一种改进的小生境遗传聚类算法

传统的遗传算法具有早熟收敛和后期收敛速度慢的缺点,采用改进的小生境技术解决这一问题,同时根据具体问题改进了遗传算子,并将改进后的小生境遗传算法应用于聚类挖掘中。由于聚类挖掘算法中的K—means算法对初始值K的选取敏感,选取值的不同会导致聚类结果的不同,很容易陷入局部最优,使得聚类结果很差。因此,将改进的小生境遗传算法和K-means算法相结合,得出一种改进的小生境遗传聚类算法。验证表明优该算法对提高聚类分析质量是有效的。     

火力优化分配问题的小生境遗传蚂蚁算法

火力分配问题是NP难题,经典的求解算法存在指数级的时间复杂度。文中提出一种小生境遗传算法与蚁群优化算法相结合的小生境遗传蚂蚁算法,并针对具体问题提出蚂蚁搜索的禁忌规则。对该算法进行了实验,并将实验结果与其他算法进行比较分析,分析结果表明：新算法无论是在优化性能还是在时间性能都取得了非常好的效果。文中算法对其他的NP问题同样适用。     

面向多模态函数优化的改进小生境粒子群算法

为了保持群体多样性以增强全局搜索能力,小生境技术在遗传算法中得到了广泛应用.针对多模态函数优化问题,将小生境技术引入到粒子群算法中,建立小生境熵作为群体多样性的量化指标,实时考查进化过程中群体的多样性并调整进化参数;结合数论中的佳点理论,提出一种在解空间使用佳点搜索的群体多样性发掘方法,使得进化过程中群体多样性水平始终保持在设定的阈值之上,从而改善算法的全局搜索能力以期跳出局部最优;在此基础上提出一种旨在找出全部全局最优解和局部最优解的新型串行多群体小生境粒子群算法.数值实验表明,改进的小生境粒子群算法在求解多模态函数优化问题时具有较好的自适应性和收敛性.将算法应用于图像配准实验中,使得配准参数估计误差有明显降低.     

一种改善遗传算法全局搜索性能的小生境技术

本文分析了基本遗传算法全局搜索效率不高的内在原因,提出了基于相似个体交叉 和（μ+λ）选择机制的小生境并行进化技术,从理论上论证了该技术不但能提供最强的选 择压,而且能维持足够的种群多样性．对高维不连续函数和高维多峰函数优化的仿真实验结 果表明,应用该技术能显著地改善遗传算法的全局收敛可靠性和收敛速度,从而提供了说明 这种小生境技术设计合理性和应用有效性的事实依据．     

基于改进小生境粒子群算法的多模函数优化

在基于粒子群算法的多模优化问题中,针对现存小生境方法需要特定参数的缺陷,提出了一种不需要参数的小生境算法。该算法通过粒子适应度在种群适应度中所占比例以及粒子之间的欧式距离两方面因素确定粒子的局部最优解,并通过每轮迭代中每个局部最优解粒子和以它作为局部最优解的普通粒子的欧式距离的平均值确定出该小生境的半径。在几个广泛的测试函数上的实验结果表明,该算法在收敛速度和成功率方面比需要小生境参数的算法(FERPSO、SPSO)更优秀。     

小生境粒子群优化算法

针对粒子群算法容易早熟收敛和后期收敛速度慢的缺点,结合进化论中小生境技术,提出了小生境粒子群优化算法。通过粒子之间的距离找到具有相似距离的粒子个体组成小生境种群,然后在该种群里面利用粒子群优化算法进化粒子,所有个体经过其小生境群体的进化之后,找到最优的个体存入到下一代的粒子群中,直到找到满意的适应值为止。最后利用Shaffer函数验证了该算法的性能,并且与其他算法进行比较,结果表明该文算法能获得比较好的解,收敛成功率高,并且代价也比较小。     

引导小生境回溯优化算法

回溯搜索优化算法（BSA）是近年提出的一种新型优化算法,针对其收敛速度较慢、易陷于局部最优的缺点,提出了一种基于最优个体引导和小生境技术相结合的改进BSA算法。本方法首先在BSA的变异操作中引入向最优个体学习的策略,以提高算法的收敛速度;其次,设计一种新的小生境排挤技术,根据每个个体到其他个体距离的平均最小值确定小生境半径,排除部分相似性较高的个体;结合群体当前的最差信息,设计一种新的变异方法产生一定数量的新个体补充到新的种群中,维持群体数量的恒定并增强群体多样性。改进的BSA算法充分考虑了算法的收敛速度和群体的多样性,较大地提高了传统BSA算法的性能。对10个典型函数进行仿真测试,并与其他算法结果进行对比,实验结果表明,改进算法在收敛速度与精度方面具有较好的效果。     

面向多模态函数优化的自适应小生境遗传算法

为了解决小生境遗传算法不能准确识别小生境的缺陷,以及算法无法有效平衡快速收敛和保持种群多样性的冲突问题,提出一种自适应小生境遗传算法.在算法中,设计一种改进的小生境识别方法来确定小生境范围,引入用于度量种群多样性的小生境熵概念,并利用小生境熵自适应调整进化参数的取值.同时,改进选择、交叉策略,在识别的小生境基础上将交叉分为境外交叉和境内交叉,用于提高算法的全局搜索能力和局部收敛速度.实验表明,算法对于解决多模态函数优化问题具有收敛速度快和计算量小等优点,能够有效避免遗传漂移现象.     

