聚类佳点集交叉的约束优化混合进化算法

提出一种基于聚类佳点集多父代交叉和自适应约束处理技术的混合进化算法用于求解约束优化问题.新算法的主要特点是:在搜索机制方面,利用佳点集方法构造初始化种群,使个体能够均匀地分布在整个搜索空间.然后根据父代个体的相似度将种群个体进行聚类分析,从聚类中随机选择个体进行佳点集多父代交叉操作,利用多个父代个体所携带的信息产生新的具有代表性的子代个体,能够维持和增加种群的多样性.另外,引入局部搜索策略以提高算法局部搜索能力和收敛速度.在约束处理技术上,新算法引入了一个自适应约束处理技术,即根据当前种群中可行解的比例自适应选择不同的个体比较准则.通过15个标准测试函数验证了新算法的有效性.     

混合分布估计算法求解随机Job shop 提前/拖期调度问题

针对加工时间具有随机特性的Job shop 调度问题, 提出基于分布估计算法的混合算法. 为增强分布估计算法的种群多样性, 定义了父代工序继承率并设计一种可保留父代个体优良结构特征的重组方法, 该方法在继承父代个体优良结构特征的同时避免了非法解的产生. 在个体选择评价阶段, 采用最优计算量分配策略为每个个体分配模拟量以提高个体评价的精确性. 仿真算例表明了所提出算法的有效性和鲁棒性.

     

一种新的交叉操作算子

论文提出了一种新的遗传操作算子-随机多父辈适应度值加权交叉算子(RandomParent-numberFitness-WeightedCrossover,RPFWX)。RPFWX在2到群体规模之间随机决定参与交叉操作的父代数量,以克服遗传算法的性能对于多父辈数量的敏感性。RPFWX根据父代个体的适应度值赋予较优秀的父代个体以较大的影响因子。父代个体根据该影响因子来决定其对于子代个体贡献的大小。RPFWX是包括两父辈算术交叉、uniformcrossover以及多父辈频率扫描交叉算子(theOccurrenceBasedScanningCrossover)等在内的多种交叉算子的概括和推广,并通过其凸空间封闭特性来保证子代个体的合法性。最后通过实验结果验证了RPFWX算子的优越性。     

求解全局优化问题的混合自适应正交遗传算法

提出了一种基于正交实验设计的混合自适应正交遗传算法(hybrid self-adaptive orthogonal genetic algorithm,简称HSOGA)以求解全局优化问题,此算法利用正交实验设计方法设计交叉算子,并提出一种自适应正交交叉算子.该自适应正交交叉算子根据父代个体的相似度自适应地调整正交表的因素个数和对父代个体进行因素分割的位置,生成具有代表性的子代个体,以更好地搜索空间.此外,新算法利用自适应正交交叉算子生成均匀分布的初始种群,以保证初始群体的多样性.同时引入了局部搜索策略以提高算法局部搜索能力和收敛速度.通过14个高维的Benchmark函数验证了算法的通用性和有效性.     

基于遗传算法的主题信息搜索研究

主题信息搜索的关键是对于主题相关信息的检索。本文提出了基于遗传算法的主题信息搜索策略,即利用通用搜索引擎获取网页URL,再根据网页间的链接关系得到初始种子集合;通过交叉操作,对父代个体进行变换,产生出大量新的个体,再从中选取主题相关度高的个体;通过变异操作,引入新种子集合,扩大URL集;通过选择操作,选出适应度高的个体作为新一代的种子进入新一轮的遗传。     

基于改进遗传算法的深度神经网络优化研究

深度前馈神经网络在分类和回归问题上得到了很好的应用,但网络性能极大程度上受到其结构和超参数影响.为了获得高性能的神经网络,首先对遗传算法的选择策略进行改进,之后利用该改进遗传算法,采用二进制编码与实数编码的混合编码策略对深度前馈神经网络层数、每层节点量以及学习率和权重进行优化.改进的选择策略,在最优保存策略的基础上从父代和子代合并的2n个个体中,以一定的概率选择部分适应值较差个体作为新父代,以增加种群多样性,避免陷入局部最优.同时引入dropout方法减少网络过拟合训练数据.使用Ring、Breast cancer、Twonorm、Heart、Blood、Ionosphere、Monk共7个数据集进行数值实验,并与其他相关文献中的算法比较,仿真结果表明,改进的遗传算法能搜索到较高性能的神经网络.     

