遗传归纳逻辑程序设计的个体编码生长现象

遗传归纳逻辑程序设计(GILP)的个体编码生长现象严重影响了算法的性能和规则的可读性．通过对变长编码的模式分析，解释了GILP的个体编码生长现象．并发现，若从初始种群开始添加长度惩罚项来解决个体编码生长问题，种群会出现退化现象．而采取在演化的初期不添加惩罚项，在种群的性状有了明显改善后再添加惩罚的策略，既可避免种群退化，又可有效解决个体编码生长问题．     

生成树编码遗传算法种群退化分析及抑制方法

种群退化现象导致了遗传算法对解空间区域进行重复搜索,从而降低了算法的搜索效率和延缓了算法的收敛,这源于重组算子、采样误差和变异算子的反作用力。通过对生成树编码遗传算法的研究,分析了重组算子的种群退化现象。证明了在解决固定费用运输问题时,重组算子发生种群退化现象的一个充分条件及其概率。针对种群退化现象提出了基于概率选择模型抑制算法（Probabilistic Selection Model Crossover,PSDC）,对其有效性进行了分析证明。与小生境技术相比,它具有可以通过控制选择概率来抑制种群退化和不需要额外的时间开销两大优势,这为遗传算法的设计和应用提供了理论研究依据。     

采用改进的混合遗传算法求解高校排课问题

为了解决一个存在大量合班现象的高校排课问题,建立了相应的数学模型并采用改进的混合遗传算法进行了求解。在产生初始种群的过程中进行了乱序处理,以提高初始种群中个体的多样性,避免早熟收敛现象的发生;为了防止种群的退化,引入了保留最优个体策略和竞争机制;根据问题的特点设计了与之相适应的遗传算子;为了提高种群进化的效率,交叉概率和变异概率都使用了自适应参数;为了提高算法的局部搜索能力,在交叉操作阶段采用了模拟退火算法。通过Matlab与Access混合编程,实现了对大规模数据的高效处理。实例结果表明,该算法能够有效地解决存在合班现象的高校排课问题。     

基于外点法的混合遗传算法求解约束优化问题

提出了一种求解约束优化问题的混合遗传算法。它不是传统的在适应值函数中加一个惩罚项，而是在初始种群、交叉运算和变异运算过程中，把违反约束条件的个体用外点法处理设计出新的实数编码遗传算法。数值实验证明，新算法性能优于现有其他进化算法，是通用性强、高效稳健的方法。该方法兼顾了遗传算法和外点法的优点，既有较快的收敛速度，又能以非常大的概率求得约束优化问题全局最优解。     

基于结构矩阵的电路网表编码方法的研究

在模拟电路演化领域,电路知识表示是首要解决的问题。网表编码操作简单,对于拓扑结构没有限制,但是网表编码会在种群初始化和遗传操作过程中产生大量的非法电路个体。为解决这一问题,提出结构矩阵,并总结出合法电路结构矩阵所具有的性质,以结构矩阵为规范设计出合适的种群初始化步骤和能够用于网表编码的结构交叉算子,通过演化来验证效果,实验结果显示该方法能够较好地解决网表编码所存在的问题。     

高维0-1背包问题的双种群角度调制DE算法

针对高维0-1背包问题,提出一种双种群新型DE算法。该算法采用双种群编码机制,其中一个为低维的实数编码种群,另一个为高维的二进制编码种群。借鉴通信领域的角度调制原理,通过低维种群中的个体,生成高维种群个体,实现将高维优化问题转换到低维空间进行优化求解。此外,新定义丢弃算子对演化过程中的不可行解实时进行修正。仿真实验结果表明了该算法求解高维0-1背包问题的有效性。     

一种基于改进遗传算法的图着色算法

针对基于行结构的整数编码遗传算法在求解图着色问题时存在的2个主要问题：编码冗余引起的性能下降和遗传算法易“早熟”陷入局部最优,本文给出一种新的适应度值计算函数,能够使遗传算法对冗余编码获得相同的适应度值,从而将冗余编码作为同一编码处理,减少对冗余编码的无效操作,并且在此基础上,设计与适应度函数相适应的遗传算子,这些算子一方面能使遗传算法在前期产生优秀个体并且维护优秀个体对种群进化的引导作用,加速遗传算法的收敛;另一方面能在遗传算法后期对优秀个体进行爬山优化,弱化优秀个体对种群进化的控制作用,使遗传算法能够收敛到全局最优解。实验结果表明,本文的算法能够准确解决图的点着色问题,并且在时间性能上要优于穷举法和基本遗传算法。      

