基于竞争协同进化的改进遗传算法

针对标准遗传算法中的早熟收敛现象,提出一种基于竞争协同进化的改进遗传算法.该算法根据个体与对手竞争的表现来衡量个体的生存能力,生存能力由个体所击败对手的数量和优秀程度决定,个体在击败更多更优对手的努力中逐步进化.函数优化实验结果表明,该算法收敛速度快,且能有效保留种群多样性,与标准遗传算法及其他多种群遗传算法相比,能有效减轻早熟收敛现象.     

基于改进遗传算法的关联挖掘方法研究

数值型关联规则挖掘是最优化问题而不是简单的离散问题,在大型数据库中挖掘数值型属性的关联规则具有一定的难度。为解决该问题,提出一种基于改进遗传算法的数据挖掘方法。针对数值型属性和布尔型属性的混合数据,设计一种分类并分界的编码方法;适应度函数采取范围收缩的策略,使属性边界向更精确的方向逼近;在此基础上设计出相应的交叉和变异算法,避免遗传算法的局部收敛和早熟问题;最后通过实例检验该算法的可行性。     

基于自适应选择策略的人工蜂群算法

由于适应度比例选择法在进化过程中使得蜜源的多样性受限和早熟收敛.因此,按照蜜源当前的性状提出了一种基于自适应选择策略的蜂群算法(SABC)来动态地调节选择压力,使算法的全局搜索和局部搜索能力达到平衡.从测试函数的仿真结果表明:改进的人工蜂群算法很大地提高了蜂群算法的寻优能力,在收敛速度和精度上优于基本蜂群算法.     

基于改进遗传算法排课系统应用研究

针对复杂的排课问题,结合高校实际排课需求,本文将排课问题抽象成一个计算机可以求解的多约束多目标组合优化问题。建立排课问题数学模型,引入遗传算法,提出一种改进的算法方案来求解排课问题。同时,设计了染色体编码和适应度函数,采用自适应参数调整的交叉概率和变异概率,讨论了遗传算法在排课系统中的应用,并采用Matlab工具进行仿真实验。仿真结果表明,改进遗传算法平均适应度值高于传统遗传算法平均适应度值,收敛性好,提高了全局搜索能力,与传统的遗传算法相比,能更有效的解决高校排课问题。该研究可以较好地解决排课问题。     

基于自适应遗传算法模糊PID控制器参数优化

该文针对自适应模糊控制器的多参数优化问题,提出一种自适应遗传算法同时优化模糊规则和隶属函数的方法.先对隶属度函数和控制规则进行联合编码,遗传进化前期采用锦标赛精英保留,后期采用基于轮盘赌的非线性选择方法,保留了种群中较优个体,提高种群的多样性.采用一种自适应交叉变异算子,使交叉变异概率根据进化过程不断自动调整,避免算法...     

基于结构和参数自适应的改进遗传算法

目的研究一种新的自适应寻优机制，以避免遗传算法早熟．方法在参数自适应基础上引入结构自适应思想。利用种群早熟判别的熵准则，当种群收敛于局部最优时，转换算法结构为先变异后交叉，同时辅之以参数自适应方法使之跳出局部最优．结果数值实验表明，算法的结构自适应可有效避免早熟，与参数自适应配合使用，能明显提高算法的全局寻优能力．结论基于结构和参数自适应的改进遗传算法是可行的、有效的．     

一种基于排挤机制的改进遗传算法

为解决遗传算法求解具有多个极值点的函数时容易出现的早熟的弱点,根据排挤机制,提出了一种改进的遗传算法。该算法采用分组选择的方式,首先按适应度大小进行分组,然后根据个体间相似度来淘汰种群中相似个体,以此维持种群的多样性,避免算法未成熟收敛。用典型函数对算法进行测试,结果表明该算法性能优于基本遗传算法。     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

基于改进粒子群算法的电力系统无功优化

简单介绍了基本的粒子群算法,阐述了在电力系统无功优化中的数学模型和变量的约束条件。对于粒子群算法容易陷入局部最优解和后期收敛速度比较慢的问题提出了两个改进的方法,并且在IEEE-6节点系统上进行仿真实验,证明了本算法的可行性和优越性.     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

基于改进免疫遗传算法的网格任务调度

为改进网格计算中任务调度的低效问题,采用十进制的实数编码规则产生初始抗体群,由免疫遗传算法经过克隆和变异算子生成资源集合中的蚁群信息素,进而利用蚁群算法的并行性展开全局搜索,通过CloudSim仿真平台进行模拟,与粒子群算法及蚁群遗传算法进行对比,结果表明,改进的免疫遗传算法能够大幅提高网格计算任务调度效率,有效地解决网格任务调度问题.     

