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。     

一种基于遗传算法的改进PSO优化算法

从理论上分析了粒子群优化算法的收敛性,并针对标准PSO优化算法容易陷入早熟,收敛于局部最优解的问题,提出了一种基于遗传算法的带交叉因子的改进PSO优化算法,该算法通过对典型测试函数的测试,有效地加快了收敛速度和提高了收敛精度,能够有效地跳出局部收敛范围,避免陷入早熟,收敛于全局最优解。     

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．     

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。     

一种改进的遗传算法及其性能研究

为克服遗传算法收敛速度慢、稳定性差的缺点。从模式定理出发，讨论遗传算法的本质，以基本遗传算法为基础，对选择算子进行改进，在引入最优个体保护策略以确保收敛性的基础上设定动态闽值，既提高交配池的平均适应值又兼顾群体多样性。仿真研究表明，改进的遗传算法有效提高群体的平均适应值。加快收敛速度。提高稳定性。     

一种改进的遗传算法及其应用

为解决遗传算法的早熟和局部收敛现象,提出的一种改进的遗传算法,该算法引入海明距离构造初始种群,在选择、交叉、变异过程中采用最优保存策略。实验表明改进的遗传算法增强了种群的多样性,并在一定程度上避免早熟现象发生,同时又能较快找到全局最优解。     

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。     

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。     

一种改进的多值遗传算法研究

该文通过在多值遗传算法中引入模式基因来引导种群的搜索方向,算法在运行过程中不断搜索基因的各种组合,是一种有导向性的组合,模式基因的提取和利用加强了基因组合的导向性,有效提高算法的搜索效率。仿真实验表明了改算法的有效性。     

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。     

一种改进的遗传算法

传统的遗传算法有2个严重的缺点,即不能有效地消除过早收敛现象以及在进化后期搜索效率较低。模拟退火算法是基于金属退火的机理而建立起来的1种全局最优化方法,它能够以随机搜索技术从概率的意义上找到目标函数的全局最小点。将遗传算法与模拟退火算法相结合,提出模拟退火遗传算法。实验结果表明,该算法在性能上有较大的改善。     

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。     

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。     

遗传算法在汽车永磁发电机全局优化中的应用

采用遗传算法对350-1500W6种规格的汽车永磁发电机进行了优化设计,获得了高质量的全局最优解。采用爪极与横向磁体布置相结合的转子结构,以永磁体为主、电励磁为辅助调节的并联此路,保证了汽车发动机在变速、变载工况下保持恒压的可靠性。     

一种基于遗传算法的改进图像匹配方法

研究了基于遗传算法的图像匹配方法。针对传统的遗传算法运行速度不高且容易产生早熟现象这一局限性,提出一种改进的遗传算法。该算法利用伪并行遗传算法(PPGA)的思想,提出了新的遗传策略,减小了算法陷于局部极值的可能性并同时提高了搜索速度。     

一种改进的变种群规模遗传算法

传统的遗传算法在遗传操作的过程中,不管具体问题对种群规模的要求都事先指定,造成种群规模表现的不合理。针对这一问题,Arabas,J.等人提出了一种变种群规模遗传算法GAVaPS(Genetic Algorithms withVarying Population Size),旨在遗传操作的过程中自适应地调整种群的规模。黄乐等人提出了一种改进的变种群规模遗传算法VPSG-GM(Varying Population Size Genetic Combined with Gradient Search Method),它与GAVaPS方法在遗传操作上的不同之处是把评价目标函数的步骤置于重组种群时“淘汰”步骤之前,这样做减少了算法由于重组造成的不必要开销。文章提出的改进的变种群规模的遗传算法,在调整种群规模时通过增加补算算子,从而达到保持种群多样性的目的。这样做可以略去变异操作,减少了系统开销。实验证明了该算法的有效性。     

一种求解整体最优效率行为模型的遗传算法

整体最优效率行为模型是基于满足最低期望投资产出和最高投资额的约束,以整体效率最优为目的的一种数学模型。阐述了求解该模型的一种改进的长模式遗传算法,将各个投资活动的效率进行排序,并引入贪婪策略修正各个染色体,采用三种再生算子进行求解,结果表明改进的长模式遗传算法有效。     

解决TSP问题的一种改进遗传算法

TSP是一个典型的组合优化问题,也是一个NP难题,其可能的路径总数是随着城市数目n的增长而成几何型增长的,所以一般很难准确地求出其最优解,因而寻找出有效的近似求解算法就成了解决此问题的最佳方法。文章首先介绍了在初始化阶段经行改进的遗传方法。通过把改进方法同标准的遗传算法相比较,得出改进遗传算法在性能上有改进。最后,我们还分析了实验结果并提出了评价初始解优劣的一个指标函数——局部相似度函数,并给出了函数的具体表达式。