遗传规划中近似函数的求解问题

文中给出了两个测试例子以及它们的结果,提出了一种在给定区间以及给定运算符集合和终止符集合下求解近似函数的遗传规划方法,它在传统遗传算法的基础上克服了传统遗传算法中染色体必须是0,1二进制位串的缺点.通过这种方法,可以把遗传算法应用于更广泛的领域.     

改进的模拟退火和遗传算法求解TSP问题

对遗传算法和模拟退火算法的特点进行了比较,阐述了遗传算法与模拟退火算法集合的必要性。提出了一个用于求解TSP问题的改进的模拟退火和遗传算法。利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。在遗传算法中改进了传统的交叉机制,利用父代染色体与子代染色体进行交叉,解决了传统遗传算法中存在的“早熟”问题。针对模拟退火算法收敛速度慢等问题,提出了新的解生成机制和改良算法,提高了算法的收敛速度。实验测试的结果表明,该方法具有较好的收敛效果和更高的稳定性。     

批处理机上具有两类释放时间的工件集竞争调度问题

研究了两个工件集合竞争在一台批处理机上加工的调度问题,其中每个集合的工件具有一个共同的释放时间.批处理机可以同时加工多个工件作为一批,每批的加工时间为该批工件中加工时间的最大值.基于两类释放时间的大小,针对无界批处理机上最小化一个集合工件的最大完工时间、最大延迟以及总完工时间,使得另一个集合工件的最大完工时间不超过给定上界问题,分别给出了最优求解方法.针对有界批处理机上最小化一个集合工件的最大完工时间,使得另一个集合工件的最大完工时间不超过给定上界问题,证明为一般意义NP-难问题,并给出伪多项式时间最优求解方法.     

最小风险准则和遗传算法优化神经网络

提出了一种基于最小平均风险准则的遗传算法优化设计前向神经网络的方法，遗传算法的适应度函数并不采用传统的均方误差准则，而是由平均风险则所决定，这种方法在神经网络输出与期望输出之间误差的同时，还要考虑神经网络对不同类型训练样本产生的这种误差所引起的不同的风险损失。这种方法优化得到的神经网络不仅可以准确地再现训练样本集合的期望输出，对训练样本集合外样本的正确预测能力也有明显的提高。     

集合覆盖问题的数据约简研究*

针对当前解决大规模集合覆盖问题的算法普遍存在着效率不高的问题,提出了一套削减数据规模的约简方法,并给出了一个能够与其他所有解决集合覆盖问题算法相结合的约简算法。用Beasley提出的45个测试用例进行试验,结果显示贪心算法和遗传算法在结合了约简算法后能够在更少的时间内得到更优的解,表明该约简方法和约简算法可以有效提高传统算法和智能算法解决大规模集合覆盖问题的效率。     

云环境下基于模板遗传算法的任务调度方法

云任务调度是云计算研究的一个热点。云任务调度方法的好坏直接影响云平台的整体性能。提出一种基于模板遗传算法(TBGA)的任务调度方法。首先,根据处理机的运算速度和带宽等条件,计算出每个处理机应分配的任务量模板大小;然后,根据模板大小将任务集合中的任务划分为多个子集合;最后,利用遗传算法将集合中的任务分配到对应的处理机。实验证明通过此方法能得到总任务完成时间较短的调度结果。通过仿真实验将TBGA算法与Min-Min算法和遗传算法(GA)进行比较,实验结果表明,TBGA算法与Min-Min算法相比任务集合完成时间降低了20%左右,与遗传算法相比任务集合完成时间降低了30%左右,是一种有效的任务调度算法。     

不确定集值数据的高效相似查询

基于可能世界的不确定集合的相似查询,从语义上或者从计算方法的角度来看,都有别于传统的确定型集合上的技术.由于集合中的项存在不确定性,即一个项出现在集合中是有一定概率的,使得传统处理集合的技术不再适用.提出了一个基于可能世界的集合期望相似度的度量公式.在期望的度量公式中,如果一对集合(X,Y)的期望相似度大于给定的阈值τ∈(0,1),则被称为相似集合对.一般的算法,在基于可能世界的情况下计算不确定集合的期望相似度,其复杂度是指数级的.提出了利用动态规划来计算集合期望相似度的算法,该算法的复杂度是多项式级别,极大地减少了计算时间.实验结果表明了基于该算法查询的可用性和高性能.     

基于遗传神经网络的股指预测

股票市场是一项集合许多市场复杂因素的活动,股票分析的方法非常多。将遗传算法用于BP神经网络的训练过程对股票价格的预测,设计一个三层的BP神经网络,优化网络输入,在传统BP神经网络的基础上加入遗传算法。通过实例分析及实际结果表明这种BP神经网络的准确性和科学性。     

基于划分的集合相似连接

集合相似连接(set similarity join)是指在给定的数据集中,按照基于集合间覆盖关系的相似度计算方法来衡量数据之间的相似度、并找出所有相似度不小于给定阈值的数据对的操作.集合相似连接作为一种新的基本操作在很多领域中有重要应用.随着社会网络、移动应用以及在线服务的发展,使得数据收集的效率和规模得到了很大的提高,同时给相似连接操作带来新的挑战.根据集合相似的必要条件,提出了相似集合之间的差异度.利用差异度和鸽巢原理,提出了一种新颖的基于数据划分的集合相似连接计算方法,该方法对集合进行自适应的均衡划分,并利用基于划分块的过滤方法来提高过滤的效率.为了进一步提高过滤的效果和相似连接的效率,利用划分块的位置信息提出了增强的过滤方法.针对提出的方法,在不同的环境下进行了实验,实验结果表明,该方法与已有的方法相比可以有效地提高相似连接的效率.     

