基于种群多样性评价的自适应遗传算法

遗传算法是解决优化问题的一种重要而有效的方法,在很多领域中得到了广泛的应用.在实际应用过程中,"过早收敛"是遗传算法经常遇到的问题之一,其主要原因是进化过程中个别优秀个体的迅速繁殖导致种群多样性的过早丧失.针对这一问题,提出了一种基于改进种群熵的多样性评价方法,并根据种群多样性评价及个体的适应度,从宏观和微观两方面对个体操作概率进行动态调整.仿真实验表明改进算法具有良好的全局搜索能力,一定程度上避免了过早收敛.     

遗传算法中保持种群多样性方法研究

"过早收敛"是遗传算法在实际应用过程中经常遇到的问题之一。针对这一问题,本文介绍了三种不同的种群多样性度量方法,分析了多种保持种群多样性的方法,并提出了具体实施步骤。文中提到的方法在一定程度上保持了种群的多样性,提高了遗传算法的寻优能力。     

基于HMM的车辆行驶状态实时判别方法研究

对交通视频车辆轨迹时序特征下的车辆行驶状态进行研究,提出了一种基于隐马尔科夫模型（Hidden Markov model,HMM）的车辆行驶状态实时判别方法.首先对轨迹序列进行了基于轨迹长度的去不完整轨迹序列、对车辆轨迹点序列的线 性平滑滤波和最小二乘线性拟合的预处理操作,保证了所获得轨迹序列的有效性;其次,提出一种基于车辆运行轨迹点序列方向角的车辆轨迹特征值表示方法和基于方向角区间划分的HMM观察值序列生成方法,该方法以方向角的区间变化来区分不同轨迹模式的特征;最后,采用多观察值序列下的Baum-Welch 算法训练得到相关交通场景轨迹模式类的最优HMM 参数,并通过实时获取车辆行驶轨迹段与相应模型的匹配,实现对车辆行驶状态的实时判别. 仿真实验验证了本文方法的有效性和稳定性.     

ANN/HMM混合模型中状态数的自适应确定方法研究

本文在分析了固定状态数目来确定模型状态数的方法的缺陷之后,提出了一种根据训练样本具体形态来自动增加或减少模型状态数目的方法。其中的增加状态实质是将原状态拆分成两个新状态,而被分割的是建摸精度不够的状态。而删除状态就是将状态从原模型中删除,并重新连接被删除状态两端的状态。被删除的状态是帧数相对较少的,这样的状态可以被合并到与其相临的状态当中。     

基于种群多样性的自适应PSO算法求解VRPSPD问题

为有效求解逆向物流车辆路径(VRPSPD)模型,本文提出一种基于种群多样性的自适应PSO算法(SDAPSO)。在SDAPSO运行时,根据种群多样性,自适应地对种群中运行较差的粒子进行扰动操作,提升这些粒子向最优解收敛的能力;同时,对全局最优粒子进行概率扰动,以增加种群的多样性。标准检测函数的仿真结果表明SDAPSO算法是对基本PSO算法的有效改进。在对VRPSPD模型求解中,通过与其它粒子群算法相比,表明SDAPSO是求解该类问题的一种有效方法。     

语音识别HMM训练改进算法比较

模型训练是HMM应用于语音识别时重要的一环,本文首先简要介绍了HMM及其三大基本问题,针对Baum-Welch算法收敛速度慢和易陷于局部最优解的缺陷,归纳总结了基于分段K均值算法、基于遗传算法、基于随机松弛算法的三大改进算法,通过实验验证了改进算法可以提高语音识别效果。     

遗传算法种群多样性的分析研究

种群的多样性是遗传算法法进化的前提条件，本文提出用种群方案方差和熵两个量来全面刻画遗传算法中的种群的多样性，分析了选择，交换和变异三个主要算子对种群方差和熵的影响，同时比较了编码机制对种群多样性的影响，得出一些重析结论。     

基于HMM的步态身份识别

随着生物识别悄然兴起,生物识别技术逐渐成为新的身份识别技术。步态识别是生物特征识别技术的一个新兴子领域。文章就是将隐马尔可夫模型(HMM,HiddenMarkovModel)方法运用在步态身份识别中,并进行了其识别性能的研究。该文给出了一个基于HMM的步态身份识别方案,并进行了图像预处理,HMM参数训练和识别的研究,得出了一些有意义的结论。同时在中国科学院自动化研究所提供的CASIA步态数据库上进行了步态身份识别实验,实验结果表明:在侧面视角下采用此方法,具有较好的识别率。     

