基于两点交叉多子代遗传算法

针对目前遗传算法局部搜索能力差、收敛精度低问题,提出基于两点交叉多子代遗传算法(TPC-MCGA),阐明该算法优越性,并给出多子代个体产生方法。该方法可增加优秀个体概率及算法在当前最优解周围搜索精度,提高算法局部搜索能力。在进化策略中引入种群内部竞争操作,使种群在有限生存空间内加速进化,提高算法运算速度。结果表明,与传统遗传算法相比,TPC-MCGA平均计算时间减少31%~36%,平均迭代次数减少50.2%~51.6%,TPC-MCGA运算速度与最优解精度均明显提高。     

协同多目标攻击空战决策的启发式粒子群优化算法

利用协同多目标攻击战术的特定知识，并结合粒子群算法，提出了一种用于空战决策的启发式粒子群算法。该算法利用粒子群算法对解空间探索能力强，容易跳出局部最优陷井及启发式算法局部搜索能力强的优点，快速、高效地对全局最优值进行搜索。该算法通过求解友机导弹对目标的最优分配来确定空战决策方案。仿真实验结果表明。本文算法对最优空战决策方案的搜索性能明显优于普通粒子群算法及其他两种遗传算法。     

基于免疫算法的优化问题

基于前人提出的克隆选择算法,提出一种用于优化问题的免疫选择算法,引入选择算子的概念,可以加快算法的搜索速度,有效地保持种群的多样性。仿真结果表明,与遗传算法相比较,免疫选择算法能更快速准确地收敛到全局最优解,避免了遗传算法中的早熟收敛现象。     

一种改进的极值动力学优化算法

针对基本的极值动力学优化算法容易陷入局部最优解、数值寻优能力较差甚至不能寻优等缺点,提出一种带柯西变异的基于种群的极值动力学优化算法。改进后的算法不仅具有局部搜索能力还具有全局搜索能力,同时提高了收敛速度和精确度。     

改进的克隆选择算法求解0——1背包问题

提出了一种改进的克隆选择算法(Improved CSA),该算法采用贪婪策略与宽限边界值相结合的方法,利用未成熟优良子群体提供的信息修改个体基因位来改善种群质量;同时增加一个历史至当前代最佳个体记忆单元防止种群退化.通过对2个0-1背包问题的仿真实验表明:该算法比一般CSA算法和遗传算法能更快的找到最优解;其搜索效率更高,性能更加稳定.     

面向多模态函数的自适应混沌爬山微粒群算法

针对微粒群算法在多模态函数优化中难以找到全部极值点以及陷入局部最优和后期收敛速度慢等缺陷,提出了一种基于熵的自适应混沌爬山微粒群算法.算法根据熵的值来衡量种群多样性,当发现种群多样性匮乏时,采用动态混沌机制增强多样性;后期融入了局部收敛速度较快的爬山算法提高微粒群算法的后期收敛速度.4种典型多模态函数测试结果表明该算法在求解复杂多模态函数优化问题方面的可行性。     

基于混沌免疫进化算法的汽车主动悬架控制策略研究

提出一种基于混沌免疫进化算法的1/4汽车主动悬架控制方法.在免疫进化算法的基础上,利用混沌运动的特点,对初始种群混沌初始化,且根据个体评价值对群体进行不同幅度的混沌载波,既可保护优秀个体,又可进行遍历搜索,跳出局部极小值,达到快速寻优的效果.仿真结果表明:与免疫进化控制比较,采用混沌免疫进化控制,汽车的平顺性和安全性得到了更好的改善.     

一种融入小生境技术的遗传禁忌算法

针对遗传算法在全局优化问题中容易出现早熟和收敛速度慢,禁忌搜索强烈依赖于初始解等问题,根据遗传算法和禁忌搜索算法自身的特点,分析两者的优势和不足,提出了一种融入小生境技术的遗传禁忌算法.该算法采用融入了小生境技术的遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优.分析和实验结果表明,该算法能很好地抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法.     

一种新型的动态粒子群优化算法

为了改进标准粒子群优化算法全局搜索性能,提出了一种种群动态变化的多种群粒子群优化算法。当算法搜索停滞时,把种群分裂成两个子种群,通过子种群粒子随机初始化及个体替代机制增强种群多样性,两个子种群并行搜索一定代数后,通过混合子种群来完成不同子种群中粒子的信息交流。收敛性分析表明,本文算法能以概率1收敛到全局最优解。实验结果表明,本文算法具有较好的全局寻优能力和较快的收敛速度。     

改进麻雀搜索算法在优化林分空间结构求解中的应用

为了解决传统群智能优化算法在林分空间结构优化问题求解效率低、易陷入局部最优的缺陷。以小兴安岭地区带岭林业局东方红林场为研究区，以麻雀搜索算法为基础，采用循环混沌映射法对种群进行初始化，使麻雀种群分布更加均匀；应用萤火虫扰动策略增加了算法的搜索范围，加快算法的收敛速度，提高算法的准确性，以样地的树木数据进行了仿真实验。结果表明：森林评价指数由2.35提高到2.93,改进麻雀搜索能够快速收敛在最优值附近，跳出局部极值，有效地提高了算法的准确率和稳定性。     