基于NSGA-II和MOPSO融合的一种多目标优化算法

用多目标粒子群优化(MOPSO)算法的粒子位置更新模式替代NSGA Ⅱ的交叉操作，获得一个新的算法（NSGA Ⅱ MOPSO）。为使这两种差异较大的算法实现无缝融合，在NSGA Ⅱ算法范围内对MOPSO中特有的概念粒子及其速度、Pbest、引导者进行处理: 1)粒子对应于NSGA Ⅱ中子代群体的个体； 2)不再使用粒子速度概念； 3)不再使用粒子Pbest概念，代之以从父代群体中为每个粒子的每一维寻找一个最近的该粒子非支配个体; 4)每一个粒子的引导者可以是父代群体中稀疏程度最大的个体或者是按照二进制随机竞赛选择方法从父代群体中选择的一个个体，具体哪一种方式发挥作用依赖于预先设定的概率。另外，引入稀疏程度概念来评价粒子在目标函数空间的分布。6个算例的结果表明，与NSGA Ⅱ及最新的两种MOPSO算法（CLMOPSO 和 EM MOPSO）相比，新算法是一个有效、稳定的算法。     

基于NSGA-Ⅱ和MOPSO融合的一种多目标优化算法

用多目标粒子群优化（MOPSO）算法的粒子位置更新模式替代NSGA-Ⅱ的交叉操作，获得一个新的算法（NSGA-Ⅱ-MOPSO）。为使这两种差异较大的算法实现无缝融合，在NSGA-Ⅱ算法范围内对MOPSO中特有的概念粒子及其速度、Pbest、引导者进行处理：1）粒子对应于NSGA-Ⅱ中子代群体的个体；2）不再使用粒子速度概念；3）不再使用粒子Pbest概念，代之以从父代群体中为每个粒子的每一维寻找一个最近的该粒子非支配个体；4）每一个粒子的引导者可以是父代群体中稀疏程度最大的个体或者是按照二进制随机竞赛选择方法从父代群体中选择的一个个体，具体哪一种方式发挥作用依赖于预先设定的概率。另外，引入稀疏程度概念来评价粒子在目标函数空间的分布。6个算例的结果表明，与NSGA-Ⅱ及最新的两种MOPSO算法（CLMOPSO和EM-MOPSO）相比，新算法是一个有效、稳定的算法。     

基于准反向变异的实数笛卡尔遗传编程算法

针对传统笛卡尔遗传编程（CGP）算法变异操作多样性的缺乏以及其使用的进化策略本身的局限性,提出了一种基于准反向变异的实数笛卡尔遗传编程算法（AD-RVCGP）。首先,和传统CGP一样,AD-RVCGP在进化过程中采用1+λ的进化策略,即由一个父代个体只通过变异操作产生λ个子代个体;其次,该算法在进化过程中动态选择准反向变异算子、末端变异算子和单点变异算子,并且利用反向个体的信息进行变异操作;最后,算法在进化过程中根据进化阶段的状态来选择不同的父代个体用于生成下一代个体。在符号回归问题的测试上,相较于传统CGP,AD-RVCGP的收敛加快了约30%,运行时间少了约20%;另外该算法求得的最优解与真实最优解误差更小。实验结果表明,AD-RVCGP具有较高的收敛速度和问题求解精度。     

一种基于复合交叉的实数编码遗传算法

提出了一种基于复合交叉的实数编码遗传算法。通过对父代染色体间的区域进行多次交叉操作,复合交叉操作保留了被搜索区域的信息。算法首先对父代染色体进行复合交叉操作,然后利用包含在新个体集合中的信息进行信息最大化选择,对每一代个体进行基于适应度的选择。集合中信息冗余的个体被从种群中删除,位于欠搜索区域中的个体被保留。由于算法能够始终保持种群的多样性,算法不仅能搜索到全局最优点,同时也能找到尽量多的局部极值点。利用算法对多极值函数进行了寻优,仿真结果表明了算法的有效性。     

Arc-Guided Evolutionary Algorithm for the Vehicle Routing Problem With Time Windows

This paper presents an arc-guided evolutionary algorithm for solving the vehicle routing problem with time windows, which is a well-known combinatorial optimization problem that addresses the service of a set of customers using a homogeneous fleet of capacitated vehicles within fixed time intervals. The objective is to minimize the fleet size following routes of minimum distance. The proposed method evolves a population of ${mu}$ individuals on the basis of an $({{mu}+{lambda}})$ evolution strategy; at each generation, a new intermediate population of ${lambda}$ individuals is generated, using a discrete arc-based representation combined with a binary vector of strategy parameters. Each offspring is produced via mutation out of arcs extracted from parent individuals. The selection of arcs is dictated by the strategy parameters and is based on their frequency of appearance and the diversity of the population. A multiparent recombination operator enables the self-adaptation of the strategy parameters, while each offspring is further improved via novel memory-based trajectory local search algorithms. For the selection of survivors, a deterministic scheme is followed. Experimental results on well-known large-scale benchmark datasets of the literature demonstrate the competitiveness of the proposed method.      

A pseudo genetic algorithm

Random individual initialization tends to generate too many eccentric and homogeneous individuals which cause slow and premature convergence. It needs many operations (selection strategy, incest prevention and mutation) to fix, which consume too much computation and lose many good genes. The proposed complementary-parent strategy initializes every other pair of parents with dynamically or statically complementary chromosomes (such as 010101…0101 and 101010…1010). Crossover of every generation is only performed between the offspring from the same parents, during which the parents are completely replaced by their own children. Higher population diversity is got without gene lost at all, by which search ability is enhanced. Incest prevention, selection strategies and mutation are unnecessary and consequently cancelled (so it is named pseudo genetic algorithm). As indicated by the simulation results, the speed of elitist search is accelerated greatly and computation complexity is reduced by half.     