基于交叉模型的改进遗传算法

提出一种解决早熟收敛问题的改进遗传算法. 通过最小生成树聚类将种群划分为若干个子种群, 子种群内的个体之间及不同子种群间的个体之间同时进行遗传操作. 同子种群间个体的遗传操作可以保证算法的进化方向和收敛速度, 不同子种群间个体的遗传操作可以避免近亲繁殖, 提供多样性. 分别采用二进制和实数编码, 在经典的 23 个基准函数上的对比测试结果表明, 所提出算法具有较好的收敛速度和寻优能力.

     

解决移动计算位置管理问题的差分进化算法

提出了一种解决位置管理问题的差分进化算法,给出了一种将采用浮点编码的种群个体映射为问题解的方法、基于问题特性的种群初始化启发式方法,以及早熟收敛问题的解决策略.基于随机生成的数据对算法进行了模拟实验,将该算法的结果与遗传算法、禁忌搜索算法及蚁群算法进行了对比.     

基于改进遗传算法的多机协同多目标分配方法

针对复杂三维环境中多无人机协同多目标分配问题,在飞行代价函数建模的基础上,提出了一种改进遗传算法。首先通过引入启发式信息和采用随机生成的方法构造初始种群,保证了初始种群的多样性和高适应性;然后构造适应度函数,加入惩罚项排除不满足约束条件的方案;接着进行遗传操作,将变异产生的个体组成新的种群,把新种群中性能优异的个体加入到初始种群中,使初始种群个体种类更加丰富,扩大了解的范围。设计实验将改进遗传算法与基本遗传算法和差分进化算法进行了对比,实验结果表明,改进遗传算法在无人机与目标不同的数量关系下,都能够得到合理的分配方案;改进遗传算法有效改善了早熟问题,并具有更快的收敛速度,适合于求解多无人机多目标分配问题。     

An Analysis of the Causes of Code Growth in Genetic Programming

This research examines the cause of code growth (bloat) in genetic programming (GP). Currently there are three hypothesized causes of code growth in GP: protection, drift, and removal bias. We show that single node mutations increase code growth in evolving programs. This is strong evidence that the protective hypothesis is correct. We also show a negative correlation between the size of the branch removed during crossover and the resulting change in fitness, but a much weaker correlation for added branches. These results support the removal bias hypothesis, but seem to refute the drift hypothesis. Our results also suggest that there are serious disadvantages to the tree structured programs commonly evolved with GP, because the nodes near the root are effectively fixed in the very early generations.     

区间适应值交互式遗传算法神经网络代理模型

为了解决交互式遗传算法的用户疲劳问题,提出区间适应值交互式遗传算法神经网络代理模型．首先,对用户已评价个体的基因型及其适应值进行采样以训练神经网络,使其逼近区间适应值的上下限;然后,利用神经网络代理模型,评价后续的部分进化个体,并不断更新训练数据和代理模型,以保证逼近精度;最后,对算法性能进行了定量分析,并将其应用于服装进化设计系统．分析结果表明,所提算法在减轻用户疲劳的前提下,具有更多找到满意解的机会．     

采用概率选择的自适应多目标粒子群算法

针对多目标粒子群算法进行了收敛性和分布性分析,提出了一种应用概率分配的自适应调整惯性因子的粒子群优化算法。该算法通过粒子非劣排序的支配等级,设定个体的适应度数值,为增强最优解集的分散性,采用拥挤距离对适应度进行惩罚,进而根据概率选择比较获取相应的最优个体;同时算法根据粒子个体所处位置以及相应的迭代次数,对惯性因子进行了自适应调整,增强了算法的收敛性。最后通过测试函数对改进算法进行了效果验证,表明了算法的有效性。     

基于二进制GA的B样条重构曲线节点优化

带法向约束的自由曲线曲面重构在光学反射面设计中起至关重要的作用.本文为解决法向约束下的曲线重构问题提出了一种优化方案,使得重构出的曲线在逼近数据点的同时,亦能满足相应法向约束.首先,利用惩罚函数的方法将带法向约束的优化问题转化为无约束的优化问题.然后,引入二进制编码的遗传算法（GA）,建立合适的适应度函数,自适应产生优化节点向量,如此迭代进化,直到产生令人满意的重构曲线为止.考虑到节点向量非递减的特性,而遗传算法在寻找最优节点向量的过程中有可能打乱节点向量的顺序,所以在建立适应度函数的时候将变量调整为无序有界变量.通过与传统最小二乘方法和粒子群智能优化方法的比较,本文方案在解决带法向条件约束的曲线重构问题上优势明显,且对于任意形状的曲线重构都行之有效.     

