灾变机制下的元胞遗传算法

文章提出了一种改进的加入灾难的元胞遗传算法.该算法是细粒式并行遗传算法和粗粒式并行遗传算法的混合形式.在遗传算法和元胞自动机的原理基础上,通过加入灾难的方式,用于求解复杂甬数优化问题,获得了较好的效果.     

基于改进算法的工艺规划与车间调度的双目标优化模型

针对工艺规划与车间调度的集成问题,一般考虑以加工时间、加工成本和加工质量为优化性能指标,而对能量消耗等环境影响因素考虑不足。本文建立了工艺规划与车间调度的数学模型,以完工时间和能量消耗为优化目标,通过设置权重系数来调节优化目标倾向。采用改进的混合模拟退火与遗传算法对问题进行求解,利用遗传算法的全局搜索速度快和模拟退火的突跳性强的特点,结合回火机制,有效地得到了完工时间和能量优化结果。最后,通过实例仿真表明该方法具有可行性。     

双变异遗传算法在投资组合中的应用

针对马柯维茨均值-方差模型的特点和简单遗传算法在求解该模型中所存在的缺点和不足,本文提出了一种改进的遗传算法-双变异遗传算法.该算法在交叉算子中引入了变异算子,即在种群中出现大量的近亲个休,产生近亲繁殖,此时,交叉算子停止交叉,进行均匀变异;而变异算子按照梯度方向变异,以加快算法的收敛速度.数值试验表明,双变异遗传算法对马柯维茨均值-方差模型的求解具有全局收敛、求解速度快、避免早熟等优点.     

用遗传算法求解JSSP时的死锁对策研究

遗传算法被广泛应用于求解作业车间调度问题。然而，要用遗传算法有效求解JSSP问题，有一些问题必须首先解决，死锁问题就是其中之一。本文以死锁问题为中心，从死锁处理角度分析三种用于克服使用GA求解JSSP时出现死锁的有用方法，并给出了相应的实验统计结果和对比分析结论。     

基于改进遗传算法的机器人动态路径规划

针对基本遗传算法解决移动机器人路径规划的不足,提出了一种改进的遗传算法。首先,采用栅格法对机器人路径规划进行建模。然后,提出一种生成初始种群的方法和精英策略,设计出自适应变异概率,提高了算法的求解质量。同时,在规划过程中,将全局路径规划与局部路径规划相结合,并且根据机器人与动态障碍物碰撞类型的不同,提出了相应的避碰策略。仿真实验表明:该算法优于基本遗传算法,能够有效地指导机器人在动态环境中实现避障,获得无碰最优或次优路径。     

改进的混沌遗传算法

混沌和遗传算法的结合产生了混沌遗传算法.通过分析其本质,发现其中存在很大的重复性操作,本文对此算法进行改进.计算机仿真表明:改进后的算法具有更好的快速寻优能力.     

并行多种群自适应遗传算法在COW集群上的实现

为改善标准遗传算法的求解效率,提出一种基于6模糊控制器的并行多种群自适应遗传算法。利用MPI(Messagepassinginterface)技术建立了一个COW(Clusterofworkstation)集群,将算法在该硬件平台上进行了实现。3机COW集群的仿真实验结果在演示算法设计可行性的同时,表明该算法的求解效率明显优于用于对照的单种群算法,具有在解决组合优化问题上广泛应用的可能。本文还对影响并行算法的参数进行了探讨。     

用于多峰函数优化的改进跳跃基因遗传算法

跳跃基因是维持生物大脑神经细胞多样性的主要原因,因此在遗传算法中引入跳跃基因操作能够提高算法的全局搜索能力。然而,标准跳跃基因遗传算法的随机跳跃过程容易破坏较优性能染色体的基因。针对此问题,提出了一种改进跳跃基因遗传算法。在改进方案中,适应度越高的染色体上的跳跃基因,能以越高的概率朝性能比它差的染色体上跳跃,以提高进化速度。并且,在适应度函数中引入密度函数,以保持染色体的多样性。通过对经典多极值测试函数的寻优仿真表明,改进跳跃基因遗传算法能够更有效地提高遗传算法对复杂多峰函数最优解的求解速度与精度。     

基于改进实数遗传算法的函数全局优化

将一种改进的实数遗传算法用于函数全局优化。改进的算法建立在对基本实数遗传算法搜索特性判断的基础上。文中对实数遗传算法的基本操作进行了简单的讨论和选择 ,将一种混沌序列作为刺激因素加入到算法中 ,并将区域划分与取舍的思想应用到算法结构改进中。数值实验显示 ,新方法对寻找复杂问题的全局解、提高搜索精度方面较基本实数遗传算法有较大改进。     

一种求解背包问题的混合遗传算法

将启发式贪婪算法与简单遗传法相结合构成一种混合遗传算法,用该混合遗传算法求解大规模背包问题,含有５０个物品的背包问题的试算结果表明,用这种方法求解大规模背包问题,其解的质量和求解性能较简单遗传算法和贪婪算法都有很大的改善。     

