遗传算法在零极点辩识中的应用

介绍了遗传算法的基本愿理,给出了遗传算法在零极点辩识中系统时延、零极点辩识的实现步骤,在种群进化过程中采用基因流代替突变算子,仿真结果说明了该方法的有效性和实用性,并说明该方法能有效地避免算法早熟收敛.     

一种改进的实数编码遗传算法

针对实数编码在进行数值优化时固有的过早收敛、停滞现象和弱的爬山能力等缺点,通过设计不同的交叉、变异算子,提出了一种改进的实数编码遗传算法。数值实验显示,该方法在函数优化问题上取得了非常满意的效果。     

遗传算法中的基因流

早熟收敛是遗传算法中较为突出的问题之一，由于突变的速度太慢而不能对抗选择的压力，使算法在搜索到最优解之前就过早地收敛了，而解决早熟收敛问题的关键是保持种群的多样性，本文应用遗传学和进化生物学的理论，提出以基因流代替突变算子来保持种群的多样性的思想，并在理论上给予了有效的证明，更进一步给出了基因流的取值，从而较好地解决了早熟收敛问题。     

基于改进遗传算法的旅行商问题的求解

用遗传算法解决旅行商问题(TSP)时,经常面临过早收敛和遗传漂移等问题.文章分析了产生此类问题的原因,并针对其主要原因对经典遗传算法的选择、交叉和变异算子做了改进,使得改进后的算法可以有效保持种群多样性,从而提高了算法的稳定性和准确性;通过编程测试将改进后的算法和经典算法做了对比.     

系统工程理论与方法基于混合遗传算法的车辆路径问题

在详细分析遗传算法的局限性的基础上,构造了一种基于遗传算法和禁忌搜索算法相结合的、用于求解车辆路径问题的混合遗传算法. 这种混合遗传算法主要是将禁忌搜索算法嵌入到遗传算法中的变异操作与最优解判定之间,可以有效地避免遗传算法易出现"早熟"收敛的问题. 然后,分别用混合遗传算法和遗传算法对同一实例进行求解,并对求解结果进行对比分析. 结果表明该混合遗传算法的求解结果比遗传算法收敛速度快,更加接近最优解.     

一种基于灾变的单亲遗传算法

遗传算法存在着计算时间过长和易导致早熟收敛等缺点。单亲遗传算法不使用基本遗传算法常用的交叉算子,简化了遗传操作过程,且不要求初始群体具有广泛多样性,计算速度较快。但单亲遗传算法使用加快收敛速度的选择算子时,仍容易导致早熟收敛现象。模拟自然界中导致生物大规模灭绝的灾变现象,引入灾变的概念来保证解空间的多样性。提出灾变发生时机的判定方法。将此算法应用在旅行商问题上,实验结果证明了该算法的有效性。