族群进化算法的选择机制

针对改进族群进化算法(EGEA)中对族群模式的有效采样问题,提出以竞争指数为选择指标的常规选择、以族群为选择单位的常规选择以及基于竞争指数的模拟退火排序选择3种选择机制,并通过多维函数优化问题进行实验分析,结果表明3种选择机制都能够在一定程度上提高EGEA的搜索效率,且基于竞争指数的模拟退火排序选择算子的实现更简便,对EGEA综合性能的提高也更明显。     

基于择偶的族群繁殖机制

族群进化算法（EGEA）通过族群机制进行群体结构调控以保持群体的进化效率。在以族群为单协的群体繁殖过程中,EGEA使用一种基于择偶策略的族群繁殖机制,包括择偶算子、可对交叉点规模进行动态优化的多点交叉算子以及自适应变异算子。针对多维函数优化问题的仿真实验表明,上述3种算子的协作可有效提高族群的繁殖效率,与其他典型算法进行比较,证明基于择偶繁殖机制的EGEA是一种具有竞争力的函数优化算法。     

Gray编码对族群进化算法性能的改进

族群进化算法（EGEA）利用族群机制进行群体结构调控。在基于二进制编码的群体中,个体间编码的差异性被作为族群聚类的标准。由于自然二进制编码所存在的Hamming悬崖问题易影响族群聚类的准确性,从而降低EGEA的搜索效率,因此提出利用Gray编码连续个体间编码只有一位不同的特点来改进族群聚类的精度。针对典型多维函数的仿真实验表明,基于Gray编码的族群聚类过程可显著提高EGEA的收敛速度和解的精度。     

族群进化算法的经验学习机制

族群是依据个体编码特征的相似性对群体进行分类后形成的一种群体结构化组织,基于该机制形成了一种新的进化模型—族群进化算法（ethnic group evolution algorithm,EGEA）。族群机制可有效调控群体结构,协调算法的全局搜索和局部搜索时间,同时利用其所具有的分类能力也可方便地获取群体中的典型个体。设计了族群的经验学习机制来挖掘蕴含于群体中的进化经验知识,并利用这些知识来引导群体的搜索,提高EGEA的收敛速度。仿真实验表明族群的经验学习机制不仅是可行的而且是有效的,它显著提高了EGEA的搜索效率。     

电力系统经济负荷分配的族群优化方法

经济负荷分配（Economic Load Dispatch,ELD）是电力系统中一种重要的优化问题,它可归为一类高维、离散、非线性的多约束函数优化问题。针对这类问题,提出了一种基于线性截取策略的改进族群进化算法——EGEA/LT,并使用EGEA/LT对IEEE的3机、6机和15机3个仿真系统进行了优化实验,将实验结果与其他典型算法优化结果进行比较,说明了EGEA/LT是一种求解ELD问题的有效方法。     

基于聚类排序选择方法的进化算法

为提高进化算法的效率,提出了聚类排序选择方法。主要工作有:(1)提出了新的种群内个体相似度度量,并使用种群所包含不同簇的数量来描述和度量种群的多样性;(2)为解决早熟问题提出了新的基于种群聚类和排序选择的聚类-排序选择方法;(3)导出了选择压力-种群多样性(SP-PD)方程,该方程能描述进化过程中选择压力随种群多样性变化的规律。在基于全面学习粒子群算法环境中作了详实的实验,对16个多峰函数进行了优化。实验结果表明,在10维和30维条件下,在15个函数优化中,新方法明显优于指数排序选择方法,最高能使精度提高4个数量级。     

族群聚类的大配子采样策略*

在族群进化算法中,相对于群体,针对大配子进行族群聚类不仅可以提高族群结构的合理性,而且可以大幅降低族群聚类的计算时间。提出了参数法和排队截取法两类大配子采样策略,并对六个典型测试函数进行了仿真实验。实验结果显示,在对无约束函数的优化中,自适应参数法可产生更有效的大配子群体,能够显著提高EGEA的收敛速度和解的精度。     

