改进遗传算法在E面波导滤波器设计中的应用

由于遗传算法表现出良好的全局搜索性能,因此本文将其应用于高性能E面波导滤波器的设计中.针对传统遗传算法所存在的局部搜索能力差的缺点,本文在并行遗传算法的基础上,通过将原有群体划分为多个子群体,利用多个子群进行局部极值点的搜索,并利用群间迁徙,使改进后的算法收敛速度平均提高了2~3倍.数值实验表明算法具有较快的收敛速度和较好的全局搜索性能,证明了算法的有效性.     

Agent协商优化问题的快速混沌遗传算法

随着Internet的日益完善和电子商务的普及，如何快速、高效地进行Agent协商是我们必须面对和解决的一个重要问题。文章在Bazaar协商模型下，给出了一种快速混沌遗传算法，该算法首先将混沌机制引入遗传算法，并在搜索中，以具有一定保证的当前最优解为中心不断压缩优化变量的搜索区间，对算法进行加速。这样即克服了遗传算法过早收敛的缺点，又解决了引入混沌后遗传算法收敛慢的问题。仿真实验表明，它是解决Agent协商优化问题的一种快速有效算法。     

遗传算法搜索雷达脉冲重复周期

采用脉冲多普勒体制的雷达需发射多个不同重复周期(PRI)的脉冲组对目标进行探测。在雷达工程中一般采用穷举搜索的方法来优选PRI,计算量巨大。文中研究了遗传算法(GA)搜索雷达PRI方法,针对机载雷达探测空中目标的特点,以速度盲区和距离盲区联合最小作为适应度评价函数,搜索结果具备良好的探测清晰区。通过仿真示例说明了遗传 算法搜索PRI的有效性,并对遗传算法的计算量进行了分析。与穷举搜索法相比,遗传算法大大减少搜索数目,可以快速搜索出满足工程要求的PRI组合,具备良好的工程适用性。     

一种基于多群体搜索的实数遗传算法

遗传算法在解决全局优化问题中起着重要的作用。本文依据部分动物物种在进化过程中的家族特征提出了一种多群体搜索实数遗传算法并且进行了仿真研究。通过仿真可以看,到该算法具有计算量较小,搜索精度高,收敛速度较快,抗早熟能力强,在有多个相同的全局最优点的情况下具有一定的搜索多个全局最优点参数的能力等特点。     

多目标量子编码遗传算法

如何使算法快速收敛到真正的Pareto前沿,并保持解集在前沿分布的均匀性是多目标优化算法重点研究解决的问题。该文提出一种基于量子遗传算法的多目标优化算法,利用量子遗传算法的高效全局搜索能力,在整个解空间内快速搜索多目标函数的Pareto最优解,利用量子遗传算法维持解集多样性的特点,使搜索到的Pareto最优解在前沿均匀分布。通过求解带约束的多目标函数优化问题,对该文算法的多目标优化性能进行了考察,并与NSGAII,PAES,MOPSO和Ray-Tai-Seows算法等知名多目标优化算法进行比较,结果证明了该文算法的有效性和先进性。     

免疫遗传算法及其应用研究

遗传算法是一种导向随机搜索算法,具有较强的全局搜索能力.为克服遗传算法盲目搜索、收敛速度慢的缺点,文章提出了免疫遗传混合算法.利用求解问题特征对遗传算法的种群进行免疫接种,以提高搜索速度.为检验混合算法的效率,给出了经典TSP问题的混合算法.实验结果表明,混合算法具有收敛速度快、搜索精度高、稳健性强的特点.     

基于遗传模拟退火算法的DNA多序列比对研究

针对生物信息学中DNA多序列比对问题,提出了一种基于遗传算法和模拟退火算法相结合的求解算法:在遗传模拟退火算法中,利用模拟退火算法针对遗传算子进行改进来提高算法的效率,由遗传算法进行全局搜索,模拟退火算法用于局部寻优,防止遗传算法的早熟收敛。通过与经典比对算法ClustalX和经典遗传算法进行比对研究,结果表明该算法是有效的。     

改进的遗传算法求解背包问题

为提高遗传算法在解决背包问题时的局部搜索能力,在遗传算法中加入禁忌搜索的思想,用遗传算法做全局搜索,禁忌搜索辅助做局部搜索。文中阐述了遗传算法和禁忌搜索算法的基本思想,并给出了适用于背包问题的模型。通过具体事例测试改进的算法,其结果表明改进后的遗传算法拥有更好的性能和更快的收敛速度。     

基于遗传算法的天线匹配网络研究

遗传算法是模拟生物进化过程而发展起来的一种优化和搜索求解极值问题的自组织、自适应的人工智能技术,其通过对一组编码进行简单的遗传操作和优胜劣汰来指导学习和确定进化的方向.遗传算法提供了一种求解非线性、多模型、多目标等复杂系统优化问题的通用框架.利用遗传算法针对天线匹配网络的设计进行研究,并利用安捷伦科技有限公司的ADS软件针对同一天线设计匹配网络,通过仿真结果证明利用遗传算法设计天线匹配网络的可行性与可靠性.     

逐级目标淘汰量子遗传算法

研究了如何应用量子遗传算法进行图像模板匹配,提出了逐级目标淘汰量子遗传算法.该算法充分利用了量子遗传算法的并行性质,很好地将粗搜索和精搜索结合起来,减少了匹配时间.实验结果证明了该算法的有效性.     

