基于BP算子的自适应混合遗传算法研究

将误差反向传播算法(BP算法)以一个算子的形式融入到遗传算法中,以提高遗传算法的优化性能.其基本思路是:在遗传算法收敛速度放慢时启用BP算子,把新一代群体作为BP算子的初始值再用BP算法训练网络,这样交替运行BP算法和遗传算法,直到达到问题要求的精度.通过对4例实验函数的优化,证明了混合遗传算法具有良好的收敛性和稳定性.实验对插入BP算子的遗传算法和传统遗传算法的优化结果进行了比较分析,结果表明BP算子的插入对遗传算法的优化性能、收敛速度和收敛精度方面都有了很大的改进.     

基于改进免疫克隆算法的BP网络权值优化

在简单分析了BP网络的缺陷以及应用遗传算法来优化网络权值存在的不足之后,采用了一种免疫克隆算法对BP网络的权值进行优化,并对算法的变异算子进行了改进,改进后的变异算子把高斯变异与柯西变异有效地结合在一起,兼顾了精确的局部搜索与大范围搜索的优点,在扩大算法搜索范围的同时也保证了算法搜索的精细度.仿真实验结果表明,改进后的免疫克隆算法不仅有效地提高了BP网络学习的速度,还很好地改善了算法收敛性能,克服了遗传算法收敛速度慢,易陷入局部极优的缺点,可以成功地应用于BP网络的权值优化.     

基于遗传算法优化神经网络的多用户检测

利用遗传算法全局搜索能力强和反向传播(BP)算法局部搜索速度快的特点,采取两段式训练方法,既避免陷入局部最小,又加快收敛速度。提出基于遗传算法优化神经网络权值的多用户检测算法。采用实数编码方式,将传统神经网络的能量函数作为适应度函数,选择算子选用轮盘赌算子,交叉算子选用单点交叉算子,变异算子选用正态变异算子。仿真结果表明,该算法的误码率、信干比和信道跟踪能力等方面的性能与传统前馈神经网络多用户检测算法相比均有一定的改善。     

基于梯度优化的自适应小生境遗传算法

针对基本遗传算法全局搜索能力差和收敛速度慢,且在求解多峰函数时仅能得到部分最优解的缺点,提出一种基于梯度优化的自适应小生境算法。该算法利用当前种群适应度和种群代数来设计交叉算子和变异算子,有效地保持了种群的多样性,改善全局搜索能力,加快了收敛速度,应用改进的梯度优化算子保证进化向最优解方向靠近,提高了计算峰值的精确度。对Shubert函数的仿真试验证明,该算法能改善全局搜索能力,加快算法收敛速度并提高计算精度。     

一种基于有性繁殖的遗传算法

为了更有效地抑制标准遗传算法 (SGA)中的早熟收敛现象和提高收敛速度 ,提出了一种基于有性繁殖的遗传算法 .该算法借鉴了自然界最常见的有性繁殖现象 ,首先将每个个体编码为配对的双染色体码串 ,并增加性别染色体编码 ,以建立遗传个体的性别特征 ;然后 ,通过建立有性遗传进化算子来对不同性别的个体赋予不同的进化控制参数 ,以使得雄性个体具有较强的全局探索能力 ,而使雌性个体具有较强的局部快速寻优能力 ,最后通过建立对应的有性遗传交叉、变异算子 ,使得这种基于有性繁殖的遗传算法具有更强的全局寻优能力和快速收敛能力 .用该算法对一系列典型函数和其他优化问题进行了优化计算试验 ,结果证明 ,该算法不易陷入早熟收敛 ,且全局搜索能力和局部搜索能力平衡较好 ,收敛速度快 ,同时也验证了这种基于有性繁殖的遗传算法的有效性和优良性能 .     

