基于改进遗传算法的模糊C均值聚类算法

针对传统模糊C均值聚类算法（FCM）的缺陷,提出了一种基于改进遗传算法的模糊聚类方法．利用改进遗传算法强大的全局寻优能力,这种算法较好地克服了FCM算法对初始化敏感、容易陷入局部最优的缺陷．仿真实验证明,该算法具有较强的全局寻优能力和较快的收敛速度．     

基于GA的BP神经网络模型的研究及应用

分析了BP神经网络的缺陷和遗传算法的特点，提出了基于遗传算法的BP神经网络模型算法，该算法利用遗传算法全局寻优能力强等特点，可克服神经网络易陷入局部极小值、训练速度慢的缺陷。仿真结果表明：遗传算法和神经网络相结合的算法具有较好的全局快速收敛等性能。     

基于免疫遗传算法的煤与瓦斯突出预测研究

根据影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂的非线性映射关系,建立了突出强度预测的BP网络模型.针对BP网络收敛速度慢和易陷入局部极小值及基于遗传算法的BP网络易出现未成熟收敛问题,提出了一种基于免疫遗传算法(IGA)的BP网络,即利用IGA实现对BP网络的优化.IGA在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.结果表明:将基于IGA的BP网络应用于煤与瓦斯突出强度预测,该算法设计的BP网络具有较快的收敛速度和较强的全局收敛性能,在煤与瓦斯突出预测中取得了良好效果.     

基于混沌遗传算法的移动机器人路径规划方法

结合遗传算法优化的反演性和混沌优化方法的遍历性，基于混沌遗传算法的移动机器人路径规划方法能够有效改善遗传算法的局部搜索能力和搜索精度，避免单纯使用遗传算法规划机器人路径时容易出现的早熟收敛现象．仿真试验表明，提出的路径规划方法在稀疏环境和密集环境下均能收敛到全局最优路径，具有更强的鲁棒性．     

可拓聚类适应度共享小生境遗传算法研究

针对遗传算法易陷入早熟收敛和全局搜索能力差等缺点,提出一种基于可拓理论的小生境遗传算法.算法首先构造了遗传编码物元和可拓遗传算子,然后通过可拓聚类方法实现小生境群体的划分,结合适应度共享技术和聚类代表个体保存策略,维持稳定多样的小生境.仿真实验表明,该算法能可靠、快速地收敛到全局最优解,有效避免早熟收敛,其收敛速度和求解精度均优于简单遗传算法和常规小生境算法.     

SCE-UA、遗传算法和单纯形优化算法的应用

简要介绍了在水文模型参数优选中有代表性的3个算法,即SCE-UA(Shuffled Complex Evolution)、遗传算法和改进的单纯形法,采用基于MATLAB的多次独立的复杂函数全局优化测验,并将3种方法应用于三水源新安江模型参数自动优选,对各优化算法的应用效果进行分析比较,并讨论各算法的收敛速度、计算量以及稳定性和有效性.结果表明SCE-UA综合了遗传算法和单纯形法优点,能够全局一致、快速地收敛到全局最优解,取得了较为满意的结果.     

基于自适应遗传算法的粗糙集属性约简方法

针对遗传算法在全局优化问题中出现的早熟收敛和后期收敛速度较慢的现象,提出了一种基于自适应遗传算法的粗糙集属性约简方法。该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,优化了各个个体被选择的概率。实验表明,该方法能够明显地改善全局寻优能力,并大大加快了收敛速度。     

基于改进遗传算法的系统参数辨识方法

介绍了一种基于遗传算法辨识系统参数的方法,遗传算法是一种基于自然选择和自然遗传学机理的全局搜索学习算法,为了提高算法的优化能力,我们采用了种群迁移以及自适应变异率来改进算法,仿真结果表明,改进的遗传算法辨识系统参数收敛到全局最优,且鲁棒性强,辨识精度高。     

一种改进的基于进化阶段的自适应遗传算法

为改善遗传算法的优化性能,延长种群搜索过程,对基于进化阶段的自适应策略遗传算法进行了改进．改进的自适应策略不仅基于进化阶段,同时基于个体,特别是采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解．实验结果表明,该改进的算法确实延长了算法的搜索阶段,提高了算法的性能．     

