一种多策略并行遗传算法研究

针对传统遗传算法工程应用性能不足的特点,提出一种多策略并行遗传算法以增加算法的群体多样性及提高算法的鲁棒性;采用8个不同策略为并行遗传算法的分支遗传操作进行群体寻优,并将分支的群体采用自适应迁移策略实现最优个体的合理迁移,以分支群体的适应度为算法终止条件,实现群体寻优;利用连续单峰函数、连续多峰函数等多个函数进行平均收敛代数等参数进行算法测试,结果表明算法的鲁棒性、收敛性、稳定性及优化能力较传统遗传算法有较大的提高,该算法具有较强的工程应用性能.     

一种多策略并行遗传算法及其收敛性分析

为解决传统遗传算法收敛速度慢、群体多样性不足的缺陷,提出了一种多策略并行的遗传算法;算法采用多策略并行处理的方式,产生不同策略模式下的个体,增加群体的多样性,再经过自适应迁移策略,提高算法的收敛速度;利用Markov链模型分析多策略并行遗传算法的收敛性;采用旅行商函数进行算法测试,结果表明改进算法的收敛性较传统遗传算法有较大的提高,具有较强的工程应用性能。     

一种基于混沌迁移的伪并行遗传算法及其应用

为了解决遗传算法寻优过程中的早熟收敛问题 ,本文提出了一种基于混沌迁移策略的伪并行遗传算法 ,该算法针对实时性要求不高的优化问题采用串行的算法结构实现分解型并行遗传算法的“独立进化、信息交换”思想 .在并行进化的个体异步迁移过程中 ,引入了混沌迁移序列引导个体迁移过程 ,利用其遍历性和随机性 ,保证了子种群之间能够进行充分高效的信息交换 .仿真研究和在库存优化方面的应用研究表明 ,这种算法具有很强的全局搜索能力 ,寻优效率高 ,有效克服了标准遗传算法的早熟收敛问题 .     

一种新并行遗传算法及其应用

基于量子计算的概念和原理，本文提出一种新并行量子遗传算法，即粗粒度并行量子遗传算法(CGPQGA)。该算法的核心是引入层环粗粒度并行计算模型和一种新进化策略。由于CGPQGA只需迁移搜索到的最佳个体到各个子群体，因而算法的通信开销很小。通过用CGPQGA设计控制器的应用实例表明，CGPQGA优于常规并行遗传算法，能加速子群体中最佳个体的迁移，收敛速度快，全局寻优能力强，同时具有勘探和开采的能力。     

基于并行遗传算法的规则发现研究

阐述了传统遗传算法的基本思想、原理和步骤及其在数据挖掘(规则集发现)中的应用,给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示、适应度函数定义等,继而提出多种群并行进化结构,利用精英重组策略,产生池进化模型以及自适应参数的手段调整并行遗传算法进行数据挖掘。在算法具体实现过程中,采用了动态变异交叉概率等方法,有效避免了并行遗传算法中早熟现象的发生。以北美香菇数据为例,进行并行遗传算法挖掘分类规则,实验说明了该算法在发现和进化规则方面的有效性。     

基于并行遗传算法的规则发现研究

阐述了传统遗传算法的基本思想、原理和步骤及其在数据挖掘(规则集发现)中的应用,给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示、适应度函数定义等,继而提出多种群并行进化结构,利用精英重组策略,产生池进化模型以及自适应参数的手段调整并行遗传算法进行数据挖掘.在算法具体实现过程中,采用了动态变异交叉概率等方法,有效避免了并行遗传算法中早熟现象的发生.以北美香菇数据为例,进行并行遗传算法挖掘分类规则,实验说明了该算法在发现和进化规则方面的有效性.     