基于遗传算法的宽带匹配网络设计

根据实际使用要求,运用遗传算法设计天线宽带匹配网络,同时兼顾了带宽和效率.设计过程中对目标函数以及适应度函数的选取进行了讨论,并结合射频仿真软件ADS,仿真分析了宽带匹配网络.设计结果表明,天线在带宽范围内端口驻波比小于1.6(VSWR＜1.6)同时效率达到了35%以上,证明了遗传算法是一种有效的设计匹配网络方法.     

一种基于改进的遗传算法的关联规则挖掘及应用

基于遗传算法主要集中应用在数据挖掘分类系统方面的特点,提出了一种改进的遗传算法以对关联规则进行挖掘,并对遗传算法的5个要素在使用过程中进行了相应的分析选择、设计和改进,最后将其应用到农业气象数据库的灾害分析中。试验结果表明了该方法具有一定的有效性。     

基于遗传算法的企业种群进化能力评价

从企业种群的基本内涵入手,阐述企业种群进化的内涵和模式,并基于企业种群的刺激-意识-反应进化模式,运用遗传算法对企业种群的进化能力进行评价,提出企业种群进化能力的途径.个体企业每经过一次遗传操作都会有适应度较低的基因(评价指标)被适应度较高的基因(评价指标)所替代;企业种群经过选择、交叉、变异的遗传操作,保持最适应环境变化、进化能力较强、具有与环境保持互动的战略机制、战略能力最强的企业,经过这样重复的过程,最终能够达到企业种群进化能力的最优.     

基于改进遗传算法的QoS移动网格任务调度

移动网格环境具有高度的动态性,任意时刻都可能发生资源的变化,任务调度因此变得复杂,提出了一种面向服务质量(QoS)的移动网格任务调度策略.建立资源和任务模型,定义任务优先级,将任务分成若干子集,子集内调度采用改进遗传算法,选取时延和跨度为QoS指标,编码和遗传操作上体现资源对任务QoS的匹配调度,使最优解尽力满足任务QoS;同一资源上分配的任务,按优先级顺序执行.仿真结果表明,调度算法可以较好地满足用户的QoS,调度跨度也较优.     

多种遗传算法在函数优化方面的性能比较分析

进行了4种常用的遗传算法（适值函数标定遗传算法、顺序选择遗传算法、两点交叉遗传算法和自适应遗传算法）在求函数最优解问题上的性能比较分析,并采用MATLAB进行仿真。仿真结果表明,除两点交叉遗传算法外,在求函数最优解问题上适值函数标定遗传算法、顺序选择遗传算法和自适应遗传算法均表现出了较好的稳定性,同时所求得的函数最优解均较准确。其中,顺序选择遗传算法在求函数最优解方面性能最好。     

基于自适应遗传算法的图像匹配

为了解决图像匹配中计算速度慢和匹配精度不高的缺陷，提出了一种基于自适应遗传算法(AGA)的匹配方法，该算法与传统遗传算法的不同在于其交叉概率和变异概率随个体的适应度值而变化，避免了后者易陷入局部极值的缺陷，从而增强了算法的快速性和全局收敛性能．图像与模板的相关值是一多峰值函数，模板匹配实质上是多峰值寻优过程．将AGA应用到图像匹配，是以相关值为适应度函数，通过选择、交叉、变异等遗传操作，对遗传个体进行迭代寻优，找出图像中的最佳匹配点．实验结果表明，基于该算法的图像匹配具有运算量小、匹配精确等优点，且算法稳定．     

Pattern synthesis optimization of 3-D ODAR based on improved GA using LSFE method

Pattern synthesis in 3-D opportunistic digital array radar(ODAR) becomes complex when a multitude of antennas are considered to be randomly distributed in a three dimensional space.In order to obtain an optimal pattern,several freedoms must be constrained.A new pattern synthesis approach based on the improved genetic algorithm(GA) using the least square fitness estimation(LSFE) method is proposed.Parameters optimized by this method include antenna locations,stimulus states and phase weights.The new algorithm demonstrates that the fitness variation tendency of GA can be effectively predicted after several "eras" by the LSFE method.It is shown that by comparing the variation of LSFE curve slope,the GA operator can be adaptively modified to avoid premature convergence of the algorithm.The validity of the algorithm is verified using computer implementation.     

高速交换网络中基于综合优先级计算的调度及路由算法

针对输入缓存的交换结构,提出了一种将时延与丢失率相结合计算分组优先级的算法CPC．分组所属队列的队列长度值被分段离散化,与分组的时延优先级进行非线性加权,从而得到既能够反映分组时延又能反映分组队长动态变化的优先级．在此优先级的基础上,提出了输入缓存交换结构中能够兼顾分组时延与分组队长的分组调度算法．将此调度算法用于单Crossbar交换单元和Clos网络,并提出了在Clos网络中按照优先级均衡负载的路由算法．仿真结果表明,该调度算法与路由算法可以在满足实时性分组时延要求的同时有效地减小分组的丢失率．