GARA: A novel approach to Improve Genetic Algorithms' Accuracy and Efficiency by Utilizing Relationships among Genes

遗传算法在工程优化中扮演着重要角色。传统的遗传算法将每个基因单独处理。然而，基因调控网络的生物物理研究揭示了不同基因之间的直接关联。这启发我们在本文中提出了一种改进遗传算法的方法，称为基因调控遗传算法（GRGA），据我们所知，这是第一次利用基因之间的关系来提高遗传算法的准确性和效率。我们设计了一个包含解空间的有向多部分图，称为RGGR，其中每个节点对应于解中的一个基因，边表示相邻节点之间的关系。边的权重反映了关系的程度，并根据这样的想法进行更新：完整链中候选解的边的权重应该被加强或减少，具体取决于其性能是否可接受。然后，我们利用得到的RGGR来确定交叉和变异算子的适当位点，从而将进化过程引导向更快、更好的收敛。我们在单目标多峰优化问题上分析和验证了我们提出的GRGA方法，并在三种应用程序中进一步测试了它，包括特征选择、文本摘要和降维。结果表明，我们的GARA是有效的和有前途的。

提出了一个名为Gene Regulatory Genetic Algorithm (GRGA)的改进遗传算法，旨在提高遗传算法的准确性和效率，通过利用基因之间的关系来指导进化过程。

设计了一个基于基因关系的多部分有向图RGGR，将其用于指导交叉和变异算子的适当位置，从而加速和提高收敛性。

在单目标多模态优化问题以及特征选择、文本摘要和降维等三种应用中进行了实验验证，结果表明GRGA是有效和有前途的。

最近的相关研究包括：基于遗传算法的优化方法，基于神经网络的优化方法，以及基于粒子群优化的方法。