基于融合遗传原理的蚁群算法在配电网故障恢复中的应用

本文对配电网的故障恢复问题进行了研究,提出了结合实际的配电网故障恢复目标函数,在分析了遗传算法和蚁群算法的基础上,结合遗传算法和蚁群算法的各自优点,提出了一种将遗传算法融入到蚁群算法的新策略,利用遗传算法的交叉操作产生蚁群算法的新的旅行路径,以此提高蚁群算法的全局搜索能力,构造了基于遗传算法的混合蚁群算法。实例分析表明,该算法具有较快的收敛速度和较强的全局搜索能力,避免了不成熟收敛,有效地提高了故障恢复的速度和精度。     

基于模拟退火遗传算法的PID参数整定与优化

结合模拟退火算法和遗传算法的思想,提出模拟退火遗传算法,用此算法进行PID参数整定与优化．同时使用自适应交叉率、变异率以及适应度拉伸方法对传统遗传算法进行改进．模拟退火遗传算法有效抑制早熟,且具有收敛性快、全局寻优与局部寻优能力．仿真结果表明,基于此算法寻优设计的PID控制器动态品质和稳定性更好、鲁棒性更强．     

小生境遗传算法及其在地球物理

遗传算法在地球物理反演中已经得到越来越广泛的应用,而常规遗传算法存在早熟收敛和后期收敛速度慢的弱点。本文介绍一种基于小生境技术的改进遗传算法,它不但具有良好的收敛可靠性,而且具有较快的收敛速度。文章扼要分析了小生境遗传算法的运行机制,并对遗传算法的收敛性作了详细分析。对给出的三个测试函数和理论地震波速反演的实验数据表明,该算法确实是一种行之有效的遗传算法。     

基于遗传算法RBF网络的波束形成

为寻求自适应阵列天线技术在波束形成准确性和收敛速度上的突破,尝试引入智能控制理论中的优化算法.提出一种染色体长度可调的编码方式,用这种编码方式下的遗传算法同时训练RBF网络的网络参数和拓扑结构,将训练后的RBF网络用于上行链路的自适应波束形成.理论分析和仿真结果表明,染色体长度可调编码方式下的遗传算法是有效的,该算法能够比较准确地逼近理论上的最优权值,提高了算法的收敛速度.     

一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

基于网络拥塞与流量特征的遗传算法实现MPLS流量优化

在保证算法优化能力的同时,通过网络拥塞分析有选择地确定优化对象,缩小解空间,降低算法的复杂度;在保证物种多样性的基础上,根据流量的分布特征,基于一定的概率分布优化初始种群的生成,以加快算法的收敛速度. 分析和仿真结果表明,提出的算法实现简单,基本不需要修改路由协议,收敛速度快,优化效果明显.     

奇异摄动周期边界问题的自适应计算方法

针对椭圆型奇异摄动周期边界方程,提出有效的计算方法,并证明所构造的计算方法是自适应的,随着小参数的变小,网格剖分数目不需要很大,仍可以得到很好的计算效果.讨论边界层的性质,将解的奇性分离为光滑部分和奇性部分,对光滑部分和奇性部分的各阶偏导数进行估计;在Shishkin网格上提出有限差分方法, 证明离散极值原理和一致稳定性;构造相应的闸函数以证明所提方法具有一致收敛性.给出一个数值例子,计算结果表明,计算方法拟合了边界层的性质,也说明理论分析的正确性.所提出的计算方法可应用于类似奇异摄动问题的计算．     

动态变异遗传算法

遗传算法是根据达尔文生物进化理论而提出的一种优化算法。该文提出了一种新的遗传算法,理论分析显示,它不仅能保持遗传种群的多样性,而且能快速收敛。计算机仿真实验证明了改进后的遗传算法能够有效地克服不成熟收敛、进而搜索到全局最优解,并将这种新遗传算法用于BP网络的拓朴结构的优化和连接权值的训练,实例表明了该算法的有效性和可行性。     

期望轨迹可变的非线性时变系统迭代学习控制

针对一类存在扰动的未知非线性时变系统,提出了一种在不同次迭代运行过程中期望轨迹可变的迭代学习控制算法.该算法首先构造含未知参数项的系统逆控制,然后利用小波级数逼近逆系统的未知非线性参数,其最佳逼近系数与系统的期望轨迹无关,最后在迭代过程中通过学习的方法修正小波逼近系数,并采用变结构技术抑制系统干扰的影响,设计了在期望轨迹变化情况下的鲁棒迭代学习控制律.算法的收敛性分析表明,随着迭代次数的增加,逼近系数与最佳系数的差异减小.针对机械臂系统的仿真表明轨迹跟踪误差逐次减小并收敛,说明了算法的有效性.     

非中心差商收敛性与可导性

引入非中心差商极限概念,讨论了非中心差商极限存在与可导的关系,以及对称导数在研究函数性质方面的一些应用。