一种改进的多种群量子遗传算法

针对常规量子遗传算法(Quantum genetic algorithm,QGA)在求解连续函数优化问题时容易陷入局部极值,提出了一种改进的多种群量子遗传算法(Improved multi-population quantum genetic algorithm,IMPQGA).该算法将初始化种群划分成N个子种群,每个子种群按不同的量子旋转门策略更新,然后相互交换子种群最优个体,同时在算法进化中引入一种新的量子旋转门,随进化代数增加动态地调整染色体个体进化方向,使算法及时跳出局部最优,避免早熟收敛.仿真结果表明,该算法相比常规量子遗传算法和多种群遗传算法(Multi-population quantum genetic algorithm,MPQGA)具有更好的优化性能.     

基于改进遗传算法的机器人路径规划与仿真

针对标准遗传算法解决机器人处于障碍环境下寻找最优路径局部寻优精度较差、规划效率低的问题,提出一种改进遗传算法的机器人路径规划方法。该算法采用一维编码表示路径, 构造了路径最优化的目标函数和适应度函数,利用多个种群拓宽搜索空间,提高了规划效率,采用保优选择策略,避免陷入局部最优。仿真结果表明,改进遗传算法比标准遗传算法路径规划质量高,能够获得平滑的低代价路径,稳定性好,是机器人路径规划的一种较好的方法,且具有一定的推广意义。     

基于改进量子遗传算法的Flow-Shop调度求解

针对Flow-Shop调度问题,提出一种改进的量子遗传算法,重点对量子变异和量子灾变等操作算子进行改进,提出局部量子位变异和局部量子灾变等操作算子。给出Flow-Shop调度问题的数学模型,提出了用量子遗传算法求解Flow-Shop调度问题的量子比特编码和解码方法,介绍算法的计算流程。仿真实验结果表明：改进的量子遗传算法具有收敛速度快、鲁棒性好等优点。     

标准遗传算法引入遗传策略和突变算子对蛋白质2D折叠模拟的影响

目的改进标准遗传算法以提高蛋白质结构的预测效率。方法在标准遗传算法的基础上引入蒙特卡罗局部优化策略、克隆体过滤策略、多胎竞争选择策略等,在均匀变异的基础上,引入一系列结构突变算子。利用改进的遗传算法对标准蛋白质序列进行二维折叠模拟。结果与其他算法相比,利用改进的遗传算法搜索到了HP60和HP64序列能量更低的构型。结论引入的遗传策略和突变算子增强了遗传算法的寻优能力。改进的遗传算法是个极具潜力的蛋白质结构预测方法。     

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。     

动态环境中基于遗传算法的机器人路径规划

为解决动态环境中足球机器人的路径规划问题,采用栅格法对机器人工作空间进行划分,用序号标识栅格,并以此序号作为机器人路径规划参数编码,建立了以路径最短、避障为优化目标的遗传算法个体评价函数．采用轮盘赌选择、重合点交叉、多种变异结合等方法完成了遗传操作．针对遗传算法易陷入局部最优的不足,在标准遗传算法基础上加入了复原操作和重构操作,使改进后的遗传算法收敛于全局最优．仿真结果表明：该算法能够成功地在动态环境里规划出一条近似最优的路径,算法是有效的．     

遗传算法在商场数据库中的应用

采用自适应遗传算子、多参数编码技术和确定性期望值模型选择机制等方法对基本遗传算法作了相应改进,有效提高了遗传算法的局部搜索能力,并具体介绍了遗传算法在商场数据库中寻找最优客户群的应用,说明了应用遗传算法中需要注意的一些问题。     

基于模拟退火算法与量子遗传算法的图像匹配研究

针对传统的基于先验模板或者个性特征的图像匹配算法存在的计算复杂、实时性较差、早熟收敛、全局最优缺失等问题,提出了一种基于模拟退火算法与量子遗传算法的图像匹配混合算法,可以克服模拟退火算法的收敛速度慢与量子遗传算法的局部搜寻能力弱等单一算法的固有劣势,实现全局最优,具有匹配精度高、抗干扰性强、并行搜索效率高等优势。在Matlab2015b环境下开发了验证环境并对算法进行了实际验证,结果表明该算法可以在较短的时间内有效匹配目标图像,实时性、准确率和稳定性较高,收敛速度、并行搜索效率等核心参数满足设计需求。     

基于遗传算法的多序列比对算法研究

本文主要研究用改进的遗传算法解决多序列比对问题.针对基本遗传算法收效速度慢、容易陷入局部最优解的不足,提出1种分层遗传算法,同时在低层遗传算法中采用不同的遗传算子以达到整体收效速度快、避免局部收效的效果.文中还提出了1种新的初始化方法,以提高算法的稳定性.最后通过实验分析,验证了算法的可行性、有效性.     

基于混沌遗传算法的PHEV能量管理策略优化

提出了一种新的混沌遗传算法,改进了混沌映射和遗传算法的结合方式,使种群在进化的过程中能够混沌搜索解空间,从而增强遗传算法的遍历性.该算法有效地克服了遗传算法局部收敛的缺陷.在软件ADVISOR2002中,以一辆采用模糊能量管理策略的插电式混合动力电动汽车(Plug-in Hybrid Electrical Vehicle,PHEV)为研究对象,应用该混沌遗传算法对其隶属函数和控制规则进行了优化.仿真结果表明,该算法可以实现对模糊控制器的全局优化.与原模糊控制策略相比,优化后的燃油经济性提高了5.15%,CO排放减少了6.39%.     

基于改进人工蜂群算法的生鲜农产品配送路径优化

为提高生鲜农产品的物流配送效率,降低配送过程中的综合成本,以配送总成本最小化为优化目标,通过引入时间价格成本,结合配送固定成本、运输成本和惩罚成本构建成本函数最小化模型。基于该数学模型,运用改进的人工蜂群算法对模型进行求解,算法中采取中位数选择策略来代替原有的轮盘赌选择策略,并在解的更新阶段引入禁忌表,有效解决了算法容易过早陷入局部最优的问题,并使得算法的收敛速度提高40%。通过算例验证了本文模型和算法的有效性,有一定实践指导意义。     

遗传算法在通用试题库自动组卷中的应用

 对组卷问题进行分析，建立了通用组卷模型，讨论了运用遗传算法求解在一定约束条件下的多目标参数优化问题，并针对组卷问题设计了交叉、变异算子和进化模式。结果表明，改进后的遗传算法性能好、效率高、通用性高，符合自然界物种微进化的思想，具有较好的实用性能。     

多种群竞争遗传算法及其性能分析

在指出传统遗传算法收敛中所存在的收敛速度慢及局部收敛问题的基础上,引入了一种新的改进遗传算法——多种群竞争遗传算法。该算法以种群间竞争为基础,不断淘汰相似个体,并不断补充新个体,增加种群的多样性,以提高收敛速度。最后,用一个典型的测试函数对传统遗传算法和多种群遗传算法进行测试,结果表明多种群遗传算法的性能优于传统遗传算法。     

一种基于元胞自动机的改进遗传算法

针对遗传算法中存在搜索效率和解精度低的问题,结合元胞自动机模型,提出了一种改进的遗传算法——竞争杂交算法。在适应度函数中运用元胞自动机模型进行竞争复制,在确定交叉算子时进行杂交,依此来对遗传算法进行改进。仿真结果表明,竞争杂交算法在搜索速度和概率上比简单遗传算法要高一些。     

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.     

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.