保证遗传算法全局收敛的精英保留策略

遗传算法(Genetic Algorithm)中的基因，并不一定真实地反映了待求解问题的本质，因此各个基因之间未必就相互独立，如果只是简单地进行杂交，很可能把较好的组合给破坏了，这样就没有达到累积较好基因的目的，反而把原本很好的基因给破坏了。精英保留策略可以避免最优个体不会因为杂交操作而被破坏。
阅读全文 >

一个Python实现的精简版遗传算法

本文使用Python实现的精简版遗传算法，算法中仅采用变异算子而没有使用交叉算子，但是进化依然很有效，具体源代码如下：
阅读全文 >

分布估计算法介绍

分布估计算法(estimation of distribution algorithm, EDA)是一种新的启发式搜索策略，是统计学习理论与随机优化算法的结合。它利用概率模型对问题解空间中可能出现最优解的区域进行建模，并利用该模型引导算法进行搜索。
阅读全文 >

改进的基于进化阶段的自适应遗传算法

基于进化阶段的自适应遗传算法将整个进化阶段划分为3个阶段，基于不同阶段的进化特点及要求，采取不同的自适应策略，包括选择算子、交叉算子、变异算子的自适应策略。
阅读全文 >

两阶段遗传算法

现实生活中无论是复杂优化系统还是其他领域的优化问题，对精度的研究具有很高的应用价值。

理论上，当所考虑的优化问题存在最优解时便一定能够求出精确的值，但在实际问题中，由于模型的提炼过程存在理论误差、数据的欠缺存在信息误差、认知观念的不同存在认识偏差等等，因而常常考虑的是优化问题的满意解。从直观的角度来看，优化问题变量变化范围与解的精度具有密切的联系，当优化变量的变化范围较大时，便很难求出精度较高的满意解，而当变量的变化范围很小时，则易于求出精度较高的满意解。
阅读全文 >

遗传算法介绍

转载自: http://wiki.mbalib.com/wiki/遗传算法

遗传算法的概念

遗传算法是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术之一。
阅读全文 >

仿生智能优化算法

在仿生智能优化算法中每一个个体都是具有经验和智慧的智能体，个体之间存在互相作用机制，通过相互作用形成强大的群体智慧来解决复杂的问题。仿生智能优化优化算法本质上是一种概率搜索算法，它不需要问题的梯度信息，具有以下不同于传统优化算法的特点：
阅读全文 >