基于种群成熟度的修正遗传算法

提出了一种基于种群成熟度的修正型遗传算法.在该算法中,提出一种新的对个体选择进行交叉的方法.同时分析了遗传算法出现早熟情况的机理.为了避免遗传算法的过早收敛问题,在遗传算法的进化过程中计算和判断种群的成熟度,为种群提供了双进化模式.实验结果表明,新算法不仅提高了算法的精度,而且能克服GA算法中出现的"早熟"现象,是一种提高遗传算法性能的有效改进算法.     

基于小生境粒子群的属性约简算法

遗传算法（GA）及蚂蚁算法（ACO）等进化属性约简算法,具有全局寻优的优点,但存在算法时间复杂度高,搜索空间大等不足;粒子群（PSO）属性约简算法,虽然可提高求解效率,但易陷入局部最优.本文引入小生境技术,提出基于小生境粒子群的属性约简算法,利用小生境技术造就种群的多样性,使解保持多样化,以此避免粒子群属性约简算法易早熟收敛的缺点.理论分析及实验结果表明,该算法是有效可行的.     

基于改进离散粒子群算法的限流措施优化配置

为求解实际电力系统中的限流措施优化配置问题,对传统粒子群算法（PSO）进行改进,提出一种改进离散粒子群算法（MDPSO）.此MDPSO算法采用二进制结合十进制的编码方式,并引入置0算子,优化初始种群,同时引入单方向的变异算子,防止算法陷入局部优化解.应用此算法对新英格兰39节点系统和中国西部82节点系统进行限流措施优化配置计算,并同遗传算法（GA）和普通离散粒子群算法（DPSO）进行比较,仿真结果表明,MDPSO算法是有效可行的.     

量子进化算法在极紫外多层膜表征和设计中的应用

针对EUV多层膜的表征和设计过程中普遍采用的遗传算法（GA）存在的大种群和求解效率低的问题,本文将实数编码量子进化算法（QEA）应用于EUV多层膜的表征和宽光谱EUV多层膜的设计过程中。分别采用实数编码GA和QEA对理论仿真的EUV多层膜的X射线掠入射反射谱进行反演拟合和宽光谱EUV多层膜的反射谱进行设计,进而将QEA在EUV多层膜表征和设计方面的性能进行对比分析。分析结果表明,QEA在多层膜的表征方面具有小种群和反演求解效率高的优点,多层膜的膜厚拟合精度可达±0.1nm;在多层膜设计方面,量子进化算法同样具有小种群的优势,同时求解效率较GA算法接近,设计的多层膜反射率带宽为13~15nm,反射率可达25%。相关工作展现出QEA算法在多层膜研发方面的应用价值,为进一步工作打下基础。     

基于进化神经网络的齿轮可靠性预测

人工神经网络模型中广泛应用的是BP（Back Propagation0模型，针对BP算法存在收敛速度慢，容易陷入局部最小点的缺陷，本文用遗传算法(Genetic Algorithm:GA）训练神经网络（Artificial Neural Network:ANN），取代了一些传统的学习算法，设计了GA＋BP学习算法，用遗传算法和神经网络相结合的方法求解了齿轮弯曲疲劳寿命的预测问题，仿真结果表明，组合GA与BP可以克服单纯使用BP易入局部极小等问题，取得了较为满意的效果，预测精度较高。     

实码退火遗传算法在厂内经济运行中的应用

针对一般优化算法在大型水电站厂内经济运行中精度低或计算速度慢的缺点,对实数编码退火遗传算法（AGA）进行改进,并用于大型电站厂内经济运行.模拟退火算法是在遗传算法（GA）中引入模拟退火算法（SA）,它吸收了遗传算法速度快和模拟退火精度高的优点.此外,对传统退火搜索方法的改进,进一步提高了退火遗传算法解决大型优化问题的能力.为了体现退火遗传算法的特点,对某一大型水电站分别采用退火遗传算法、动态规划（DP）、加速遗传算法（AG）、标准遗传算法（SGA）和模拟退火进行了经济运行计算,计算结果表明退火遗传算法易于实现,精度高,收敛速度较快,有一定实用价值.     