基于群体适应度均值商的自适应遗传算法

在系统分析和研究自适应遗传算法特点的基础上,提出一种基于群体适应度均值商的自适应遗传算法.一方面,算法设计了群体早熟收敛的定量计算公式和引入了早熟收敛的判定阈值;另一方面,算法采用了改进的交叉和变异策略,即对陷入局部收敛的群体,依据平均适应度值将其一分为二:对性能优于平均适应度者实施先变异后交叉,而对性能劣于平均适应度者实施先交叉后变异.该算法应用在函数优化中,仿真结果表明其能有效提高全局寻优的性能,且鲁棒性好.     

基于渗透原理迁移策略的并行遗传算法

通过分析影响并行遗传算法性能的诸多因素，以避免人为设置迁移代频、迁移率及迁移方向为问题的突破口，以减少通信量提高算法效率为主旨，提出一种基于渗透原理的迁移策略(Migration Scheme Based On Penetration，PMS)．PMS迁移策略源于渗透模型，引入渗透阈值控制相邻子群体的迁移，应用渗透原理自适应地确定迁移代频、迁移率及迁移方向，从而解决人为设置迁移代频、迁移率及迁移方向的关键问题，有效降低通信代价，进而提高算法效率．文中首先依据有限群体马尔可夫链模型对基于渗透原理的迁移策略算法的可行性进行了探讨，然后从理论角度给出了迁移代频期望、迁移率期望及通信代价，同时用实例验证了PMS在降低通信代价方面的巨大潜力．     

基于JADE的并行遗传算法的设计与实现

为解决传统遗传算法运行时间过长、寻优率偏低的问题，在研究简单遗传算法的基础上，利用JADE，提出了一种基于多Agent协同工作的并行遗传算法。该算法实现了对客户容器动态加入参与运行的支持。实验结果表明，该算法能较明显地提高传统遗传算法的运行效率和寻优的成功率。     

降维式自主迁移伪并行遗传算法

并行优化算法是一种以优化算法为基础,利用并行计算技术,把问题分解到各个处理器进行处理的算法.以遗传算法为蓝本,提出一种降维式自主迁移的伪并行遗传算法.该算法实现了对高维问题的并行降维优化,并设计出新颖的具有协作性质的信息迁移机制,更好地融合各个处理器的优化信息.测试了3种不同的迁移处理器中优化信息的方法,并对11个具有30维的连续函数进行测试.测试结果与其它并行遗传算法进行了比较,该方法在求解精度和速度上都要比传统的串行遗传算法和并行遗传算法优胜.     

一类问题的描述方式及其算法

本文给出了一类问题的一种描述方式，这类问题包括有向图的最短路问题、赫夫曼问题、矩阵链问题、汉密顿回路问题等等。在这种描述方式的基础上，给出了一个算法模式，并讨论了如何通过该算法模式得到回溯算法、动态规划算法、分枝限界算法、贪心算法以及启发式搜索算法等等，只要对这个算法模式中的变量给出不同的定义就可以得到求解这类问题中某一具体问题的算法，最后还给出了ＳＩＭＤ模型上的一个并行算法模式，通过该并行算法模     

基于遗传算法的数据流测试用例自适应生成算法

测试用例的设计是软件测试实施的首要环节, 对后期测试工作具有重要的指导作用, 也是提高质量软件的根本保证. 针对Moheb R. Girgis算法的不足, 通过引入分支函数和改进遗传算法中的自适应性, 提出一种改进的数据流测试用例的自动生成算法, 实验表明, 改进算法在收敛速度和覆盖率等关键性能上都有较明显提高.     

Heuristics for the two‐machine scheduling problem with a single server

In this paper, the NP‐hard two‐machine scheduling problem with a single server is addressed. The problem consists of a given set of jobs to be scheduled on two identical parallel machines, where each job must be processed on one of the machines, and prior to processing, the job is set up on its machine using one server; the latter is shared between the two machines. An ant colony optimization (ACO) algorithm is introduced for the problem and its performance was assessed by comparing with an exact solution (branch and bound [B&B]), a genetic algorithm (GA), and simulated annealing (SA). The computational results reflected the superiority of “ACO” in large problems, with a performance similar to SA and GA in smaller problems, while solving the tested problems within a reasonable computational time.     

