改进的量子遗传算法及应用

针对量子遗传算法在函数优化中迭代次数多,容易陷入局部最优解等缺点,提出新的量子遗传算法.该算法的核心是采用新的量子旋转门调整策略对种群进行更新操作,有效保证了种群的多样性,可以避免算法陷入局部最优解,提高了算法的全局寻优能力.同时能以更快的速度收敛于全局最优解.通过对典型复杂函数测试,计算结果表明,提出的算法优化质量和效率都要优于传统遗传算法和一般量子遗传算法.     

免疫遗传蚁群融合算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中,利用免疫算法的局部优化能力和遗传算法的全局搜索能力,来提高蚁群系统的收敛速度。该算法通过遗传算法的选择、交叉、变异操作和免疫算法的自适应疫苗接种操作,有效地解决了蚁群系统的易陷入局部最优和易退化的缺点。通过对旅行商问题的仿真实验表明该算法具有非常好的收敛速度和全局最优解的搜索能力。     

基于免疫遗传算法的关系型数据库查询优化技术

在关系型数据库的查询过程中,表的不同连接次序是执行计划多样性的最主要原因。查询优化器必须能够通过一定的算法确定一个好的连接的次序,以便对查询路径进行优化。遗传算法的出现为求解查询优化问题提供了新的工具。但是遗传算法具有局部搜索能力不强、个体多样性差及早熟现象等缺点,导致解的质量不够理想。针对遗传算法的缺陷,本文引入结合免疫系统原理和遗传算子自适应调整的算法,即免疫遗传算法。该算法具有可防止未成熟收敛和保证种群的多样性等优点。在使用此算法搜索最优解时,可防止陷入局部寻优情况的出现。经过实验计算,免疫遗传算法对多连接查询优化有很好的效果,优化后的查询代价较遗传算法有很大的降低。     

基于免疫遗传算法的排课方法的研究

在排课问题中引入免疫遗传算法,即基于免疫算法和遗传算法的优化算法,该算法具有可防止未成熟收敛和保证种群的多样性等优点。使用此算法搜索最优解时,可防止陷入局部寻优情况的出现。针对排课问题的复杂性,给出了排课问题的数学模型并提出基于免疫遗传算法的解决方案。结果表明,该算法能比较有效地解决排课问题。     

一种基于混合PSO的投影寻踪动态聚类模型

针对粒子群算法容易陷入局部最优解,将遗传算法的交叉和变异引入到粒子群算法中。根据不同的收敛情况及交叉和变异的特点使用两种算子,提出一种既能预防陷入局部最优解又能跳出局部最优解的混合粒子群算法,将该算法应用到投影寻踪动态聚类模型中来优化投影方向,得到近似最好的投影寻踪动态聚类模型。实验证明,相对于原始粒子群算法,该方法可以有效地避免陷入局部最优解,而且投影效果也更好。     

基于免疫遗传算法的关系型数据库查询优化技术

本文引入结合免疫系统原理和遗传算子自适应调整的算法,即免疫遗传算法。该算法具有可防止未成熟收敛和保证种群的多样性等优点。在使用此算法搜索最优解时,可防止陷入局部寻优情况的出现。经过实验计算,免疫遗传算法对多连接查询优化有很好的效果,优化后的查询代价较遗传算法有很大的降低。     

一种混合的GOA-GA优化算法

本文融合了网格算法(GOA)和遗传算法(GA),形成了一种混合GOA-GA算法进行函数优化问题的求解。网格算法作为一种定向的全局搜索算法,避免了大量的盲目搜索过程,同时不易陷入局部最优。遗传算法作为局部搜索能力较强的智能优化算法,在一些全局较好群体的基础上,采用随机优化技术能够较快地收敛到全局最优解。通过数值试验特别是对高维优化问题,算法体现出收敛速度快、精确性高、不宜陷入局部最优等优点。     

基于 Pareto 的多目标免疫算法的产品方案设计研究

针对遗传算法、蚂蚁算法在进行方案优化过程中存在过早收敛、容易陷入局部最优解等的缺陷,提出了基于Pareto 的多目标优化免疫算法的产品方案设计方法,介绍了具体的编码规则,建立了方案的多目标优化模型,并给出了具体执行步骤。此方法在一次优化设计过程可获得多个最优方案。     