模拟退火遗传算法在电力系统无功优化中的应用

电力系统无功优化是保证系统安全、经济运行的一项有效手段．针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,在遗传算法（GA）和模拟退火算法（SA）的基础上,提出了更加有效的算法即模拟退火遗传算法．使用该文提出的算法对IEEE-14节点系统进行了无功优化计算,结果表明该模拟退火遗传算法应用于无功优化是合理可行的．     

基于数量化一类分析的IGA算法及应用

针对交互式遗传算法（IGA）中用户易疲劳的问题,引入数量化一类分析方法,从提高收敛速度和模拟人工评价两方面入手,改善IGA性能.采用均匀设计法确定遗传算法的初始种群,使得各基因单元类型在初始种群中均匀分布,从而提高遗传算法全局最优解的收敛性能;利用数量化一类分析,求取各基因单元类型对适应度评价的贡献权值,指导GA选择、交叉、变异等操作,以加速算法收敛;在GA操作后期,利用各基因单元类型对适应度评价的权值,模拟个体适应度的自动评价,降低用户疲劳度和提高效率.将该方法应用于动漫玩具形态造型中.结果表明,采用该方法可以有效地提高收敛速度和降低用户疲劳度.     

在子集条件约束下的最大熵分布及其应用

介绍了有关熵的概念及计算方法,并将其应用于构建一类新的分布估计算法(EDAs)。该类分布估计算法用基于最大熵估计种群中的模式概率分布和从最大熵分布中抽样取代遗传算法(GA)的交叉和变异,产生新的种群。在该类算法中,二阶连接模式算法由于只使用了连接模式,在解决变量之间相互作用趋向于发生在串中相互靠近的变量之间的一类问题时,比遗传算法更好。     

一种μGA+Quasi-Newton的混合优化算法

提出了一种新型的优化算法。此算法利用微种群遗传算法(μGA)的全局最优性在大范围内搜索可能的极值，而用拟牛顿(Quasi—Newton)法的目标函数梯度下降特性在极值点附近快速搜索，从而实现了全局最优与快速搜索的有机结合。同时，通过几个典型的试验函数对此混合算法与微种群遗传算法的寻优效果做了比较。     

基于改进遗传算法的公交智能调度

针对公交车辆调度的现状以及所处的运营环境,为了兼顾公交公司与乘客的利益,研究了公交智能调度的优化方法.通过对遗传算法(GA)和禁忌搜索算法(TS)进行分析,提出了一种基于遗传算法和禁忌搜索算法的混合策略(GA-TS).考虑到遗传算法的早熟收敛和禁忌搜索算法自适应强的问题,将上述两种算法相结合,把禁忌搜索算法独有的记忆思想引入到遗传算法的搜索过程中,构造了新的重组算子,提出了基于遗传算法和禁忌搜索算法的混合优化调度算法.实验结果表明,该方法能够有效地解决组合优化问题.     

机组负荷优化的遗传-禁忌混合算法

针对遗传算法“爬山”能力差的缺点，提出在遗传算法中引入禁忌搜索操作来提高局部寻优能力，并应用遗传-禁忌混合算法进行了火电机组负荷优化研究.在遗传算法每计算一定代数后，将每个个体作为禁忌搜索的初始解进行搜索，可以改善群体质量，加快搜索速度.混合算法有效地综合了遗传算法的全局搜索能力和禁忌搜索算法的局部搜索能力，从而避免出现“早熟”现象，改善了算法的收敛性.应用某实例进行负荷优化计算，结果表明混合算法大大改善了局部搜索能力和搜索速度，可以有效解决机组在线负荷优化难题.     