遗传算法在风洞实验优化中的应用研究

为了提高风洞实验效率,降低实验成本,缩短实验周期,笔者探讨了将遗传算法引入到风洞优化实验中,实现了基于遗传算法的多段翼型实验规划.通过遗传算法对多段翼型的迎角及各段的偏转角度、重叠量和缝道宽度进行编码,由实验提供适应度值.对两段翼型的研究表明应用遗传算法规划风洞实验能够减少实验次数约40%.种群数为染色体长度的2倍时,算法能较好的搜索到最优值.初始群体值对算法的收敛性及计算效果基本无影响.此外,也模拟计算了4段翼型风洞实验,提高实验效率大约为87%~93%,可见遗传算法仍然有效且在大规模风洞实验中更有应用价值.     

支持索引词汇动态扩充的实例检索算法

实例检索是基于实例产品设计的关键。文中介绍了一种实例检索策略，支持实例索引词汇的动态扩充，并综合考虑“当前问题”、“用户选择实例”和“实例集中相似度更高的实例”的比较，提出了6条法则动态调整特征权重和特征属性相似度。所开发的“基于知识的机床夹具CAD系统”已在某大型航空企业应用于国家重点型号工程的研制，取得了满意的效果。     

求解多目标优化问题的随机梯度遗传算法

遗传算法的收敛速度很慢，为此引入另一种解决优化问题的工具，即Simultaneous Perturbation Stochastic Approximation(SPSA)算法，该算法是一种简单、易实现、高效率的随机逼近算法。本文将SPSA算法作为一种快速局部优化方法并将其和遗传算法的整体搜索策略结合起来，提出一种解决多目标优化问题的随机梯度遗传算法，对新算法的执行策略进行了认真的设计。大量的数值实验表明：随机梯度遗传算法不仅提高了多目标遗传算法的收敛速度，且得到了大量的分布较均匀的Pareto最优解。     

一种新的求解非线性方程组的混合遗传算法

为了解决实际工程中经常遇到的求解非线性方程组的问题,作者提出了求解非线性方程组的一种新的思维,即首先将非线性方程组的数值求解问题转化为最优化问题,然后利用浮点遗传算法全局群体搜索能力及起始搜索速度快的特点,快速得到接近精确解的较优解,之后将其作为拟牛顿法迭代的初始值,利用其局部寻优能力非常强的特点,快速迭代至精确解。该混合遗传算法充分利用了浮点遗传算法与拟牛顿法的各自优点。     

基于博弈的多目标弹药调度策略优化研究

针对作战部队弹药调度策略问题,综合考虑不同作战部队对弹药调度时间因素和安全因素需求程度的差异,通过博弈模型对多目标问题进行度量,进而结合遗传算法对弹药调度策略进行优化。仿真结果表明,本文构建的博弈模型能够更加合理地为不同环境下具有差异化需求的弹药调度策略进行优化。     

确定性的遗传算法

针对遗传算法效率普遍较低的缺陷，采用了确定性交叉和确定性变异的策略，同时提出了一种新的遗传算子－Hamming-decreasor算子，以加快速传算法中码值相关相差较小而Hamming距离很大的二进制码串之间的转换，在此基础上，构建了一个新的遗传算法－确定性的遗传算法，初步的数值试验表明，新算法是有效的和鲁棒的。     

基于分布式并行遗传算法的PID参数整定

针对基于简单遗传算法(SGA)进行PID整定在收敛性及初值敏感度方面的缺陷,提出了基于分布式并行遗传算法(PGA)的PID参数整定方法。该方法可以将不同遗传操作的优点加以整合,通过并行运算提高整定效率,能够更有效地进行参数优化。选用典型被控对象仿真,并分别进行收敛性分析与初值敏感度分析。仿真试验表明与SGA相比PGA提高了局部搜索空间的微调能力,降低了对初值的敏感度,寻优效果也大为改善,从而说明了这种方法的可行性,为PID参数整定方法提供了一种新的尝试。     

基于小生境遗传算法的多峰函数优化

根据多峰目标函数的具体情况,应用遗传算法随机寻优得到若干个最优值,以这些值作为小生境遗传算法的先验知识,指导小生境距离参数的确定。依据此方法确定小生境距离参数,应用小生境遗传算法成功求解了shubert多峰函数的所有全局最优值。并与相同遗传操作和相同参数下的遗传算法作比较,小生境遗传算法不但能一次性地寻求到解空问中所有的最优解,而且就寻求一个最优点而言收敛速度快于非小生境遗传算法。     

并行遗传算法的研究评述

并行遗传算法是遗传算法研究中的一个重要方向,受到了研究人员的高度重视。本文系统地综述了各种并行遗传算法的构成原理,介绍了其典型应用情况,并指出了需进一步研究的课题。