基于遗传算法的系统发生树构建方法

提出了一种基于遗传算法的系统发生树构建方法。将遗传算法应用于系统发生树的构建,首先,用后缀表示法将树的拓扑结构表示成编码的形式。其次,针对系统发生树的性质,设计了交叉和变异操作方法,确定了对个体的评价及选择策略,从而通过遗传操作,最终搜索到最优解。实验结果表明该算法可以得到与传统UPGMA算法拓扑结果一致的系统发生树,并且除了最优拓扑结构的树之外,该算法还可以输入多个具有相似质量的树。     

基于粒子群算法的房产推荐系统

基于粒子群算法的房产推荐系统是一种智能化的推荐系统,利用这种演化算法并根据客户的要求快速搜索到最优的结果。论文主要介绍粒子群算法在该系统中的优点,并与其他算法的比较。另外还简单介绍了该系统的构成和功能。     

基于TSP的构建系统发生树的蚁群算法

受TSP问题的启发,提出一种基于TSP构建系统发生树的蚁群算法(TSP-PTC)。该算法将物种集合用一个带权图G表示,并利用蚁群算法在图中搜索一条最优路径,最终系统发生树用最优路径及距离矩阵构建而成。用该方法构建出来的系统发生树是一棵带权树,它不仅可以表示物种之间的进化关系,而且可以粗略地表示出物种之间的进化时间。     

构建系统发生树后缀表示的蚁群算法

提出一种基于后缀表示的构建系统发生树的蚁群算法(SR-PTC),该算法用蚂蚁访问物种集合以形成一个对应最优系统发生树的后缀表示序列。为构成一个合法的系统发生树的后缀表示,蚂蚁对内部结点的选择要受到限制,分别为叶结点和内部结点设置两个不同的选择概率,并用赌轮盘选择方法来决定两种结点的选择。另外,在信息素更新时,加入当前树的评价值来影响蚂蚁的运动方向。实验结果表明,此方法能得到较为准确的拓扑结构,在物种数目较小时可以较快地得到结果。     

系统发生网络构建算法综述

物种的进化史通常被描述成一棵有根系统树,但是当物种进化过程中发生网状进化事件(如,杂交、重组和水平基因转移)时,物种的进化史不再适合被描述成系统树。系统发生网络是系统树的一般化,也是被用来描述物种的进化史,并可以描述物种的网状进化事件。而且系统发生网络也可以可视化冲突数据集,如由不同的基因得到的物种树。因此,系统发生网络的研究是生物信息的一个重要领域。介绍了系统发生网络的概念、发展、研究现状,总结了现有的系统发生网络构建算法。     

基于改进免疫启发群聚集算法的群机器人自恢复方法

群机器人由许多简单的无差别的机器人组成,是多机器人系统的一个重要研究方向。虽然其相比个体机器人有良好的容错性和鲁棒性,但是在机器人发生局部故障--有信息交互能力但无驱动能力时,群机器人系统会受到影响。针 对这一问题,以基于生物免疫系统原理的肉芽肿形成算法为基础,引入离散粒子群算法选取最优的自恢复策略,使群机器人系统实现故障自恢复并更快更有效地完成任务。仿真实验结果表明该算法在群机器人自恢复系统中具有良好的效果。     

基于群代理的QoS-AP算法优化QoS组播路由

针对互联网组播应用中多约束服务质量(QoS)组播路由优化问题,提出一种基于群代理的融合蚁群(ACO)算法与粒子群优化(PSO)算法的QoS-AP算法。首先根据QoS约束,产生多个组播模型。然后利用ACO算法对每个模型和模型中的属性进行评估并放置信息素。再根据信息素值,利用PSO算法调整粒子代理的运动方式来重组组播树。经过多次迭代,最后形成一个满足QoS的最优组播树。通过仿真实验,与现有的PSOTREE、TGBACA算法进行比较。结果表明,该算法能够找出更好的组播树模型,不仅能够满足QoS约束,而且还最大限度地减少了树的成本。     

蚁群算法与粒子群算法的融合策略

蚁群算法和粒子群算法是群智能算法的两种主要算法,本文介绍了两种算法的原理,总结出两种算法的优缺点,并针对这两种算法的不足,着重分析了两种算法的混合策略以提高算法性能。     

基于改进粒子群算法的柔性神经树优化①

神经树采用树结构编码,具有非常好的预测能力和函数逼近能力。模型中的相关参数通常用粒子群优化算法来优化,可是传统的粒子群算法具有容易陷入局部最优值,并且进化后期的收敛速度慢、精度低等缺点,因此会影响神经树的性能。将一种新的改进的粒子群优化算法应用到神经树模型中,并与传统的粒子群算法在柔性神经树的应用比较,表明该改进粒子群算法具有更好的收敛精度,从而改善了神经树的性能。     

群智能算法的研究进展

群智能是一种仿生自然界动物昆虫觅食筑巢行为的新兴演化计算技术。目前主要的群智能优化算法有蚁群算法、微粒群算法和人工鱼群算法。本文介绍了群智能算法的产生、发展和优点,并着力阐述了上述三种典型算法的基本原理,同时概述了各算法的应用现状,最后提出了算法将来有待研究的内容。     