一种改进的遗传算法在无功优化中的应用

针对电力系统无功优化问题,采用遗传算法（GA）是一种有效的全局优化概率搜索算法。为了降低系统有功损耗,保证无功电力在规定范围之内,将混沌搜索引入到标准遗传算法,提出了一种结合混沌搜索的改进遗传算法。通过混沌序列搜索产生初始种群,同时对交叉、变异、选择算子进行了改进,进一步改善了遗传算法的全局寻优能力,并有效防止了局部收敛,提高了算法的收敛速度和计算精度。对系统进行了无功优化,并进行仿真。仿真结果表明,改进的遗传算法能更精确地寻找到全局最优解,并明显加快了收敛速度,性能优于标准遗传算法。     

基于优化遗传算法的FCM

针对FCM算法容易收敛于局部极小点的缺陷,将一种优化的遗传算法应用于FCM上,很好地解决了算法的抗局部收敛性。实验结果表明,改进后的算法不仅保留着原FCM算法的快速收敛优势,还很好地控制了局部收敛,提高了算法的全局搜索能力,具有更好的聚类性能。     

基于正余弦优化算子和Levy飞行机制的和声搜索算法

针对基本和声搜索（Harmony search, HS）算法收敛速度较慢、易陷入局部最优和计算精度不高的缺点,结合正余弦优化算子、Levy飞行机制和参数动态调整策略,提出一种改进的和声搜索算法。该算法在即兴创作阶段,首先引入正余弦优化算子和微调带宽相结合的方式对和声向量进行微调操作,充分利用最优个体和当前个体的位置信息,提高算法的计算精度和收敛速度;再采用Levy飞行机制对微调带宽进行更新,避免算法陷入局部最优,提高全局搜索能力;在算法迭代过程中,对和声记忆库存储概率、基音微调概率和搜索域进行自适应动态调整,以进一步提高算法收敛性能。在10个基准函数上进行性能对比试验的结果表明,本文提出的算法具有较强的全局搜索能力,较快的收敛速度和较高的计算精度。     

基于混沌“微变异”自适应遗传算法

遗传算法可以较好地解决复杂的组合优化问题,但也存在两方面不足:一是搜索效率比其他优化算法低;二是容易过早收敛,陷入局部最优.对此,提出一种混沌“微变异”遗传算法.利用混沌优化算法具有随机性和遍历性的特点,解决遗传算法容易陷入局部最优解的早熟问题,使得新算法同时具有较强的局部搜索能力和完成全局寻找最优解的能力.同时,对遗传算法的选择算子增加了混沌扰动,对交叉算子和变异算子进行自适应调整,对适应度函数进行改进,使遗传算法整体性能得到提高.最后,通过经典函数验证表明,混沌“微变异”遗传算法比一般的混沌遗传算法和经典遗传算法的进化速度更快,搜索精度更高.     

混沌遗传模拟退火组合算法性能研究

提出了一种混沌遗传模拟退火组合算法.为了提高算法的收敛速度,对遗传算法的适应度进行了拉伸操作,并且对模拟退火算法进行了改进,使其搜索范围随退火温度的降低而缩小.最后通过对4个典型函数的模拟,对算法的性能进行了研究.实验结果表明,该算法能明显改善传统遗传算法的性能,具有较强的全局搜索能力和较快的收敛速度.     

具有学习机制的正弦余弦算法

针对标准正余弦算法在求解函数优化问题时易陷入局部最优、收敛精度较差等问题,提出了一种具有学习机制的正弦余弦算法。该算法引入精英反向学习策略构造精英及反向群体,对其混合群体进行择优保留,从而优化了种群中的个体位置、提高了算法的寻优精度;同时,利用个体的反思学习能力防止个体盲目地向当前最优解学习,使算法停滞在局部最优,从而有效地避免了算法的未成熟收敛。在13个标准测试函数进行仿真实验,实验结果证明,该算法相比于对比算法具有较强的鲁棒性和函数优化能力。     

融合折射原理反向学习的飞蛾扑火算法

飞蛾扑火算法是一种新型群智能优化算法,目前已经应用于特征选择和图像分割等诸多领域。然而,传统的飞蛾扑火算法后期收敛速度不足且容易陷入局部最优,从而影响了算法的整体性能。为了提高飞蛾扑火算法的优化性能,提出了一种基于折射原理反向学习的飞蛾扑火算法（ROBL-MFO）。该算法首先在飞蛾的更新公式中引入历史最优火焰平均值,使火焰间的信息能够互相交流,提高算法的收敛能力;其次利用随机反向学习策略对解进行反向学习,扩大算法的搜索空间;最后使用折射原理对解进行折射操作,提高种群的多样性,帮助算法跳出局部最优。在六个标准实验函数上得到的实验结果表明,对比其他算法,ROBL-MFO算法拥有更好的收敛速度,且能够有效跳出局部最优。     

