一种改进的遗传算法：GA-EO算法

稠油稀释后粘度的计算方法及其改进稠油是一种高粘度的原油，需要进行稀释来降低粘度，以便提高流动性。

稀释后的粘度是决定稠油能否被有效开采和输送的重要参数之一、本文将介绍稠油稀释后粘度的计算方法，并提出一种改进方法。

稠油稀释后粘度的计算方法通常使用相对粘度模型。

相对粘度是指在一定条件下稠油与稀释剂混合后的粘度与两者单独粘度之比。

相对粘度可以通过实验室测试获得，但是这种方法耗时耗力，并且不适用于现场应用。

因此，研究人员提出了一种基于化学组成的计算方法，该方法通过油液的组分含量来预测稀释后的粘度。

这种计算方法基于混合规则，根据稀释剂与稠油的溶解度和界面张力来计算稀释后的粘度。

具体步骤如下：1.确定稀释剂和稠油的物理性质，包括密度、黏度和溶解度。

2.确定混合规则，可以选择理想混合规则或者非理想混合规则。

理想混合规则假设混合物的性质只与组分的摩尔分数有关，而非理想混合规则则考虑了其他因素的影响，如局部浓度效应和相互作用力。

3.根据混合规则计算稀释剂与稠油的摩尔分数。

4.使用所选的相对粘度模型计算混合液的相对粘度。

5.根据稠油与稀释剂的摩尔分数和相对粘度计算稀释后的粘度。

除了上述传统的计算方法，还有一些改进方法可以提高稠油稀释后粘度的计算精度。

一种改进的方法是结合人工神经网络（ANN）和遗传算法（GA）来建立稀释后粘度的预测模型。

通过训练神经网络，将稠油样本的化学组成和实际测试得到的相对粘度之间的关系建模，然后使用遗传算法来优化网络的结构和参数，从而提高模型的预测精度。

另一种改进的方法是使用机器学习算法，如支持向量机（SVM）和随机森林（RF），来预测稀释后的粘度。

这些算法通过学习训练样本的特征和相对粘度之间的关系，构建一个预测模型。

与传统的计算方法相比，机器学习算法可以处理更复杂的数据关系，对于预测精度提高有一定的优势。

综上所述，稠油稀释后粘度的计算方法主要是基于相对粘度模型和混合规则。

然而，传统的计算方法存在一定的精度和适用性的限制。

优化算法之遗传算法（GeneticAlgorithm,GA）⽬录概述遗传算法（Genetic Algorithm, GA） 起源于对⽣物系统所进⾏的计算机模拟研究。

它是模仿⾃然界⽣物进化机制发展起来的 随机全局搜索和优化⽅法，借鉴了达尔⽂的进化论和孟德尔的遗传学说。

其本质是⼀种⾼效、并⾏、全局搜索的⽅法，能在搜索过程中⾃动获取和积累有关搜索空间的知识，并⾃适应地控制搜索过程以求得最佳解。

相关术语基因型(genotype)：性状染⾊体的内部表现；表现型(phenotype)：染⾊体决定的性状的外部表现，或者说，根据基因型形成的个体的外部表现；个体（individual）：指染⾊体带有特征的实体；种群（population）：个体的集合，该集合内个体数称为种群的⼤⼩编码(coding)：DNA中遗传信息在⼀个长链上按⼀定的模式排列。