基于仿生学的优化算法及其在信号处理中的应用

仿生学优化算法是一类模仿生物行为和自然界现象的仿生算法,其目的是求解优化问题的全局最优解。本文首先介绍了各种仿生学优化算法的起源和基本原理,主要包括蚁群优化算法、粒子群优化算法、细菌觅食优化算法、蜂群优化算法、鱼群优化算法、萤火虫群优化算法、狼群优化算法、蝙蝠算法、鸡群优化算法、进化算法、免疫算法、克隆选择算法和小世界网络等。然后总结了仿生优化算法的研究现状,并给出了仿生优化算法在信号处理、图像处理、语音处理和通信网络等领域中的典型应用。最后,归纳了仿生学优化算法的特点,并对如何扩展其适用范围、探索新的仿生学优化算法提出了基本思路,对其发展进行了展望。     

群体智能典型算法研究综述

群体智能是指无智能的或具有简单智能的个体通过协作表现出群体智能行为的特性,它在没有集中控制且不提供全局模型的前提下,为寻找复杂的分布式问题求解方案提供了基础。群体智能潜在的并行性和分布式特征使之成为计算机领域一个重要的研究方向。在介绍群体智能模型的基础上,分别对基于该模型的蚁群优化算法和粒子群优化算法这两类代表性算法进行较为详尽的归纳阐述并进行比较,最后就目前应用最为广泛的蚁群算法对群体智能的发展趋势进行展望。     

免疫粒子群优化算法及应用

针对一般免疫算法收敛速度慢的缺点,提出一种免疫粒子群优化算法,算法保留了基于抗体生存期望值的多样性保持策略,同样采用了交叉和变异产生新的抗体,在此基础上引入了粒子群优化的思想,采用粒子群优化的办法,使抗体在更新的过程中只跟踪全局极值,使其进化具有明确的方向性.采用免疫粒了群优化算法对典碰的多峰函数进行优化,仿真结果表明了方法的有效性,并通过与一般免疫算法进行比较,表明方法能够加快一般免疫算法的收敛速度,具有更好的优化性能.     

二进制粒子群算法在人脸识别中的应用

把二进制粒子群优化算法(BPSO)应用到人脸识别中.对人脸图像进行二维离散余弦变换(DCT),获得人脸图像的特征向量,应用BPSO算法对得到的特征向量进行特征选择,得到最具代表性的人脸特征.与遗传算法(GA)相比,在选择的特征较少的情况下,BPSO算法比遗传算法有更好的识别率.实验结果表明,BPSO算法应用到人脸识别中有较高的识别率,是一种非常有效的特征提取方法.     

An improved GA and a novel PSO-GA-based hybrid algorithm

Inspired by the natural features of the variable size of the population, we present a variable population-size genetic algorithm (VPGA) by introducing the “dying probability” for the individuals and the “war/disease process” for the population. Based on the VPGA and the particle swarm optimization (PSO) algorithms, a novel PSO-GA-based hybrid algorithm (PGHA) is also proposed in this paper. Simulation results show that both VPGA and PGHA are effective for the optimization problems.     

多目标微粒群优化算法及其应用研究进展*

多目标微粒群优化(MOPSO)算法是一类基于群体智能的新型全局多目标优化方法,已受到广泛关注,并在许多领域得到应用。针对近几年来MOPSO算法及其应用的进展进行了综述和评论。首先描述了MOPSO算法的基本框架;接着对MOPSO算法进行了分类和分析,并给出了MOPSO算法的一些改进策略;然后介绍了MOPSO算法的应用进展;最后,展望了MOPSO算法值得进一步研究的方向。     

基于离散粒子群优化算法求解矩形件排样问题

改进了一种近似排样算法,并将改进的近似排样算法与离散粒子群优化算法结合求解矩形件排样问题.设计了应用离散粒子群优化算法求解矩形件排样问题的相关操作和定义,给出了离散粒子群优化算法求解矩形件排样问题的详细步骤,最后通过实验测试,验证了算法的有效性.     

基于衰减因子和动态学习的改进樽海鞘群算法

樽海鞘群算法是一种新型的群智能优化算法.与其他智能优化算法相比,樽海鞘群算法的优化求解策略仍有待改进,以进一步提高该算法的求解精度和寻优效率.本文提出一种基于衰减因子和动态学习的改进樽海鞘群算法,通过在领导者更新阶段添加衰减因子,提高算法的局部开发能力,在跟随者更新阶段引入动态学习策略,提高算法的全局搜索能力.本文对16个测试函数进行实验,将提出的改进算法与其他智能优化算法比较,实验结果表明,本文提出的改进算法在收敛精度和收敛速度方面有较大提升,具有良好的优化性能.     

粒子群优化算法的分析与研究

粒子群优化算法是一种新兴的基于群智能的演化计算方法,其思想来源于对鸟群运动行为的研究.群体中的每一个粒子通过追随个体最优解和群体最优解来完成解的迭代过程.首先介绍了PSO算法的基本原理,然后对PSO的几种典型改进算法进行了介绍并通过仿真实验对各种算法进行了分析和比对,最后对粒子群算法研究方向进行了展望.