佳点集遗传算法

该文借助于遗传算法的理想浓度模型以及由此模型对遗传算法的机理的分析,给出了遗传算法的运行机理发及特点,即遗传算法是一个具有定向制导的随机搜索技术,其定向制导的原则蛎：导向以高适应度模式为祖先的“家族”方向,以此结论为基础,利用数论中的佳点休的理论和方法,对GA算法中的交叉操作进行了重新设计,给出了一个新的GA算法,称之为佳点集遗传算法,最后作者将佳点GA算法应用于求解优化问题、SAT问题、TSP问题和背包问题,并与其它求解SAT算法进行比较,通过模拟比较,可以看出新的算法不但提高了算法的速度和精度,而且避免了其它方法常有的早期收敛的现象,这说明作者对GA算法机理的理解和佳点CA算法可能为GA算法的研究开辟一条新的途径。     

均匀设计抽样混合遗传算法求解图的二划分问题

遗传算法(GA)的运行机理及特点是具有定向制导的随机搜索技术,其定向制导的原则是:导向以高适应度模式为祖先的"家族"方向。以此结论为基础,利用均匀设计抽样(UDS)的理论和方法,对遗传算法中的交叉操作进行重新设计,并在分析图二划分问题特点的基础上,结合局部搜索策略,给出了一个求解图二划分问题的新遗传算法,称之为基于均匀设计抽样的混合遗传算法。最后将该算法与简单遗传算法和佳点集遗传算法进行比较。通过模拟比较,可以看出新算法不但提高了算法的求解速度和精度,而且避免了常有的早期收敛现象。     

一种求解0-1背包问题的新遗传算法

众所周知,遗传算法的运行机理及特点是具有定向制导的随机搜索技术,其定向制导的原则是： 导向以高适应度模式为祖先的“家族”方向。以此结论为基础,利用随机化均匀设计的理论和方法,对遗传算法中的交叉操作进行了重新设计,给出了一个新算法,称之为随机化均匀设计遗传算法。最后将随机化均匀设计遗传算法应用于求解0-1背包问题,并与简单遗传算法和佳点集遗传算法进行比较。通过模拟比较,可以看出新的算法不但提高了算法的速度和精度,而且避免了其他方法常有的早期收敛现象。     

面向端元提取的粒子群优化遗传算法

现有的粒子群优化(PSO)算法和遗传算法(GA)无法很好地解决高光谱影像端元提取这类离散解空间内的大规模取样优化问题。针对该问题,借鉴凸面几何学理论,利用局部模式粒子群优化的原理改进遗传算法,提出一种面向高光谱影像端元提取的粒子群优化遗传算法(PSOGA)。利用模拟数据和PHI影像对PSOGA算法和GA算法进行实验对比。分析结果证明,PSOGA算法的收敛速度优于GA算法。     

基于改进免疫遗传算法的聚类分析研究与应佑

本文分析了聚类的思想,将免疫原理引入到遗传算法并应用于聚类分析过程中,提出了改进的免疫遗传算法(MIGA).该算法借鉴了免疫算法中有关浓度的定义,并使用了GA算法中交叉和变异的思想.通过实验显示该方法优于基本的遗传算法.     

并行遗传算法研究及其应用

GA是一类基于自然选择和遗传学原理的有效搜索方法,它从一个种群开始,利用选择、交叉、变异等遗传算子对种群进行不断进化,最后得到全局最优解.但随着求解问题的复杂性及难度的增加,提高GA的运行速度便显得尤为突出,采用并行遗传算法(PGA)是提高搜索效率的方法之一.本文分析了并行遗传算法的四种模型,最后应用于0-1背包问题的求解.实验结果表明,该算法在具有较高搜索效率的同时,仍能维持很高的种群多样性.     

基于素描的遗传算法

传统遗传算法容易陷入局部最优解，本文借鉴美术中“素描”的思想，对传统的遗传算法进行了改进，提出了基于素描的新型遗传算法．该算法模拟人的素描行为，构造参数控制下的选择算子，再通过参数的调节来选择个体，并依据最优个体对选择算子进行修正，以达到动态调整群体进化过程中的种群多样性和收敛速度之间的矛盾，从而有效地避免了传统遗传算法中早熟现象，显著地提高了GA对全局最优解的搜索能力和收敛速度．这将使GA在众多实际的优化问题上将具有更广泛的应用前景．仿真结果表明，该算法正确有效，且性能优于现有的其它方法．     

遗传算法的改进

简要介绍了一般遗传算法的基本原理，由此提出了一个新的改进算法，它导向以适应度比较高的模式为祖先的染色体“家族”方向。文中给出了两个典型求最大值的例子，从结果中看，改进后的遗传算法大大提高了算法的速度，精度也有所提高。     

基于计算智能中遗传算法的特点

计算智能是以计算模型、数学模型为基础．以分布并行计算为特征的模拟人的智能求解问题的理论与方法。遗传算法是模拟进化算法中具有普遍影响的算法之一。文章通过对遗传算法基本原理的阐述,对其算法在应用中最关键的串的编码方式、适应函数的确定、遗传算法自身参数设定这三个问题的分析,为遗传算法在网络学习、网络设计、网络分析中的应用进行了总结归纳。     