一种基于数值遗传算法的求解TSP问题的演化算法

近年来,TSP问题的应用非常广,但当前较成熟的算法大都基于局部优化,而局部优化往往无法求出最优解。研究了一种求解TSP问题的演化算法,该算法兼顾了两父体算子与一元算子的优点,并具有免疫算法的免疫记忆功能,是一个具有较强的选择压力和适应地改变的变化算子的演化算法。与其他遗传算法和免疫算法相比具有收敛速度更快,结果更优的特点。     

基于分组排挤机制的遗传算法

利用遗传算法进行寻优有时候遗传操作会陷入局部寻优,造成早熟,使遗传操作收敛不到最优解.针对这一问题,提出一种基于分组排挤机制的遗传算法,将种群个体进行分组,引入基于海明距离的排挤机制,不仅可以防止早熟,而且可以加快收敛速度.最后用普通遗传算法与之进行比较,证明其可行性和有效性.     

改进量子遗传算法在多峰值函数寻优中的应用

针对标准量子遗传算法（QGA）在寻找多峰值最优时存在局部寻优能力较差和易早熟的缺陷，提出一种改进量子遗传算法（QQGA）,运用基于概率划分的小生境协同进化策略初始化量子种群，并采用动态量子旋转角调整策略来加快收敛速度；加入量子移民和保优选择策略，提高规划效率，避免陷入局部最优。利用复杂二元函数测试改进量子遗传算法，结果比标准量子遗传算法效率高。     

基于混合并行遗传算法的多目标约束优化技术研究

多目标约束优化问题属于NP问题。并行遗传算法是解决该类问题的常用算法,它具有较强的全局搜索能力和并行性,但局部搜索能力差,禁忌搜索算法则比较适合于局部搜索。提出了一种基于混合并行遗传算法的多目标约束优化方法,该方法综合了并行遗传算法和禁忌搜索算法的优势,改进了并行遗传算法的性能,能有效避免局部最优解。     

基于改进遗传算法的移动机器人PID参数优化设计

针对移动机器人位置与速度控制的要求,基于遗传算法对移动机器人PID控制器的参数进行优化设计。采用误差绝对值时间积分性能指标作为参数选择的最小目标函数,利用遗传算法的全局搜索能力,使得在无须先验知识的情况下实现对全局最优解的寻优,以降低PID参数整定的难度,达到总体上提高系统的控制精度和鲁棒性的目的。     

一种基于双子群的改进粒子群优化算法

针对粒子群优化算法易于陷入局部最优解并存在早熟收敛的问题，提出了一种基于双子群的改进粒子群优化算法（TS IPSO)，通过2组搜索方向相反的主、辅子群之间的相互协同，扩大搜索范围，借鉴遗传算法的杂交机制，并采用惯性权值的非线性递减策略，加快算法的收敛速度和提高粒子的搜索能力，降低了算法陷入局部极值的风险.实验结果表明该算法较标准PSO算法提高了全局搜索能力和收敛速度，改善了优化性能.     

基于差分演化与猫群算法融合的群体智能算法

提出一种基于差分演化与猫群算法融合的群体智能算法。该算法基于猫群算法的两种行为模式，引进差分演化的思想，根据分组率随机把群体分成两个种群，一个种群执行猫群算法搜寻模式，另一种群执行差分变异模式，算法采用一种信息共享机制，使两个种群在搜索最优解时可以实现协同进化，信息交流。既实现了不同进化模式间的优势互补, 又可以增加种群的多样性。对5个基准函数进行仿真实验并分别与DE和CSO 进行比较，表明混合算法同时具有全局搜索和局部搜索最优解性能，收敛速度快，计算精度高，更适合用于求解高维复杂函数。     

BP神经网络和遗传算法相结合在洞庭湖氨氮浓度预测中的应用

BP算法具有寻优精确的特点,而遗传算法具有很强的宏观搜索能力和良好的全局优化性能。因此将遗传算法与BP神经网络相结合,训练时先用遗传算法进行寻优,将搜索范围缩小后,再利用BP神经网络来进行精确求解,可以达到全局寻优和快速高效的目的。设计了一种利用遗传算法优化BP神经网络权重的预测方法,并对洞庭湖氨氮浓度的预测进行了研究。结果表明,丰水期(9月份)数据分布比较均匀,遗传算法优化BP神经网络权重的预测方法的3种学习算法计算值与实际值接近,并优于BP神经网络的计算结果,说明该方法具有较好的预测效果。     

基于混合粒子群算法的云计算任务调度研究

任务调度是云计算系统可靠运行的关键,云计算环境中要处理的任务量巨大,考虑到云计算任务调度和QoS的优化问题,提出一种混合粒子群优化算法用于云任务调度。算法中引入遗传算法的交叉和变异思想,并结合随迭代次数变化的变异指数,保证种群进化初期具有较高的全局搜索能力,避免出现“早熟”,同时将爬山算法引入粒子群算法,改善局部搜索能力。实验结果显示该算法具有很好的寻优能力,是一种有效的云计算任务调度算法。