基于GA与BP神经网络的网络入侵检测组合模型研究

针对入侵检测系统产生的高维数据的处理问题,提出基于GA与BP神经网络的入侵检测组合模型进行特征选择。为了优化入侵检测分类算法,利用遗传算法适合复杂系统优化的特点,去除入侵检测数据多维特征属性中的冗余部分,将入侵检测数据特征属性对应到染色体,BP神经网络的分类准确率作为种群个体的适应度值,通过遗传算法的全局搜索能力,找出对分类算法最有影响的特征属性组合,从而达到降维的目的。采用KDD99数据集进行分析,实验表明,经过组合算法特征选择的数据能在分类正确率、运算时间、运算稳定性等方面取得更优的效果。     

一种改进的混合粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,把Hooke-Jeeves模式搜索方法作为粒子群优化算法的一个局部搜索算子,嵌入到粒子群算法中,Hooke-Jeeves的强局部搜索能力提高了粒子群优化算法的局部收敛速度和精度,从而提出了一种混合粒子群优化算法。通过基准函数和实例测试进行了验证,结果表明,提出的混合算法的收敛速度和精度均优于粒子群优化算法。     

一种用于BN结构学习的自适应遗传退火算法

模拟退火算法（SAA）和遗传算法（GA）作为智能算法是结构学习的重要方法．针对两种典型算法存在收敛速度慢或过早陷入局部最优的问题,利用GA进行选择,通过SAA进行搜索并利用独立性测试信息自适应引导算法的进化,提出一种自适应遗传模拟退火算法（AGSAA）,应用于贝叶斯网络（BN）结构学习．仿真结果表明AGSAA在学习的准确性和运行效率上均要优于SAA．     

GA—LSSVM模型在粉煤灰混凝土强度预测中的应用

为了更好地预测粉煤灰混凝土强度,将遗传算法和LSSVM相结合,建立了粉煤灰混凝土强度预测的GA—LSSVM智能模型．该模型既利用了LSSVM求解速度快、易于描述非线性关系的优良特性,又利用了GA强大的全局搜索能力,克服了人工搜索的盲目性,增强了模型的适应性．计算结果表明,该模型的计算精度较好．     

基于链式遗传-模拟退火混合算法的电网扩展规划

将模拟退火机制引入到食物链生态进化算法,提出了链式遗传-模拟退火混合算法（CAGSAH）,对种群执行并行退火操作,弥补食物链生态进化算法爬山能力不足,提高算法全局寻优能力。给出了链式遗传-模拟退火混合算法的详细计算流程,并将其应用到求解电网扩展规划问题,实际计算结果显示链式遗传-模拟退火混合算法在搜索效率及收敛性能上明显优于食物链生态进化算法。     

基于可变种群遗传算法的MIMO直接盲多用户检测

本文研究了遗传算法在MIMO系统中直接盲多用户信号检测问题,通过分析遗传算法种群的构成对算法收敛速度和性能的影响,本文提出了一种基于可变种群的改进遗传算法,测试函数的计算表明,与传统的遗传算法相比,改进的算法能够以比较快的速度收敛到全局最优解,利用改进的算法对MIMO系统的直接盲多用户信号检测的仿真结果也进一步表明了算法的有效性。     

基于正交试验的遗传算法参数优化

基本遗传算法求解优化问题的过程中存在着收敛缓慢、早熟现象以及求解的质量不高等问题. 为了解决上述存在的问题,提高遗传算法的求解质量,提出使用正交试验法优化遗传算法中的主要参数,即:种群规模N、交叉概率pc和变异概率pm. 通过使用正交试验法确定遗传参数,大大提高了算法的收敛性和求解质量. 仿真结果也表明采用正交试验法设计参数的科学性和有效性.     

玛雅蓝研究进展

玛雅蓝被认为是最早人工合成的一种有机—无机杂化颜料,在中美洲文明史上有着极其重要的地位。凹凸棒石独特的孔道和沟槽结构赋予玛雅蓝优异的耐候性,是凹凸棒石应用的重要领域之一。从玛雅蓝制备方法的文献归纳入手,对凹凸棒石与靛蓝染料杂化机理的研究成果进行分析阐释,并介绍由玛雅蓝催生出的玛雅蓝类似物的制备研究进展,展望凹土-有机染料杂合物的应用前景。