基于遗传BP网络的快速分类算法的构建

为获取能快速分类的智能算法,在分析BP算法原理与缺陷的基础上,首先对标准的BP算法进行了改进,然后利用已改进的BPX算法优化遗传算法选优过程,提出了GA＆BP混合算法,该算法兼顾了GA算法的全局收敛特性和BP算法快速的局部收敛能力,使算法既有较快的收敛速度又不易陷入局部解。仿真结果表明GA＆BP混合算法的收敛速度、误差精度等主要性能指标有明显改善。     

基于遗传算法的单个脉冲测速系统的数值处理

在传统的遗传算法中,交叉算子探索新的解空间与保存个体中的优良模式的性能不能同时达到最优,且在一定程度上破坏群体多样性。提出智能交叉算子改进了传统遗传算法,用于单个脉冲测速系统的数值处理。结果表明算法具有较高的精度,且计算速度较快;并指出复制信号个数为64时计算效果较优。     

基于粒子群优化和遗传算法的协同聚类算法

为充分发挥粒子群优化算法和遗传算法各自的优势,提出一种新的基于粒子群和遗传算法的协同进化算法,并将其应用于聚类分析。通过构建2个相互竞争的种群,采用相对适应度度量方法,在一个纯自举的过程中产生最优竞争个体。在现实世界数据集上的仿真实验表明,该算法在收敛精度方面优于基于遗传算法的聚类方法和基本粒子群优化聚类算法。     

一种改进的自适应遗传算法求解专家分配问题

基金项目管理中，专家分配问题的研究具有很现实的意义。在解决专家分配问题上做过一些基础性的工作，提出了使用遗传算法及一种信息素指导变异的新算法求解该问题。实验证明，遗传算法是一种可行的途径，并且信息素指导下的启发式变异操作，可以加速算法向最优解搜索。但是，这两种方法都存在局部搜索能力差的问题，在算法运行的中后期会出现大量的冗余迭代。鉴于此，提出一种信息素指导下的自适应变异方法求解专家分配问题。实验证明，新算法具有更强的收敛能力和局部搜索能力。     

Constructive genetic algorithm for clustering problems

Genetic algorithms (GAs) have recently been accepted as powerful approaches to solving optimization problems. It is also well-accepted that building block construction (schemata formation and conservation) has a positive influence on GA behavior. Schemata are usually indirectly evaluated through a derived structure. We introduce a new approach called the Constructive Genetic Algorithm (CGA), which allows for schemata evaluation and the provision of other new features to the GA. Problems are modeled as bi-objective optimization problems that consider the evaluation of two fitness functions. This double fitness process, called fg-fitness, evaluates schemata and structures in a common basis. Evolution is conducted considering an adaptive rejection threshold that contemplates both objectives and attributes a rank to each individual in population. The population is dynamic in size and composed of schemata and structures. Recombination preserves good schemata, and mutation is applied to structures to get population diversification. The CGA is applied to two clustering problems in graphs. Representation of schemata and structures use a binary digit alphabet and are based on assignment (greedy) heuristics that provide a clearly distinguished representation for the problems. The clustering problems studied are the classical p-median and the capacitated p-median. Good results are shown for problem instances taken from the literature.     

主尺度受限船舶性能及结构特性综合优化方法研究

本文建立了主尺度受限船舶性能及结构特性综合优化的数学模型,基于并行算法、遗传算法和混沌算法思想,构造了一种基于敏感变量分段的并行遗传混沌复合算法,并将其应用于求解此类综合优化计算问题,编制了界面友好的VC++软件。对于主尺度受限船舶性能及结构特性综合优化问题,进行了遗传算法或混沌算法及其并行或复合算法的大量优化计算。结果表明:该复合算法不但能有效地克服遗传算法的早熟问题,而且计算可靠、效率高,为主尺度受限船舶设计方案的综合评估及其综合优良船型设计准备了前提条件。     

Ensemble based on GA wrapper feature selection

Ensemble of classifiers is a learning paradigm where many classifiers are jointly used to solve a problem. Research has shown that ensemble is very effective for classification tasks. Diversity and accuracy are two basic requirements for the ensemble creation. In this paper, we propose an ensemble creation method based on GA wrapper feature selection. Preliminary experimental results on real-world data show that the proposed method is promising, especially when the number of training data is limited.     

遗传算法在信息安全中的应用研究

遗传算法作为一种高效、并行、全局搜索的现代仿生智能优化算法,被广泛应用于计算机、自动控制等领域。探讨了遗传算法与S盒的基本原理,构造出基于遗传算法的S盒密码学模型,同时对该模型的理论基础、收敛性等进行了系统的分析;通过仿真实验对该模型效果和性能进行了分析与验证,结果表明该模型具有良好的密码学性能。