遗传编码可看作从表现型到基因型的映射。

解码(decoding)：基因型到表现型的映射。

交叉(crossover)：两个染⾊体的某⼀相同位置处DNA被切断，前后两串分别交叉组合形成两个新的染⾊体。

也称基因重组或杂交；变异(mutation)：复制时可能（很⼩的概率）产⽣某些复制差错，变异产⽣新的染⾊体，表现出新的性状。

进化(evolution)：种群逐渐适应⽣存环境，品质不断得到改良。

⽣物的进化是以种群的形式进⾏的。

适应度(fitness)：度量某个物种对于⽣存环境的适应程度。

选择(selection)：以⼀定的概率从种群中选择若⼲个个体。

⼀般，选择过程是⼀种基于适应度的优胜劣汰的过程。

复制(reproduction)：细胞分裂时，遗传物质DNA通过复制⽽转移到新产⽣的细胞中，新细胞就继承了旧细胞的基因。

遗传算法的实现过程遗传算法的实现过程实际上就像⾃然界的进化过程那样。

⾸先寻找⼀种对问题潜在解进⾏“数字化”编码的⽅案，（建⽴表现型和基因型的映射关系）。

然后⽤随机数初始化⼀个种群（那么第⼀批袋⿏就被随意地分散在⼭脉上），种群⾥⾯的个体就是这些数字化的编码。

第11卷第20期2011年7月1671—1815（2011）20-4836-03科学技术与工程Science Technology and EngineeringVol.11No.20July 2011 2011Sci.Tech.Engng.一种改进的遗传算法及其应用排新颖马善立（中国石油大学（华东）数学与计算科学学院，青岛266555）摘要遗传算法在实际应用中容易出现早熟收敛和搜索结果精度不高的问题。

针对早熟收敛和最优值精度低，采用了对搜索参数进行动态调整的优化计算。

在进化的全过程中，算法始终保持较强的全局搜索能力和局部寻优能力。

测试结果表明，对遗传算法的此种改进是有效的，不易陷入局部最优，并能大大提高最优解的精度。

关键词遗传算法实数编码过早收敛中图法分类号O231；文献标志码A2011年3月23日收到，4月2日修改第一作者简介：排新颖（1977—），山东临清人，讲师，博士，研究方向：非线性分析。

遗传算法将生物的演化过程看作一个长期的优化过程，利用生物演化的思想去解决复杂的问题，这样不必精确地描述问题的全部特征，对优化对象没有可导、连续等要求；采用基于种群的搜索机制，强调个体之间的信息交换，只需根据优胜劣汰的自然法则产生新的更优解。

尽管遗传算法有许多优点，但在实际应用中仍然存在许多不足，主要表现为遗传算法的“早熟”现象，即很快收敛到局部最优解而不是全局最优解；遗传算法的搜索结果是在最优值附近跳跃摆动，精度不高等等。

1算法简述改进的遗传算法步骤为：1）初始化，输入待求解问题的各种数据及控制参数：种群规模、交叉概率、变异概率及算法终止标准，初始标准差D ，标准差D 的最大值，最小值；压缩因子C （用来调整进化过程中的标准差）。

2）采用十进制浮点数编码，随机产生满足约束条件的初始群体；求出每个个体的适应值。

3）运用“适者生存，优胜劣汰”的自然选择规律，按照个体性能进行锦标赛选择。

4）根据交叉概率使用解群中性能最好的个体X （1）与选择出的个体X （n ）进行交叉操作［1］：g =X （n ）+r *（X （1）－X （n ）），其中r 是［0，1］之间的随机数；若g 满足约束条件，则用g 替换X （n ），存储相应的适应值，否则继续交叉操作；交叉操作结束后，寻找当前适应值最好的个体代替X （1）。

改进的遗传算法在医学图像中的应用梁文宇;龚涛;吴宇翔【期刊名称】《传感器与微系统》【年(卷),期】2016(035)010【摘要】Aiming at problem of low speed of convergence,early mature of standard genetic algorithm( GA)occur in optimizing Otsu method to search for threshold of image,an improved GA for image segmentation is proposed. According to different evolution generation and individual fitness,this improved GA can adjust strategies of elite selection and genetic operator dynamically,so it not only can speed up the convergence speed,but also can get image segmentation threshold with stable range and keep diversity of population. This algorithm is used in medical image segmentation,and experimental results show that the algorithm can be used for segmentation of medical image and effect is obvious.%针对标准的遗传算法（GA）在优化Otsu法求取图像阈值时出现收敛速度慢、易早熟等问题，提出了一种改进的GA用于图像分割。