一种关系积和遗传算法相结合的属性约简算法

属性约简是粗糙集(rough set,RS)理论进行规则提取中的重要步骤之一.决策表的最小属性约简是NP-hard问题.遗传算法(genetic algorithm,GA)是求解此类问题的有效方法之一,但在利用遗传算法求解属性约简过程中,需要计算各个个体的适应度,每计算一个个体的适应度,需要根据该个体代表的属性组,组织决策表,对组织后的决策表进行扫描,这样,算法就需要多次对决策表进行操作,影响到算法的执行效率.我们基于集合理论,提出了关系积概念,把决策表的属性约简过程转化为关系积的运算,利用关系积计算遗传算法各个体的适应度,不需要扫描决策表,避免了对决策表的操作,提高了遗传算法求解属性约简的效率,通过实例对这一算法进行了详细的描述.     

Reversible debugging using program instrumentation

Reversible execution has not been fully exploited in symbolic debuggers. Debuggers that can undo instructions usually incur a significant performance penalty during a debugging session. We describe an efficient reversible debugging mechanism based on program instrumentation. The approach enables repetitive debugging sessions with selectable reversible routines and recording modes. Experimental results indicate that the execution penalty can be significantly reduced with moderate code growth     

融入神经网络的路径覆盖测试数据进化生成

利用遗传算法生成复杂软件的测试数据,是软件测试领域一个全新的研究方向.传统的基于遗传算法的测试数据生成技术,需要以每个测试数据作为输入运行被测程序,以获得个体的适应值,因此,需要消耗大量的运行时间.为了降低运行程序带来的时间消耗,提出一种基于神经网络的路径覆盖测试数据进化生成方法,主要思想是:首先,利用一定样本训练神经网络,以模拟个体的适应值;在利用遗传算法生成测试数据时,先利用训练好的神经网络粗略计算个体适应值;对适应值较好的优秀个体,再通过运行程序,获得精确的适应值.最后的实验结果表明,该方法可以有效降低运行程序产生的时间消耗,从而提高测试数据生成的效率.     

Accelerating fuzzy genetic algorithm for the optimization of steel structures

In this paper, the combination of a genetic algorithm and fuzzy logic is used for different types of optimization problems (sizing, topology and geometry) in steel structures. The primary objective is to introduce a new fitness function that uses a real value for the overall satisfaction parameter. By considering a real value instead of a random value for the overall satisfaction parameter, the probability of reaching the global optimum increases. In addition, to decrease the Computation time and to accelerate the convergence rate in the optimization process, a penalty function is added to the fitness function. Also, in spite of the previous methods, fuzzy GA is applied from the first generation of optimization problems. Furthermore, for this process, a similar bilinear membership function is used for the objective function and the constraints. The efficiency and robustness of the proposed approach is demonstrated by several illustrative examples and the results are compared to those of previous studies.     

基于遗传优化的PCA-SVM控制图模式识别

针对SVM和PCA-SVM进行质量控制图模式识别时泛化能力不足和识别精度不高的问题,提出一种基于遗传优化的PCA-SVM控制图模式识别方法。该方法的基本思想是首先基于特征子空间降维方法,运用PCA算法对原始特征样本进行主元分析,有效降低原始特征样本维数并突出聚类,提取各模式之间的主元特征;然后把此特征看成遗传算法中一组染色体,对支持向量机分类器核参数和惩罚因子进行二进制编码,通过对随机产生的一组染色体进行模式识别,并将此识别率作为遗传算法的适应度函数,通过选择、交叉和变异操作,对其参数进行自适应寻优;最后用优化的支持向量机分类器进行控制图模式识别。通过仿真进行验证,结果显示基于遗传优化的PCA-SVM分类器模型的控制图模式泛化能力强、识别精度高,可适用于生产现场质量控制。