优良模式自学习遗传算法

遗传算法是应用比较广泛的一种随机优化算法.文中针对遗传算法在应用过程中出 现的收敛慢等问题提出一种优良模式自学习遗传算法,并且在理论上对算法的收敛性进行分 析.最后,通过多峰函数优化问题的仿真结果证明证了算法的实用性和有效性.     

连续函数优化的一种新方法-蚁群算法

针对连续函数优化问题,给出了一种基于蚂蚁群体智能搜索的随机搜索算法,对目标函数没有可微的要求,可有效克服经典算法易于陷入局部最优解的常见弊病。对基本的蚁群算法做了一定的改进,通过几个函数寻优的结果表明,算法具有良好的效果。同时,运用遗传算法对蚁群算法中的一些重要参数进行了寻优,提高了蚁群算法的收敛速度。     

一种基于PBIL算法的快速图像匹配方法

为了解决图像匹配过程中计算速度慢和匹配精度不高的缺陷,提出了一种基于群体增量学习算法的匹配方法。PBIL算法是一种基于概率分析的进化算法。它集成了基于函数优化的遗传搜索和竞争学习两种策略,将进化过程视为学习过程,通过竞争学习所获得知识来修正生成概率,进而指导后代的生成。在实验中,将其与传统序贯相似性检测算法(SSDA)和遗传算法进行了比较。结果表明基于该算法的图像匹配具有运算速度快、匹配精确等优点,且收敛过程非常稳定。     

适合盲提取的自适应遗传算法

对盲分离问题中存在收敛速度慢、精度不高和容易陷入局部最优等缺点进行了研究,提出了一种基于改进自适应遗传算法的快速盲提取算法。在负熵判据的基础上,建立了最小化独立信号边缘熵准则。以盲提取目标优化函数为基础,对遗传算法的关键技术进行了改进,同时提出一种适合盲信号提取的适应度函数和防止算法局部收敛的监测策略,使算法能够自动跳出局部最优,快速地收敛于全局最优解。以改进的自适应遗传算法作为寻优算法,快速地实现了瞬时混合信号的盲提取。仿真实验表明,该算法性能稳定、收敛速度快,得到了全局最优解,有效地实现了信号盲提取。     

深度学习优化算法研究

深度学习是机器学习领域热门的研究方向,深度学习中的训练和优化算法也受到了较高的关注和研究,已成为人工智能发展的重要推动力。基于卷积神经网络的基本结构,介绍了网络训练中激活函数和网络结构的选择、超参数的设置和优化算法,分析了各算法的优劣,并以Cifar-10数据集为训练样本进行了验证。实验结果表明,合适的训练方式和优化算法能够有效提高网络的准确性和收敛性。最后,在实际输电线图像识别中对最优算法进行了应用并取得了良好的效果。     

Implicit rule-based fuzzy-neural networks using the identification algorithm of GA hybrid scheme based on information granulation

This paper proposes an identification method for nonlinear models realized in the form of implicit rule-based fuzzy-neural networks (FNN). The design of the model dwells on the technologies of computational intelligence (CI), namely fuzzy sets, neural networks, and genetic algorithm. The FNN modeling and identification environment realizes parameter estimation through a synergistic usage of clustering techniques, genetic optimization and a complex search method. An HCM (Hard C-Means) clustering algorithm helps determine an initial location (parameters) of the membership functions of the information granules to be used in this fuzzy model. The parameters such as apexes of membership functions, learning rates, and momentum coefficients are then adjusted using the optimization algorithm of a GA hybrid scheme. The proposed GA hybrid scheme combines GA with the improved complex method to guarantee both global optimization and local convergence. An aggregate objective function (performance index) is used in the model design in order to achieve a sound balance between its approximation and generalization abilities. The proposed type of the model is experimented with several time series data (gas furnace, sewage treatment process, and NOx emission process data of gas turbine power plant).