一种新的种群数自适应遗传算法

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点,提出了一种新的种群数自适应遗传算法。该算法在对进化种群数进行宏观调控的同时,再用个体寿命限制个体的生存期,实现对种群数的微观调控。实验数据表明,该算法具有比简单遗传算法好的收敛性能。     

基于年龄动力学模型的自适应种群演化算法

本文针对演化算法中的自适应动态种群问题,探讨了年龄动力学模型,给出了简化的模型框架,提出了基于该模型的自适应种群演化算法,实现了对进化种群规模的动态控制 。实验表明,该算法比固定种群规模的经典算法具有更好的性能。     

基于预测模型和遗传算法的配煤优化研究

焦化企业配煤和炼焦过程是存在诸多不确定性、无法用数学模型描述的复杂工业过程,传统控制方法难以实施控制。因此要实现配煤成本的最优控制是个比较复杂的问题。本文在焦化理论和实际生产所获的数据基础上,以神经元网络为指导,建立焦炭质量预测模型;利用单种和混合煤中各组分的关系,建立起混合煤的质量预测模型。在以上两个模型的基础上,把炼焦过程中配煤成本最小化的问题转化成为带约束的最优化问题。再利用遗传算法可以比较方便地求得近似最优解。本文利用实际数据和仿真实验,验证方法的可行性。     

遗传算法中群体多样性的研究与应用

遗传算法中,初始群体的特性对计算结果和计算效率均有重要影响,要实现全局最优解,初始群体在解空间中应尽量分散,标准遗传算法是按预定或随机方法产生一组初始群体,这样就导致初始群体在解空间中分布不均匀。本文阐述了用相似度和适应度值对群体中每两个个体进行逐位比较,剔除相似个体,选择不同模式的个体组成新的群体,增加了群体的多样性,尤其在计算初期,能够有效的避免早熟问题的产生。最后,通过实例应用matlab7.0编程测试说明了这种方法的可行性。     

基于数论佳点集的遗传算法初始种群均匀设计

文章利用数论中的佳点集理论和方法,给出了遗传算法初始种群生成的一种具有良好多样性的均匀分布设计.通过对遗传算法机理的研究,发现初始种群的分布状态不仅直接关系到遗传算法的全局收敛性,还影响算法的搜索效率,所以对初始种群进行科学合理设定是应用遗传算法进行寻优计算的一个重要问题.基于优化设计思想,提出应用佳点集均匀设计方法确定遗传算法的初始种群.这种方法具有简单易行、种群多样性好、更适合多维情况等特点,实验结果验证了该方法可以有效地改善算法的全局收敛性,提高搜索效率.     

基于目标模型的遗传算法在走廊辨识中的应用

为了保证移动机器人能够沿着走廊自动行走并具有一定的智能水平，工作环境的辨识就显得至关重要．同时考虑到控制的实时性，提出了一种基于目标模型的模型匹配的走廊辨识方法．利用遗传算法对未处理的灰度图像中的走廊影像进行匹配，从而使移动机器人自动地适应复杂环境，实现了模型对灯光条件变化以及包括干扰物等环境噪声的鲁棒性，并经实际走廊图像试验验证了辨识效果．     

基于种群熵的改进型遗传算法

本文针对遗传算法具有早熟或局部收敛的缺点,根据种群熵S的实际意义,设计了一种可按照当前种群熵S的大小自动切换适应度函数的自适应适应度函数。对基本遗传算法,分别采用指数适应度函数,反比例适应度函数和本文定义的自适应适应度函数,在三种常用检测函数上进行实验,结果表明采用自适应适应度函数的基本遗传算法继承了指数适应度函数和反比例适应度函数的优点,既有强劲的收敛能力,又能保持种群多样性,可以更好更快更精确地收敛到问题的最优解。     

基于HMM的音乐识别算法

音乐识别的研究早在20世纪70年代就开始了,但直到最近,识别系统的性能仍不令人满意。该文提出了利用HMM进行音乐识别的新思路。给出了基本的算法框架,并对相关的问题进行了讨论。     

基于遗传算法的模型参考自适应控制*

本文以连续搅拌反应釜（ＣＳＴＲ）这一非线性系统为例，介绍了根据参考模型的输出，运用遗传算法对控制的ＰＩＤ参数不断寻优，不断调整，以达到参考模型所要求的控制效果的自适应控制方法，并对改变遗传算法的几个参数对控制效果的影响进行了比较讨论。