基于遗传的免疫算法在函数优化中的应用

通过对传统免疫算法的研究,在此算法的基础上提出了一种改进的免疫算法一基于遗传的免疫算法,该算法把遗传算法的思想引入到免疫算法中．通过把遗传算法和免疫算法的思想结合起来,既保证了抗体的多样性又保留了群体中较优抗体,避免了免疫算法搜索速度慢和遗传算法易出现未成熟收敛、限于局部最优解的缺点,得到了全局最优解。并且将提出的基于遗传的免疫算法应用到函数优化中。     

基于遗传的免疫算法在函数优化中的应用

通过对传统免疫算法的研究,在此算法的基础上提出了一种改进的免疫算法—基于遗传的免疫算法,该算法把遗传算法的思想引入到免疫算法中,通过把遗传算法和免疫算法的思想结合起来,既保证了抗体的多样性又保留了群体中较优抗体,避免了免疫算法搜索速度慢和遗传算法易出现未成熟收敛、限于局部最优解的缺点,得到了全局最优解。并且将提出的基于遗传的免疫算法应用到函数优化中。     

免疫遗传算法的研究及其在函数优化中的应用

本文提出的免疫遗传算法引入了免疫记忆环节和抗体浓度调节环节,它能很好的保证抗体的多样性,避免陷入局部极小和出现早熟收敛现象。通过对多峰值函数优化的研究,结果表明,本文所提出的算法具有较好的优化效果。     

解优先级约束并行机调度问题的人工免疫算法

针对家纺企业车间调度的实际情况,建立了优先级特殊工艺约束下并行多机拖后调度模型,并提出一种新颖的人工免疫算法对其求解。该算法是依据生物的免疫机理,将目标函数作为抗原,将问题的解作为抗体,对抗体采用向量组编码的方式进行编码,通过克隆、变异及一种新颖的基于浓度的种群多样性更新选择方法,提高了种群多样性,并通过局部搜索改善了种群质量,加快了收敛速度。仿真结果表明,与遗传算法相比较,该算法能更快更准确地收敛到全局最优解。     

基于免疫遗传算法和梯度下降的RBF网组合训练方法

免疫遗传算法除了具有简单遗传算法的全局寻优能力外,还具有免疫记忆、免疫调节及多样性保持功能。梯度下降算法训练神经网络收敛速度慢,容易陷入局部最优,且受初始值的影响较大。本文综合两种方法的优点,提出一种用免疫遗传算法结合梯度下降算法的组合训练方法,用于RBF网的训练,并通过实验证明所提出的组合算法比简单遗传算法结合梯度下降组合算法的速度更快并且最终误差更小。     

基于多种群的多目标免疫算法

借鉴遗传算法中采用并行机制避免局部收敛的思想,提出了一种基于多种群的多目标免疫算法。在该算法中建立多个子种群分别进行免疫操作,子种群之间通过优秀个体转移进行信息交换,可有效地提高种群的多样性,加速收敛。采用几种典型的多目标优化函数进行实验,并同常用的多目标遗传算法NSGA-II进行比较,仿真结果表明了该算法能有效解决多目标优化问题且具有一定的优越性。     

基于混沌理论的免疫遗传算法

为提高免疫遗传算法的运算效率,根据免疫系统本身的混沌特性,提出了一种混沌免疫遗传算法。该算法利用混沌系统的遍历性来减少数据冗余,利用混沌系统的初值敏感性来扩大搜索范围,从而保持了种群的多样性,避免了局部最优。实验表明,该算法比传统的免疫遗传算法具有更高的收敛速度及收敛性能。     

.基于规则提取量的Web日志关联规则挖掘方法*

引入规则提取量的度量标准,提出一种基于免疫多克隆遗传策略的Web日志关联规则挖掘方法。该算法在遗传算法的基础上引入免疫多克隆算子,有效地克服了遗传算法容易陷入局部最优的缺点,具有更强的全局与局部搜索能力。实验结果表明,该算法能高效地解决Web日志关联规则挖掘问题。     

搜索空间代换法及其在城市交通控制中的应用

针对常用遗传算法局部搜索能力差，导致计算速度缓慢、精度差等问题，提出一种搜索空间代换的新遗传算法。该算法保留了普通遗传算法的全局搜索性能，并通过多次搜索空间的代换提高了局部搜索能力。改进后的新方法在每次代换后只需改变解码规则，不得重新编码，也不得增加编码的长度，从而保证了计算效率。采用该方法对城市多车道、四相位的动态交通网络控制策略进行了多目标优化计算。应用结果表明，采用新的遗传算法可在同等情况下减少车辆堵塞，提高城市交通网络的运行能力。