SEFNN:一种基于结构进化的前馈神经网络设计算法

遗传算法是一种模拟自然选择和进化的随机搜索算法，它的搜索能够遍及整个解空间，容易得到全局最优解．目前主要的编码方式都是将结构和连接权值等信息编码成串式的基因，这不利于在遗传过程中保留个体的子结构信息，也难于设计兼顾基因型与表现型的遗传算子；在前馈神经网络的进化中引入BP训练方面，也不分良莠对所有后代进行训练，形成资源浪费．为克服这些问题，提出了一种基于结构进化的前馈神经网络设计算法SEFNN，该算法使用一种紧缩矩阵编码、新型结构化交叉算子、修订的变异算子和精英训练法则，充分考虑了基因型与表现型之间的关系，适当加大变异搜索速度，并采用选拔训练方式，从而提高了进化神经网络的效率．实验表明该算法获得的解无论在网络规模还是测试精度上都有优越的性能表现，并已应用于肺癌早期细胞病理诊断系统，具有良好的效果．     

基于浮点型编码策略的差分多目标柔性车间调度优化

运用进化算法求解柔性车间调度问题时,编码的特殊性对进化策略造成的局限制约了算法的搜索能力。为此,提出一种基于浮点型编码策略的差分多目标优化算法。该算法采用基于工序权重的浮点数编码—解码机制,消除了排列组合型编码方式对进化操作带来的约束,运用差分进化策略生成新个体,以提高优秀个体产生的几率,进而保证算法有更好的收敛性。将算法与传统算法及其改进形式在相同测试用例上进行对比,结果表明,本算法在保证收敛性的同时,搜索到更多的非支配个体,体现出更好的分布性。此外,提出了平行决策和等价平行决策的定义,将柔性车间调度模型的研究拓展至决策空间。     

求解批量流水线调度问题的离散差分进化算法

在研究机床加工的过程中,针对最小化E / T指标的批量流水线调度问题,为了提高工效,提出了一种离散差分进化算法.与传统的差分进化算法不同,离散差分进化算法采用基于工件排列的编码方式,并使用基于工件排列编码的变异和交叉操作.方法可以有效解决流水车间调度问题.为了进一步提高算法的优化性能,提出了一种自适应的多邻域局部搜索算法,并将其嵌入到离散差分进化算法中以增强其局部探测能力.仿真试验表明了所得算法在求解质量和求解效率两方面优于传统的研究成果.     

基于DMDE算法的前向神经网络设计

针对神经网络结构与参数并行优化问题,提出一种基于动态多群体差分进化算法的前向神经网络设计方法。采用分层递阶结构原理构造算法个体,根据控制基因信息将个体分成不同的动态群体。通过对个体进行重构,实现进化过程中个体信息的充分交换与共享。设计基于群体适应度的控制基因更新方法来优化网络拓扑结构,克服结构优化的盲目与低效问题。将所设计的神经网络应用于大包线飞行控制律参数拟合中。仿真结果表明,该算法能快速有效地确定神经网络的结构和权值,所优化的网络在调参控制中具有较好的泛化能力。     

一种混沌编码的粒子群优化算法及其应用

研究粒子群优化算法.传统的粒子群算法采用实数编码,收敛速度慢.为了提高收敛速度,提出了一种混沌编码的粒子群优化算法.混沌编码作为一种全新的数学编码方式,更能准确地表达编码对象的多样性,将混沌编码应用到粒子群优化算法中,使算法在初期的搜索区域更大,更快找到全局最优解.把混沌编码的粒子群算法与BP算法相结合用来优化神经网络.利用混沌编码的粒子群算法快速找到全局最优位置的邻域,然后再用BP算法进行局部寻优,收敛到全局最优位置.仿真结果证明混沌编码的粒子群神经网络比实数编码的粒子群神经网络分类收敛速度更快,验证了算法的有效性.     

基于二维可变邻域编码方式的混合遗传算法

针对现有混合遗传算法无法兼顾有效性及高效性的问题,提出一种基于二维可变邻域编码方式的新型混合遗传算法(VNHGA)。首先提出了一种将个体“基因型”与“邻域型”分开编码、同步遗传的新型编码方式,以替换传统二进制编码方式;然后设计了一种稳定变异算子,以替换传统变异算子来提高效率。通过多维函数最小值问题对VNHGA进行测试:首先验证采用所提二维可变邻域编码方式后,使用“鲍德温(Baldwin)效应”作为将局部搜索嵌入传统遗传算法策略时,相对于基于“拉马克(Lamarckian)进化”的嵌入策略,仍然具有采用传统二进制编码方式时的特性,即具有良好有效性但高效性不足;其次验证引入稳定变异算子后,算法在保持其有效性的同时提升了效率,运行时间缩短到之前的50%左右;最后,与两种改进混合遗传算法进行比较,验证所提算法优势。结果表明VNHGA兼具有效性与高效性特点,可用于解决最优化问题。     

基于群体编码方式的遗传算法求解装箱问题

就传统装箱问题提出了一种改进的混合遗传算法.该改进的遗传算法主要通过基于群体的编码方法,将每一个箱子视为一个群体,使得在进化过程中,只对群体部分进行操作,从而大大减少了冗余,克服了传统的基于物品编码或基于箱子编码的遗传算法的不足.仿真实验结果表明,该编码方式的遗传算法比基于物品编码的遗传算法显著提高了优化效果.     

一种染色体编码新方法的硬件进化

提出了基于FPLA的染色体编码及在此基础上的并行硬件进化方法.该编码方式以与或非门为基本单元,进化时将电路编码染色体按逻辑门分解,进行适应度计算时采用分解逆过程使染色体合并,可以有效缩短进化时间,有利于大规模复杂电路的进化.以4位二进制码转换为格雷码的电路为例进行试验,该方法在20次实验中平均速度提高了32.25％.为...     

基于多种群进化小生境遗传算法的神经网络进化设计方法研究

针对神经网络进化设计问题中棋型解基因编码与棋型解空间的特点，提出了多种群进化小生境遗传算法。该神经网络进化楚棋方法设计简单、通用，棋型性能评价全面合理，全局搜索效率高，电力负荷预测支持系统的实际应用效果表明此方法是有效的，具有一定的应用推广价值。     

基于改进型基因表达式编程的神经网络优化设计

提出一种用基因表达式编程(GEP)自动设计神经网络的算法.针对标准GEP算法在优化神经网络过程中的早熟现象和变异率低问题,对算法进行了改进,并给出算法的具体应用实例.与其它优化算法的对比实验表明,GEP是一种有效的神经网络设计方法,并且改进的GEP算法比标准GEP算法进化效率高,将收敛率提高了37个百分点,收敛速度快,进化代数仅是标准算法的58%.