一种基于局部搜索算子的遗传算法

为了提高遗传算法的收敛速度及局部搜索能力,设计了一种基于优良模式的局部搜索算子.同时对传统免疫算法中基于浓度的选择算子进行了改进,设计了一种基于适应度值和浓度的混合选择算子,从而有效的阻止了算法出现"早熟"现象.进一步给出了算法的步骤,并利用有限马尔可夫链证明了该算法的收敛性,最后通过对四个经典测试算法性能的函数的数字仿真,说明该算法对多峰值函数优化问题明显优于基本遗传算法.     

分布估计算法中适应度函数模型检验及应用

在一种基于马尔可夫网络的分布估计算法中,利用解的适应度函数模型表示变量的概率分布.通过相关系数检验建立了一种衡量适应度函数模型有效性的方法,同时该方法也可以用来确定初始种群规模大小.在二维相关变量结构下,将该方法应用于一种多变量生物动态模型的优化问题,结论表明通过该方法可以选择适当的种群规模,保证适应度函数模型的有效性,并提高算法的优化性能.     

基于遗传禁忌算法的双资源约束下并行生产线调度研究

并行生产线调度问题兼有并行机器和流程车间调度问题的特点,是一类新型的调度问题。在考虑遗传算法早熟收敛特性和禁忌搜索法自适应优点的基础上,将遗传算法和禁忌搜索法结合起来,提出了基于遗传算法和禁忌搜索算法的双资源并行作业车间的调度优化问题算法,即考虑到了产品的调度受到机器、工人等资源制约的影响,对算法中种群的构造,适应度计算,遗传操作等方面进行了研究,最后给出了实例仿真和结论。     

求解不等式约束优化的可拓遗传算法

提出了求解不等式约束优化问题的可拓遗传算法.分别考虑种群中的可行解和不可行解,建立可拓关联函数对不可行解的优劣程度进行可拓评价,然后采用精英选择策略,确保每次迭代中均有一定数量和质量的不可行解被选择,从而避免种群陷入局部最优.引入了高斯变异维持种群多样性,提高算法搜索速度.通过对两个测试问题的实验和分析,验证了可拓遗传算法的可行性和有效性.     

函数优化的小生境蝙蝠算法

针对蝙蝠算法易陷入局部最优解的缺点,利用小生境技术对蝙蝠算法进行了改进,提出一种小生境蝙蝠优化算法.算法基于小生境技术的适应度共享来分隔种群,引入了小生境排挤机制来保持种群多样性,在延续蝙蝠算法原有并行搜索等优势的基础上,提高了算法的金局搜索能力和局部收敛速度,具有可在不同邻域内发现多个解的特点.通过对一系列经典函数测试,并与已有算法进行比较,结果表明该算法在函数优化问题的求解中具有较高的计算效率和精度,以及较好的全局寻优能力.     

分层混合局部搜索策略异构多核系统调度

针对遗传算法解决异构多核系统的任务调度问题容易产生早熟现象及其局部寻优能力较差的缺点,将局部搜索算法与遗传算法相结合,创新性地提出一种求解异构多核系统的任务调度问题的分层混合局部搜索遗传算法。该算法提出一种新的分层优化策略以产生初始种群,在变异操作中,对部分个体设计3-opt优化变异,对种群中的优秀个体用改进的Lin-Kernighan算法进行优化。仿真实验结果表明,分层混合局部搜索遗传算法求解异构多核系统的任务调度问题时可以高效获得高质量的解。     

自适应多种群回溯群居蜘蛛算法求解TSP问题

在群居蜘蛛优化算法中引入自适应决策半径,将蜘蛛种群动态地分成多个种群,种群内适应度不同的个体采取不同的更新方式.在筛选全局极值的基础上,根据进化程度执行回溯迭代更新,提出一种自适应多种群回溯群居蜘蛛优化算法,旨在提高种群样本多样性和算法全局寻优能力.函数寻优结果表明改进算法具有较快的收敛速度和较高的收敛精度.最后将其应用于TSP问题的求解.     

基于遗传算法的二层线性规划问题的求解算法

本研究了下层以最优解返回上层的二层线性规划问题的遗传算法。在提出可行度概念的基础上，构造了二层线性规划上层规划问题的适应度函数，由此设计了求解二层线性规划问题遗传算法。为了提高遗传算法处理约束的能力，在产生初始种群时将随机产生的初始种群变为满足约束的初始种群，从而避免了使用罚函数处理约束带来的困难，最后用实例验证了本提出的二层线性规划的遗传算法的有效性。     

基于模糊遗传算法的自融资有效投资组合研究

在马克维茨投资组合的均值一方差模型框架下,给出限制投资数量的自融资投资组合优化模型.把预期收益率不等式约束转化为模糊约束,采用一种通过惩罚因子,对适应度函数进行修正的模糊遗传算法来求解模型.在理论上,这种算法能够将最优基因较完整地遗传到下一代,有效地避免了早熟现象,可以得到更好的适应度函数值.在实际应用中,对一具体自融资有效投资组合实例进行计算,结果表明:本文所提出的模糊遗传算法是可行的、有效的,具有更好的优化结果.     

遗传-人工蜂群融合算法及其Markov收敛性分析

本文研究了遗传算法易发生"早熟"以及人工蜂群算法在搜索初期寻优速度慢的问题.基于将遗传算法与人工蜂群算法融合以实现二者互补的思想,提出遗传-人工蜂群融合算法(G-ABCA),利用马尔可夫理论对其收敛性进行了理论分析,证明其适应度函数值序列(即优化解满意值序列)是单调且收敛的,并利用四个经典的多峰测试函数对遗传-人工蜂群融合算法、改进的遗传算法以及人工蜂群算法进行了对比实验分析,结果表明:遗传-人工蜂群融合算法不仅收敛,而且其寻优性能显著优于其它两种算法.