基于多准则排序融合的特征选择方法

针对模式分类中特征选择问题,为去除冗余特征,提高分类准确率,提出一种基于ReliefF算法、Fisher比率算法和马氏距离算法的多准则排序融合的特征选择方法。动态结合上述3种单准则特征选择法的优点,实现对多个评价准则的综合利用。以Ionosphere标准数据集和高速列车转向架故障数据集为研究对象进行实验仿真,仿真结果表明,相比于单准则特征选择法,该方法能更有效地降低特征维数,具有更高的分类性能。     

基于模拟退火遗传算法的服务选择

为了解决面向服务体系结构服务组合中服务选择问题,提出了一种将模拟退火算法与遗传算法相结合的融合算法。将服务流程等效成AOV图,对AOV图进行拓扑排序,并将生成的拓扑序列作为遗传算法的编码,使用QoS参数作为适应度,在遗传算法生成每一代子代后,利用模拟退火算法对其进行局部优化调整。仿真实验结果表明,模拟退火遗传算法在减少服务流程资源消耗上能取得理想的效果。     

基于遗传模拟退火算法的入侵检测特征选择研究

特征选择已经成为入侵检测的一个很重要的问题,它通过求解出有用的特征子集,去除冗余特征,来达到提高分类精度和效率的目的。提出了一种基于遗传模拟退火算法的特征选择算法,以基本遗传算法为基础,将遗传操作和模拟退火操作相结合,克服了一般遗传算法的不足,有效避免陷入局部最优并最终趋于全局优化,在入侵检测的标准数据集-KDD1999上的模拟实验证明：遗传模拟退火特征选择算法能够加快特征选择的速度;并且与当前典型的特征选择算法相比,具有更好的检测率。     

族群进化算法

借鉴人类学研究中族群的概念以及以族群为视角来分析群体的结构及其演变趋势的方法,提出了一种简 单、有效的群体结构调控技术——族群机制.设计了针对二进制编码方式的族群分类方法,并基于该族群结构形成 了具有双轨协同进化特征的族群进化算法以及相应的族群算子.针对高维函数和复杂混合函数的数值优化实验表 明,族群进化机制可以显著提高群体的抗早熟能力和搜索效率,与其他典型算法的对比也表明,族群进化算法是一种 具有竞争力的函数优化算法.     

族群进化算法

借鉴人类学研究中族群的概念以及以族群为视角来分析群体的结构及其演变趋势的方法,提出了一种简单、有效的群体结构调控技术--族群机制.设计了针对二进制编码方式的族群分类方法,并基于该族群结构形成了具有双轨协同进化特征的族群进化算法以及相应的族群算子.针对高维函数和复杂混合函数的数值优化实验表明,族群进化机制可以显著提高群体的抗早熟能力和搜索效率,与其他典型算法的对比也表明,族群进化算法是一种具有竞争力的函数优化算法.     

求解约束函数优化问题的族群进化算法

为提高族群进化算法对约束函数的优化性能,应用基于线性截取策略的大配子采样机制来提高群体进化过程中大配子筛选的稳定性。该机制可有效减少在进化过程中族群结构的大幅波动,提高族群进化算法的搜索效率。通过对六个典型约束函数的仿真实验显示,该机制使族群进化算法成为了一种有竞争力的约束函数优化算法。     

加权闵可夫斯基K-Means的指数选取策略

与传统K-Means相比,加权闵可夫斯基K-Means(MWK-Means)需要自适应获取特征权重并选择合适的闵可夫斯基指数.无监督选取指数策略是计算每个指数的三种尺度值,根据三种尺度的选取标准得到各自最好的指数,然后选取较接近的两个指数求均值.在这种策略的启发下,提出了基于排名的闵可夫斯基指数选取策略,将三种尺度的值分别进行排名,每个指数通过选取两个较接近的排名相加得到综合排名来确定指数.用这两种指数选取策略分别对UCI数据集进行实验,结果表明,基于排名的选取策略较优.