基于适应度函数及交叉操作改进的自适应遗传算法

为了提高遗传算法的搜索效率,给出了一种改进的遗传算法。该算法改进了适应度函数和交叉操作,扩大了搜索范围。通过三个经典函数的测试表明,改进算法与基本遗传算法相比较,在函数最优值、平均收敛代数、收敛概率等方面都取得了令人满意的效果。     

一种改进的混合遗传算法

为了提高遗传算法的搜索效率,给出了一种改进的遗传算法。该算法提出了新的交叉操作和仿粒子群变异,扩大了搜索范围。通过经典函数的测试表明,改进算法与一般自适应遗传算法相比较,在函数最优值、平均收敛代数、收敛概率等方面都取得了令人满意的效果。     

遗传算法性能评价指标

实验研究过程中,我们发现：收敛时间、进化代数、全局搜索概率这三个性能评价指标在具体的评价过程中是不能同时达到最优的,因此本文提出了一种新的评价指标,即针对不同问题可赋予三个不同的权重,利用加权后的值作为评价指标来判断遗传算法的性能。     

种群规模对遗传算法性能的影响

经典遗传算法的种群规模在演化过程中是固定不变的,本文主要通过实验研究种群规模对遗传算法性能的影响。通过四个经典函数的测试表明,种群规模对遗传算法各个性能的变化均有上升或下降的变化。     

变量数目与种群规模的关系

在遗传算法的参数选择中,种群规模是一个重要的参数。本文通过实验取收敛时间和收敛代数的平均值作为评价指标来研究在确定遗传算法参数时,种群规模跟决策变量个数n有着一定的关系,通过经典函数的测试表明：比较合适的种群规模应控制在4n到6n之间。     

一种改进的自适应遗传算法

为了提高遗传算法的搜索效率,给出了一种改进的遗传算法。该算法采用混合编码,改进适应度函数和变异操作,扩大搜索范围。通过四个经典函数的测试表明,改进算法与基本遗传算法和自适应遗传算法相比较,在函数最优值、平均收敛代数、收敛概率等方面都取得了令人满意的效果。