一种基于自适应分组排挤的遗传算法

为防止进化种群早熟收敛,并考虑保持种群多样性,加快寻优进程,提高寻优效率,提出一种基于自适应分组排挤的遗传算法,在寻优过程中将种群个体进行分组,在分组的基础上基于海明距离引入自适应的排挤机制,最后将该算法与基于海明距离排挤算法和简单遗传算法进行比较,证明其可行性和有效性.     

海明距离参数对基于海明距离遗传算法的影响

在遗传算法中引入基于海明距离的排挤机制,可以有效地防止早熟现象的发生.通过典型函数进行测试证明,海明距离参数设置的大小在一定程度上会对遗传操作的结果产生影响,若设置不合理,会阻碍遗传算法寻优方向,造成遗传算法收敛不到最优解,最后提出解决方案.     

基于改进免疫遗传算法的汽车零件排样

为提高汽车零件排样的板材利用率,对汽车零件的排样技术进行研究.汽车零件大多是不规则零件,因此其排样属于二维不规则排样问题范畴.在智能优化算法求解二维不规则排样领域,遗传算法容易产生早熟现象,并且局部寻优能力较差,而免疫算法具有很强的局部寻优能力.结合遗传算法与免疫算法的全局与局部寻优能力,提出一种改进的免疫遗传算法.该算法的遗传选择操作加入个体浓度计算,操作步骤和变异概率可以自适应调整,从而有效避免早熟现象.自适应计算免疫选择个体数以及免疫克隆个体数以提高算法的收敛性能.分别使用ESICUP网站提供的公开数据和实际汽车零件专用数据对提出的免疫遗传算法的性能进行测试,实验结果表明,和现有的几种算法相比,本研究提出的免疫遗传算法能获得更高的材料利用率.     

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。     

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.     

一种用于防止早熟收敛的改进遗传算法

针对遗传算法中的早熟收敛现象,提出了一种改进的遗传算法.该算法利用种群多样性算子产生较好的初始种群分布,并以该算子作为判断种群是否早熟收敛的依据.一旦出现早熟收敛或早熟收敛的趋势,则进行灾变,以恢复算法的进化能力.同时结合种群的最优个体和引入的随机种群,设计了一种包含选择、交叉算子的一般性算子,使算法能有效维持种群的多样性,快速找到全局最优解.     

一种用于防止早熟收敛的改进遗传算法

针对遗传算法中的早熟收敛现象,提出了一种改进的遗传算法.该算法利用种群多样性算子产生较好的初始种群分布,并以该算子作为判断种群是否早熟收敛的依据.一旦出现早熟收敛或早熟收敛的趋势,则进行灾变,以恢复算法的进化能力.同时结合种群的最优个体和引入的随机种群,设计了一种包含选择、交叉算子的一般性算子,使算法能有效维持种群的多样性,快速找到全局最优解.     

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。     

一种基于实数编码的自适应多亲遗传算法

为了克服基于二进制编码的遗传算法在求解连续参数优化问题时的缺陷,采用实数编码,定义1种度量多样性的指标,来自适应地调整基于实数编码的多亲遗传算法中交叉概率和变异概率,提出1种基于实数编码的自适应多亲遗传算法.该算法能自适应地调整其参数,且在求解优化问题的过程中,能克服早熟收敛的现象,提高搜索能力,加速收敛速率.最后对该算法进行了理论分析.     

随机线性规划模型参数求解的基因方法

将基因算法作以改进 ,形成加速遗传算法 (RACA)。在随机线性规划中得以应用 ,通过选择、交叉、变异等操作算子 ,可以对多维参数同时寻优 ,避免了传统优化方法早熟、提前收敛及易陷入局部最优的弊端 ,通过两个实例分析 ,取得满意效果 ,为求解随机线笥规划提供一种新的思路与方法     

一种改进的基因表达式编程方法及应用

基因表达式编程(GEP)是基于遗传算法和遗传编程的具有更强数据处理和知识发现的进化算法。介绍了传统GEP算法的基本原理和关键技术,针对求解问题时传统GEP存在未成熟收敛和进化后期收敛速度慢等问题,提出了GEP算法的改进方法,并将改进算法应用于函数发现问题中。与传统GEP算法的对比试验表明改进的GEP算法具有更好的求解能力和更高的性能。     

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.     

蜂窝移动通信中基于遗传退火的固定频率分配

对蜂窝网无线规划中的频率分配问题进行了分析,用一种基于遗传退火的算法(GAEA)来求解,该算法是将模拟退火引进到遗传算法中,通过退火来减轻遗传算法的选择压力,利用退火法的爬山性能,改善了遗传算法的性能,提高了算法的收敛速度.实验证明了遗传退火算法的收敛速度比遗传算法快.     

基于混合策略机制的人工鱼群算法

针对人工鱼群算法在处理多峰函数问题时存在一部分人工鱼处于漫无目的的随机移动、易陷入"早熟收敛"情况造成的收敛速度减慢的缺点,提出一种基于混合策略机制的人工鱼群算法。它借鉴群体位置方差的早熟判断机制,把云发生器产生的杂交和变异算子引入到该算法中,为减少算法计算量,而采用耗散的人工鱼群算法结构。仿真实验表明,该算法比只有一个适应值的人工鱼群算法具有更快的收敛速度,且具有很强的避免局部极小能力,其性能远远优于单一优化方法。     

一种多维背包问题的n进制编码遗传求解算法

针对传统二进制编码求解多维背包优化问题时算法复杂度高和容易早熟收敛等问题,提出了一种解决多维背包问题的n（n〉2）进制编码遗传算法。该算法采用n进制编码初始化种群,使用变异和交叉算子进化种群,通过修正算子修正不可行解,以保证解满足约束条件,然后利用非劣解集更新算法优化最优前端,使其扩大覆盖率,保证均匀性。20次随机试验结果表明,该算法可有效克服早熟收敛,能够保持种群多样性和求解精度,具有解决复杂多维背包问题的能力。     

自适应遗传算法及其在渗流参数反演中的应用

利用水头实测资料,以渗透系数为待反演的参数,在采用基本遗传算法进行参数反演研究的基础上,针对简单遗传算法难以确定交叉率和变异率的最佳值及计算量较大、易早熟等缺点,提出以自适应遗传算法来解决工程中的这类反演问题;为力求使改进的遗传算法计算量更小,收敛性更强,同时结合简单的二稳定渗流有限元算例,在相同的情况下分别用简单遗传算法和自适应遗传算法进行了反演计算。结果表明,自适应遗传算法在保持简单遗传算法优点的同时,有效地提高了算法的收敛性,并在一定程度上克服了简单遗传算法的早熟问题。因此,自适应遗传算法为渗流领域求解反演问题提供了新的途径。     

数据挖掘中关联规则的小生境遗传算法

根据关联规则挖掘的要求与特点,提出了一种新的基于小生境遗传算法的关联规则挖掘方法,该算法可以有效解决传统遗传算法搜索过早收敛的缺陷,实验结果显示,该方法能高效地解决关联规则挖掘问题。