进蚁群算法,用以解决基本蚁群算法的收敛速度慢、效率低、易陷入局部最优解等问题。在传统蚁群算法的基础上,首先通过自适应改变挥发系数来使初始时刻的蚁群搜索能力加强、范围扩大,避免陷入局部最优解;其次将轮盘赌算子利用到状态转移规则中,有效地提高了解的质量和算法的收敛速度;最后通过精英选择操作,有效地提高了算法的全局搜索效率和收敛速度。通过对不同TSP实例仿真结果表明:改进后的蚁群算法在较少的迭代次数下得到的解非常接近问题的最优解,验证了该算法的可行性和有效性。     

改进的蚂蚁遗传混合算法及应用

车间作业调度问题是一个典型的NP-hard问题。分析了蚂蚁算法和遗传算法的特点,就遗传算子、交叉概率和变异概率上对传统遗传算法进行了改进;同时为了加速蚂蚁的搜索效率、减少迭代次数,重构了传统蚂蚁算法的下一个结点选择策略、信息素的局部更新策略,并将改进后的两个算法进行混合求车间作业调度的最优解。试验表明,算法的改进和混合提高了搜索效率及搜索结果的准确性。     

一种具有局部搜索能力的多目标遗传算法(英文)

提出一种混合遗传算法来寻找多目标优化问题的有效解（Ｐａｒｅｔｏ解集）．该算法具有局部搜索能力,可用于每个解的生成过程中,目标不是为发现一个有效解而是为发现所有的有效解,最终选择则由决策者做出．模拟结果表明,该算法具有较强的搜索能力．     

一种改进的模拟退火萤火虫混合算法求解0/1背包问题

根据萤火虫算法自身特点,本文提出一种基于模拟退火的改进萤火虫算法,并用于求解0-1背包问题.该算法在模拟退火过程中利用萤火虫算法搜索新解,采用贪心修复算子对不可行解进行修正.每一次退火操作完成时,对萤火虫种群实行变异操作,增强萤火虫的全局搜索能力.本算法在求解0-1背包问题时,能及时跳出局部最优,在算法初期增强全局搜索能力,在算法后期加快收敛速度.通过仿真实验表明,该算法可较好的求解0-1背包问题.     

一种带随机选择机制的新型改进粒子群优化算法

标准粒子群优化算法对空间所有区域等概率搜索,降低了算法效率。借鉴遗传算法的思想,本文提出一种带随机选择机制的改进粒子群优化算法。该算法将适应值选择和粒子状态更新方程结合起来,通过赌轮算法选择机制使得粒子在适应值较小的区域尽可能的降低搜索概率,在最优解可能区域尽可能加大搜索强度,从而提高算法搜索效率。通过标准进化计算测试函数测试,实验结果表明对于复杂优化问题该算法优于标准粒子群优化算法和遗传算法。     

改进的交叉算子在遗传算法中的研究及应用

交叉算子是遗传算子中一个重要的算予,是对双亲个体进行交叉重组得到不同的两个新个体的过程,对遗传算法搜索结果有重要的影响。从交叉概率和交叉策略两个方面可以改进交叉算子,将其应用到函数优化中能获得比典型的遗传算法更优的解,且性能更优。     

基于遗传算法的避空侦察最优路线选择

针对避空侦察最优路径选择问题,根据避空和行军时间限制以及最短路径要求,建立卫星过顶预测模型和约束最优化模型,给出一种求解该优化模型的改进遗传算法,基本思想是：在常规进化算子的基础上,引入进化逆转操作,以改善遗传算法的局部搜索能力。数值实验表明,上述算法具有较强的局部搜索能力,特别适用于避空侦察最优路径选择问题。     

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。     

DNA遗传算法的化工过程建模方法

DNA遗传算法的化工过程建模参数估计是非常复杂的问题,但转化成非线性优化问题就可以设计一种新型的简便的建模方法。利用遗传算法具有适应性强的全局搜索优势,可以使用碱基对个体进行四进制编码,设计全新的变异算子与交叉算子,开发出一个新型的DNA遗传算法化工过程建模方法。两个经典测试函数计算结果表明,这种算法的搜索能力、拟合精度都比较理想。     

用于测试用例自动生成的遗传算法改进

探讨遗传算法的基本准则及其在软件测试中的应用,在此基础上对遗传算法进行改进。针对基本遗传算法中选择算子、交叉算子、突变算子的不确定性,以及容易陷入局部最优解和停滞的问题,提出SO、SACO、SCAMO算法。对改进的遗传算法和基础遗传算法进行比较。实验结果表明,改进的遗传算法比基础遗传算法自动生成测试用例的时间更短、效率更优。     

带p-Laplace算子的偏微分方程的Hartman-Wintner型定理

利用Riccati技术讨论了一类带p-Laplace算子的偏微分方程解的振动性质,得到了此类方程的Hartman-Wintner型振动定理.