一种新的基于遗传算法的滑动参差MTI滤波器设计

提出一种新的基于遗传算法的滑动参差MTI滤波器优化设计.采用滑动脉冲的方式进行MTI滤波器设计,并利用遗传算法搜索最优参差码,有利于检测陷在滤波器第一零点里的弱目标.同时该滤波器可形成多个凹口以滤去多种杂波,并将盲速推到三倍音速以外.由于采用遗传算法对参差码进行搜索,使运算量大大减少.仿真结果和性能分析验证了算法的可行性和有效性.     

基于改进遗传算法的图像分割

分析了OTSU图像分割算法和遗传算法,针对基本遗传算法在优化OTSU图像分割算法中存在的易于早熟、陷入局部最优的不足,提出了一种基于改进遗传算法的图像分割算法。结合OTSU对遗传算法中的适应度函数进行改进,使得对个体的评价更合理,提高算法的全局搜索能力,避免了遗传算法陷入局部最优。实验结果表明,与基于基本遗传算法的图像分割方法相比,改进的图像分割算法在图像分割中获得的分割效果更佳。     

遗传算法的进展与展望

遗传算法作为一种新的优化搜索方法,被广泛应用于许多优化问题,本文对遗传算法进行了简要概述,主要讲述了遗传算法的特点、现状及进展,并阐述了遗传算法的最新研究领域及未来研究课题。     

ALGA在岸基导弹航路规划中的应用研究

针对基本遗传算法(GA)易局部收敛的缺陷,设计了基于模式搜索的自学习算子,提出一种基于模式搜索的自学习遗传算法(ALGA)。通过仿真测试函数将ALGA与基本遗传算法、自适应遗传算法(AGA)进行比较,显示改进的ALGA提高了算法的综合搜索能力。将改进的ALGA运用到岸基导弹航路规划中,并进行仿真实验,仿真结果验证了改进算法的有效性。     

基于改进遗传算法的多无人机搜索航路规划

针对多无人机对特定区域内的目标搜索问题,提出了一种基于贪婪算法改进变异操作的自适应遗传算法。依据先验情报对搜索区域进行栅格化处理,并结合无人机性能约束建立基于状态更新周期的协同搜索模型;引入类0-1编码将无人机航向控制序列与搜索概率进行关联;考虑到机载雷达对某一区域的重复探测会在一定程度上提高搜索概率,提出加入贪婪算子的贪婪变异策略,并引入策略选择阈值实现依据搜索概率变化对变异策略的动态调整,提高算法后期的局部搜索能力。仿真结果表明,改进的自适应遗传算法整体性能较好,具有较强的搜索能力和鲁棒性。     

基于遗传算法的多峰函数优化

目前,对于整体优化问题已经进行了大量理论研究,并提出了许多基于导数的解析方法和其他非解析的数值优化技术。但是,在实际领域中存在着各种高度复杂的优化问题,其目标函数可能表现为非连续或非处处可微、非凸、多峰和带噪声等各种形式,这类复杂优化问题不适合于采用解析方法,同时用传统上的搜索技术求解也会遇到许多困难。针对上述问题,提出利用遗传算法求解多峰函数的优化方法,新方法利用遗传算法的鲁棒性,对多峰函数进行优化,并用Matlab进行仿真,实验结果表明,遗传算法可以快速稳定地搜索到多峰函数的最优解。     

一种自适应遗传算法及其应用

遗传算法的性能深受算法参数的影响.为提高算法的搜索性能,避免算法在寻优搜索中陷入局部极值,将一种新的自适应遗传算法用于函数优化中,对三个常用的标准测试函数进行了优化,并将其用于立体图像对的匹配中.通过实验与简单遗传算法进行比较,表明该算法提高了搜索性能.     

基于混合遗传算法的多目标问题规划

遗传算法在问题优化中的应用已有了许多研究，但对于大型多目标规划问题而言，由于其问题特性和计算量大而限制了遗传算法的应用。为探索新的问题求解方法，提出了一种基于遗传算法和梯度算法的问题优化混合算法。用梯度法每次迭代得到的结果来改进遗传算法的群体，而用遗传算法的最优个体与梯度算法的迭代解相比较，选择其中的最优点作为梯度法下一步迭代的初始点。通过保持迭代过程的最优解，加快了搜索速度，并保证收敛于全局最优解。算例表明该方法兼具遗传算法的全局搜索能力和梯度算法的局部搜索的特点，且具有良好的工程适应性。     

一种基于遗传算法的协同搜索方法

目前多无人机协同搜索算法存在条件理想、效率较低、难以应用于真实战场环境的问题,针对上述问题,提出一种基于遗传算法的协同搜索方法。首先接收上级侦查情报,绘制目标可能存在的位置;其次生成多边形待搜索区域;然后根据无人机数量、无人机搜索半径以及最小路径原则对搜索区域进行分割;最后采用遗传算法将分割好的目标区域均匀分配给每个无人机,使得多个无人机可以覆盖整个目标区域,达到多无人机协同搜索总时间最短的目的。所提出的方法动态适应战场环境,效率高,占用资源少,可快速部署到多无人机协同搜索应用中。     

基于GA的BP神经网络在多目标优化中的应用

针对传统多目标优化的求解方法通常存在目标权值主观性大,优化目标仅为各目标加权和以及在求解过程中各目标优化的不可操作性等问题,文中提出了一种新颖的多目标优化算法,其将改进后的遗传算法与BP神经网络融合,提出了基于遗传算法的BP神经网络融合算法。该算法将遗传算法与BP神经网络算法相结合,充分发挥遗传算法的全局搜索能力优势和BP算法的局部搜索能力特点,使得多目标优化问题得以求解,加快收敛速度,从而提高了收敛精度。