基于改进遗传算法的本体概念分类规则算法

针对本体学习中的概念学习,提出了一种基于改进遗传算法的本体概念规则的学习方法。该方法在传统遗传算法的遗传操作算予中引入“杂交优势”思想对交叉算子进行了改进,并加强了变异算子的对算法的影响;同时算法在执行过程中对训练样本集使用了约减策略,从而找出了一个能正确覆盖样本空间中所有实例并且不覆盖任何错误实例的规则集合。     

遗传算法综述*

遗传算法来源于进化论和群体遗传学，是计算智能的重要组成部分，正受到众多学科的高度重视。本文系统综述了遗传算法的发展历程，理论研究和应用研究，并进行了分析和评价。     

遗传算法的收敛性研究

遗传算法的收敛性分析是遗传算法研究中的重要问题,直接关系到遗传算法的实际应用价值。给出遗传算法全局收敛性的定义,描述当前遗传算法收敛性分析的主要模型,对自适应遗传算法、并行遗传算法、小生境遗传算法等典型遗传算法的收敛性进行分析,给出相关的研究结果,并指出遗传算法收敛性研究的未来发展方向。研究结果对提高遗传算法收敛性具有参考价值。     

遗传算法的改进与应用

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法,它与传统的算法不同。大多数古典的优化算法是基于一个单一的度量函数(评估函数)的梯度或较高次统计,以产生一个确定性的试验解序列;遗传算法不依赖于梯度信息,而是通过模拟自然进化过程来搜索最优解。该文针对传统遗传算法的缺陷,提出了一些新的改进思路,即从搜索技术和遗传算子等的角度来改进遗传算法。     

改进自适应遗传神经网络在混合气体识别中的应用

BP神经网络和遗传神经网络是混合气体识别中常用的方法,但在实际应用仍然存在一些缺陷与不足。针对存在的问题,提出了1种改进自适应遗传算法,该算法根据进化过程种群中未产生更优解的代数,自适应调整变异率和变异量。利用该改进自适应遗传算法优化BP神经网络的连接权和阈值,构成改进自适应遗传神经网络,并应用于混合气体的识别中。实验结果表明:改进自适应遗传神经网络收敛成功率由40%提高到80%,平均识别误差H₂S由4.66 mL/m³降为3.69 mL/m³,CH₄由17.14 mL/m³降为15.77 mL/m³,CO由4.38 mL/m³降为4.19 mL/m³。     

遗传算法及其发展动向

遗传算法是一种建立在自然选择和群体遗传学基础上的随机、迭代、进化且具有广泛适应性的参数搜索方法。介绍了遗传算法及其最新发展。     

紧致遗传算法的进化机制分析

为了分析紧致遗传算法的进化机制, 首先给出了用于刻划进化概率向量的有关概念; 其次研究了增加染色体有效进化的方法, 提出了基于进化强度系数的增强紧致遗传算法; 同时为进一步研究基于多变量的紧致遗传算法提供了框架.     

遗传算法的编码理论与应用

编码是遗传算法求解问题的前提,文章分析了二进制编码、格雷码编码、实数编码、符号编码、排列编码、二倍体编码、DNA编码、混合编码、二维染色体编码或矩阵编码等编码的实质内容,在树编码和可变长编码基础上阐述了自适应编码的基本理论,提出了基于相似度的可变长编码和基于结构的agent编码方式,给出了函数优化、TSP、KP、JSP、机器人路径规划、图的划分和倒立摆等典型优化问题的编码方案。     

改进量子遗传算法及其应用

针对量子遗传算法在多维复杂函数优化中迭代次数多、易陷入局部极值等缺点,提出新的量子遗传算法。通过搜索各种群中各染色体的最优个体,组成一个新的种群,并以此种群作为当前最优种群来确定量子门的全局最优搜索方向。引入小生境协同进化策略初始化量子种群,使量子染色体均匀分布于初值空间。以非线性连续优化问题为例所进行的仿真结果表明,该方法具有收敛速度快、寻优能力强等优点。最后,将该算法应用于化工过程的优化,取得良好的效果。     

遗传算法在组合优化问题中的应用

本文通过分析遗传算法的机理和特点,介绍了遗传算法在组合优化问题中的应用。在组合优化的求解问题中,相比于其他优化算法,遗传算法具有一定的优势,但仍存在着严重的局限性。为此,本文对传统的遗传算法进行了改进,并通过TSP(旅行商)问题验证了算法的有效性。     

基于伪并行混合遗传算法的神经网络优化

在分析并行多物种遗传算法应用于神经网络拓扑结构的设计和学习之后，提出一种伪并行遗传（PPGA-MBP）混合算法，结合改进的BP算法对多层前馈神经网络的拓扑结构进行优化。算法编码采用基于实数的层次混合方式，允许两个不同结构的网络个体交叉生成有效子个体。利用该算法对N-Parity问题进行了实验仿真，并对算法中评价函数各部分系数和种群规模对算法的影响进行了分析。实验证明取得了明显的优化效果，提高了神经网络的自适应能力和泛化能力，具有全局快速收敛的性能。