基于小生境遗传优化的Rao-Blackwellised SLAM算法

同步定位与地图构建（SLAM）是实现机器人自主定位的核心问题之一,Rao-Blackwellised粒子滤波器（RBPF）作为一种SLAM定位的有效方法,被广泛应用在实时定位领域中,但由其随着粒子数目的增加会频繁重采样从而导致“粒子退化”问题。为了解决该问题,改善SLAM性能,该文提出了一种基于改进小生境遗传优化的RBPF SLAM算法INGO-RBPF,采用改进的Rao-Blackwellised粒子滤波器解决SLAM路径估计问题,采用扩展卡尔曼滤波器解决SLAM地图估计问题。最后通过MATLAB仿真表明INGO-RBPF算法具有较高的估计精度和稳定性,抗干扰能力较强,定位较准确,比较适合应用在SLAM实时定位中。     

一种基于小生境技术的群智能粒子滤波算法

针对基本粒子滤波存在严重的退化问题和重采样技术导致粒子枯竭的问题,提出一种新型粒子滤波算法——基于小生境技术的群智能优化粒子滤波算法.通过多模寻优增强粒子的多样性和寻优能力,使得采样后的粒子向高似然区域移动,从而有效地提高了系统状态估计精度.仿真实验表明,该算法是有效而稳定的.     

基于遗传算法的硬聚类算法改进

硬聚类算法HCM求解的结果通常都是局部的最优解,当模糊集合间的运算采用传统定义的时候,它的聚类结果中还会存在无意义的聚类集。本文通过研究表明,在HCM聚类算法中应用遗传算法,可以在一定程度上避免硬聚类算法收敛到局部最优解。因此,本文将遗传算法应用于硬聚类算法,并设计了相应的算法。但是,考虑到本算法实现时的开销 销和效率,又对该算法进行了改进,并最终提出一种新的算法--CHCM聚类算法。测试数据表明,采用改进后的聚类算法的结果90％以上能够取得全局的最优解,远远超过了采用硬聚类算法时所取得全局最优解的次数,证明了本算法的可推广性。     

基于遗传算法的机械优化设计

本文提出了用遗传算法解决轴承优化设计的方法。针对简单遗传算法(Simple Genetic Algorithms，简称SGA)在机械设计中出现的进化过程缓慢问题，采用最优保存策略(Elitist Genetic Algorithm)对计算过程进行处理。同时，针对后代个体不满足约束条件的问题，采用罚函数的方法进行处理。并给出在轴承行业中的算例。     

基于个体优化的自适应小生境遗传算法

针对遗传算法在处理复杂多峰函数优化问题时易于早熟和局部搜索能力差等问题,提出一种基于个体优化的自适应小生境遗传算法。在自适应小生境的基础上,利用进化过程中相邻个体的信息产生的试探点标记的算法进化方向,缩短邻域搜索的区间,提高算法的局部搜索能力。对复杂多峰问题进行的优化实验结果证明,该算法能快速可靠地收敛到全局最优解,其收敛速度和解精度均优于简单遗传算法和其他小生境算法。     

基于遗传算法的最短路径路由优化算法

论述了用启发式遗传算法解决最短路径路由的优化问题,采用可变长度染色体(路由串)和它的基因(节点)应用于编码问题,交叉操作在交叉点进行部分染色体(部分路由)交换,变异操作维持种群的多样性.该算法采用简单维护操作维护好所有的不可行的染色体.交叉操作和变异操作相结合保证了最优解的搜索能力和解的全局收敛性.计算机仿真实验表明该算法快速有效、可靠性高.     

基于遗传算法的最短路径路由优化算法

论述了用启发式遗传算法解决最短路径路由的优化问题.采用可变长度染色体(路由串)和它的基因(节点)应用于编码问题.交叉操作在交叉点进行部分染色体(部分路由)交换,变异操作维持种群的多样性.该算法采用简单维护操作维护好所有的不可行的染色体.交叉操作和变异操作相结合保证了最优解的搜索能力和解的全局收敛性.计算机仿真实验证明该算法快速有效,可靠性高.     

基于遗传算法的最短路径路由优化算法

论述了用启发式遗传算法解决最短路径路由的优化问题.采用可变长度染色体(路由串)和它的基因(节点)应用于编码问题.交叉操作在交叉点进行部分染色体(部分路由)交换,变异操作维持种群的多样性.该算法采用简单维护操作维护好所有的不可行的染色体.交叉操作和变异操作相结合保证了最优解的搜索能力和解的全局收敛性.计算机仿真实验证明该算法快速有效,可靠性高。     

基于遗传算法的神经网络性能优化

遗传算法是一种典型的进化算法。文中分析了遗传算法的特点和神经网络的特点，从而得出了把两种算法结合起来进行应用的思想。运用理论对比的方法，阐明了用遗传算法进行神经网络性能优化的原因，并得出结论，认为用遗传算法进行神经网络性能优化促使了神经网络更进一步的应用。阐述了遗传算法优化神经网络的两种主要方法，论述了遗传算法和神经网络的发展现状和将来的研究动向。     

基于遗传算法的神经网络性能优化

遗传算法是一种典型的进化算法。文中分析了遗传算法的特点和神经网络的特点,从而得出了把两种算法结合起来进行应用的思想。运用理论对比的方法,阐明了用遗传算法进行神经网络性能优化的原因,并得出结论,认为用遗传算法进行神经网络性能优化促使了神经网络更进一步的应用。阐述了遗传算法优化神经网络的两种主要方法,论述了遗传算法和神经网络的发展现状和将来的研究动向。     

基于自适应小生境遗传算法的船型优化

自适应小生境遗传算法能够克服基本小生境遗传算法操作复杂和计算费时的缺陷,同时具有保持种群的稳定性,获取合适的子种群规模,从而更快地获得最优解的特点。为快速获得阻力性能优良的船型,以势流兴波阻力理论Rankine源法为基础,采用自适应小生境遗传算法并结合CAD技术进行船型优化设计。S60船型的优化算例结果表明,采用自适应小生境遗传算法进行船型优化具有可行性。