带有分级思想的自适应遗传算法

为了平衡演化算法的搜索效果和效率,在自适应遗传算法中引入分级思想,即根据种群中个体适应值的相似性对其进行分级,使得优秀个体和较差个体充分发挥各自的职能。然而,过早收敛也是遗传算法亟待解决的问题之一,因此对遗传算法中的选择操作进行改进,定义了一种新的选择机制:一方面是在选择过程中引入一个新的参数——成活率,以有效地避免算法过早收敛;另一方面结合模拟退火中的参数——温度,通过变异杂交生成虚拟种群,以有效扩大搜索空间,保持种群多样性。实验结果表明,利用新算法处理TSP问题能够产生高质量的解,并能有效解决过早收敛问题。     

遗传算法在资源选择上的应用

在网格环境下，资源选择的策略是决定应用程序性能的关键因素之一。目前的资源选择一般采用贪心算法，而在资源选择中引入遗传算法是一种新的尝试，其目的是提高资源选择的效率。这种资源选择首先产生若干个网格环境中可能的配置(第一代)，预测应用程序在每种配置下的表现。再以此为依据，应用多种交叉和变并策略，产生下一代的配置，直到得到满意的结果。对所选应用程序的两种不同规模的测试表明，在相同或更短的时间内，基于遗传算法的资源选择策略比贪心算法的资源选择策略得到更好的结果。     

A novel genetic algorithm with different structure selection for circuit design optimization

In the traditional GA, the tournament selection for crossover and mutation is based on the fitness of individuals. This can make convergence easy, but some useful genes may be lost. In selection, as well as fitness, we consider the different structure of each individual compared with an elite one. Some individuals are selected with many different structures, and then crossover and mutation are performed from these to generate new individuals. In this way, the GA can increase diversification into search spaces so that it can find a better solution. One promising application of GA is evolvable hardware (EHW), which is a new research field to synthesize an optimal circuit. We propose an optimal circuit design by using a GA with a different structure selection (GAdss), and with a fitness function composed of circuit complexity, power, and signal delay. Its effectiveness is shown by simulations. From the results, we can see that the best elite fitness, the average fitness value of correct circuits, and the number of correct circuits with GAdss are better than with GA. The best case of optimal circuits generated by GAdss is 8.1% better in evaluation value than that by traditional GA.     

遗传算法中解个体的生存策略

遗传算法是一类模拟生物界自然选择和自然遗传机制进化过程来求解复杂问题的随机搜索算法。过早收敛是遗传算法的一个重要问题。对此,本文讨论了遗传算法个体解在下一代解集合的生存问题,第一次系统地提了出了解个体生存策略的概念,并给出了一个新的混合生存策略,根据给出的新生存策略,文章最后还给了一些实验结果。     

改进工作集选择策略的序贯最小优化算法

针对标准序贯最小优化(sequential minimal optimization, SMO)算法采用可行方向工作集选择策略所带来的缓存命中率低下问题,给出了SMO类型算法每次迭代所带来的目标函数下降量的二阶表达式,并据此提出了一种改进的工作集选择策略.新策略综合考虑算法收敛所需的迭代次数及缓存效率,从总体上减少了核函数计算次数,因此极大提高了训练效率,并且,它在理论上具有严格的收敛保障.实验结果表明,核函数越复杂,样本维度越高,缓存容量相对训练样本的规模越小,改进工作集选择策略的SMO算法相较于标准SMO算法的性能提高就越显著.     

Differential evolution with improved individual-based parameter setting and selection strategy

In this paper, a novel differential evolution (DE) algorithm is proposed to improve the search efficiency of DE by employing the information of individuals to adaptively set the parameters of DE and update population. Firstly, a combined mutation strategy is developed by using two mixed mutation strategies with a prescribed probability. Secondly, the fitness values of original and guiding individuals are used to guide the parameter setting. Finally, a diversity-based selection strategy is designed by assembling greedy selection strategy and defining a new weighted fitness value based on the fitness values and positions of target and trial individuals. The proposed algorithm compares with eight existing algorithms on CEC 2005 and 2014 contest test instances, and is applied to solve the Spread Spectrum Radar Polly Code Design. Experimental results show that the proposed algorithm is very competitive.     

NDSMMV——一种多维数据集物化视图动态选择新策略

物化视图的选择策略是数据仓库研究的重要问题之一.通过深入研究提出了一种多维数据集中物化视图动态选择的新策略--NDSMMV,包括候选视图生成算法CVGA、物化视图选择算法IGA、物化视图调整算法MAMV和物化视图动态调整算法DMAMV.CVGA基于多维数据格生成候选视图集,对候选视图数量进行压缩以减少后续算法的视图空间搜索代价和时间复杂度;IGA基于视图查询、视图维护和存储空间三元评价标准在候选视图集上进行物化视图的选择;MAMV基于物化视图选择过程已选视图的收益变化情况对物化视图进行进一步调整以提高查询的响应性能;DMAMV定时地判断查询视图类型分布是否变化来决定是否进行物化视图的动态调整,从而避免了物化视图集的"抖动".理论分析和实验结果表明该策略是有效可行的.