特殊工艺约束并行多机双目标调度问题的研究

针对在特殊工艺约束下,非等同并行多机总完工时间最小和总拖后惩罚最小双目标调度问题(BOSP),设计了一个双目标调度模型,进而构造了一个基于向量组编码的遗传算法。此算法的编码方法简单,能有效地反映实际调度方案,收敛速度快。同时为了更好地适应调度实时性和解大型此类问题的需要,在基于遗传算法自然并行性特点的基础上,实现了主从式控制网络模式下并行遗传算法。仿真结果表明,此算法是有效的,优于普通的遗传算法,具有较高的并行性,并能适用于解大型此类调度问题。     

3机Flow-shop调度问题研究

提出了一种遗传分枝定界算法求解3机Flow-s hop调度问题，该算法类似于常用的遗传局部算法和遗传动态规划算法．用随机方法生成测 试例子，通过与著名的Taillard的禁忌搜索算法和Reeves的遗传算法进行比较，实验结果证 实了遗传分枝定界算法的有效性．     

基于Petri网建模的并行粒子群算法

粒子群优化算法,起源于鸟群行为的研究,是一种基于群智能的进化计算技术,通过粒子之间的协作与竞争以实现对多维复杂空间的高效搜索。提出了基于Petri网的并行粒子群算法,并采用经典测试函数验证算法的有效性。测试结果表明,算法能很好地控制粒子群优化过程中的早熟问题,并能够较好地得到群落全局最优解。     

一种主从式并行遗传算法设计

该文对串行遗传算法进行了并行设计,加入对当前通用消息传递接口MPI的支持,形成了一个主从式并行遗传算法。针对该算法用经典的测遗传算法效率的OliverTSP问题进行测试,得出并行遗传算法可以更好的提高遗传算法的收敛性。     

带有遗传算子的烟花爆炸优化算法

受烟花爆炸现象的启发并结合遗传算法思想提出一种新的优化算法——带有遗传算子的烟花爆炸优化算法(GAFEO)。该算法主要模拟烟花爆炸的方式对解空间进行基本的并行弥漫式爆炸搜索,引入自适应局部搜索策略和遗传算法中的交叉变异策略以改善算法的优化性能。通过实验对12个常用高维测试函数进行优化计算,结果表明,与PSO算法以及其他新型算法相比,GAFEO算法在寻优能力、寻优精度等方面都具有较好的性能。     

分支定界算法的分布并行化研究

介绍了一种专用于计算分支定界算法的机群计算平台，其中所使用的分布并行策略减少了分支定界算法计算时间复杂度，减小了问题的规模；可以把计算平台机群中的任何一台计算机上计算出的当前全局最佳本分值，实时地广播给所有其他并行的计算机，并作为它们新的最佳本分值，实现分支节点的快速并行淘汰；应用启发式算法修改了分支定界算法，提高了分支节点的淘汰效率。选用旅行商问题实例作为测试基准。计算表明，在保证求得最优解的前提下，该平台能很好地提高分支定界算法的效率。     

利用主成份分析法确定平行反应的机理

对两个分支的平行反应,当两个分支的反应级数相同时两种产物的动力学谱线性相关;反之则与线性无关。基于这一原理,提出利用主成分分析法处理反应在线过程中测得的动力学-光谱二维数据矩阵,根据主成分数就能确定两分支的反应级数是否相同,并进一步推断反应机理是否相同。在此前提下,借助目标试验因子分析结合数值遗传算法可解析出动力学参数及有关组分的纯光谱。将上述方法应用于不同机理平行反应模拟数据的解析,获得的主成分数与已知反应机理相符,动力学参数和有关组分的纯光谱也与给定值吻合。