具有捕食策略的混合随机优化算法及其多极值函数优化

SAGACIA是一种混合随机优化算法,该算法虽已吸收了模拟退火算法、遗传算法和趋化性算法的优点,但搜索过程中仍存在收敛速度慢以及采用固定步长影响搜索精度的缺点,而捕食搜索策略通过限制的调节能较快锁定最优区域,从而提高收敛速度。结合两者的优缺点,提出一种具有捕食搜索策略的自适应调整步长SAGACIA算法,改进后的算法通过捕食搜索策略平衡了算法的局域搜索和全局搜索,提高了收敛速度;邻域搜索采用自适应步长,避免了最优解附近的震荡,提高了搜索精度。实验仿真结果表明,改进后的SAGACIA算法具有较快的收敛速度和较高的寻优精度,证明了算法改进的有效性和可行性。     

胖树型片上网络的低能耗映射算法

为解决胖树型片上网络的映射问题,针对该网络不同层路由器间链路长度不同的特点,提出一种低能耗映射优化模型,并设计一种基于捕食搜索策略的差分进化算法(PSDE)进行模型求解.该算法将捕食搜索策略与差分进化算法相结合,弥补了差分进化算法易陷入局部最优的不足,增强了捕食搜索策略的局部搜索能力.仿真实验结果表明,与遗传算法和模拟退火算法相比,PSDE可以缩短运行时间,并获得低能耗、高质量的优化映射结果.     

不确定区域下基于自适应并行遗传的最优鲁棒控制器

目前使用遗传算法设计鲁棒控制器时, 都要人为地给定变量搜索空间. 当变量区域不确定时, 采用自适应并行遗传算法设计出最优鲁棒控制器, 该方法根据当前搜索到的各种群最优个体的分布情况, 运用概率统计理论求出变量区域的最小方差无偏估计, 不断缩小不确定的变量搜索区域, 从而逐步达到最优, 并且考虑了种群个体适应度对算法中交叉概率和变异概率的影响. 该方法能设计出简单正则、阶数低的最优鲁棒控制器, 而且仿真结果表明, 这些控制器有效地避免了局部最优, 提高了算法的寻优精度和收敛速度.     

基于亲缘选择的遗传算法

针对传统遗传算法容易陷入局部最优解的缺陷,借鉴生物中亲缘选择的思想,提出基于亲缘选择的遗传算法。该算法构造新选择算子,通过按亲缘关系放弃一个解而获得另一个解来保证算法在最优解的领域内的有效搜索,提高遗传算法对全局最优解的搜索能力和收敛速度。仿真结果表明,该算法正确有效,性能优于现有的传统算法。     

免疫遗传蚁群融合算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中,利用免疫算法的局部优化能力和遗传算法的全局搜索能力,来提高蚁群系统的收敛速度。该算法通过遗传算法的选择、交叉、变异操作和免疫算法的自适应疫苗接种操作,有效地解决了蚁群系统的易陷入局部最优和易退化的缺点。通过对旅行商问题的仿真实验表明该算法具有非常好的收敛速度和全局最优解的搜索能力。     

用于曲线拟合的种群再分布遗传算法

针对简单遗传算法在曲线拟合应用中局部搜索能力差、收敛精度低的特点,提出了一种新的基于种群再分布的改进遗传算法。该算法在遗传算法进行的过程中,根据最优解的优劣,调整种群在最优解附近的分布,从而增强了算法的局部搜索能力。实验证明,该方法对于曲线拟合问题能取得优于简单遗传算法和传统数值迭代方法的结果。     

一种混合遗传算法及收敛性分析

为了改进遗传算法的局部搜索性能，通过在遗传算法中引入局部搜索技术，提出了一种新型混合算法。应用马尔克夫链理论证明了新算法的收敛性。实际应用结果表明了该算法的有效性。     

基于K-Means变异算子的混合遗传算法聚类研究

遗传算法具有良好的全局搜索能力,但有过早收敛和过慢结束的缺点。K-Means算法具有很强的局部搜索能力,但算法有对初始聚类中心敏感而易陷入局部最优解。针对上述问题,提出了基于K-Means变异算子的混合遗传算法聚类,将K-Means算法的局部搜索能力与遗传算法的全局寻优搜索能力相结合,在遗传算法中引入K-Means变异算子,采用符号编码、自适应变异、最优个体保留策略的混合遗传算法。仿真实验表明,该算法有效克服了遗传算法过慢收敛和K-Means算法陷入局部收敛的问题,从而得到更好的聚类效果。     

有时间窗车辆路径问题的捕食搜索算法

有时间窗车辆路径问题是当前物流配送系统研究中的热点问题，该问题具有NP难性质。难以求得最优解或满意解，在建立有时间窗车辆路径问题数学模型的基础上。设计了一种模仿动物捕食策略的捕食搜索算法．该算法利用控制搜索空间的限制大小来实现算法的局域搜索和全局搜索，具有良好的局部集中搜索和跳出局部最优的能力．通过实例计算，并与相关启发式算法比较．取得了满意的结果．     

遗传算法与蚂蚁算法动态融合的软硬件划分

面向嵌入式系统和SoC(system-on-a-chip)软硬件双路划分问题,提出遗传算法与蚂蚁算法动态融合的软硬件划分算法.基本思想是:(1)利用遗传算法群体性、全局、随机、快速搜索的优势生成初始划分解,将其转化为蚂蚁算法所需的初始信息素分布,然后利用蚂蚁算法正反馈、高效6收敛的优势求取最优划分解;(2)在遗传算法运行过程中动态确定遗传算法与蚂蚁算法的最佳融合时机,避免由于遗传算法过早或过晚结束而影响划分算法的整体性能.该算法既发挥了遗传算法与蚂蚁算法在寻优搜索中各自的优势,又克服了遗传算法在搜索到一定阶段时最优解搜索效率低以及蚂蚁算法初始信息素匮乏的不足,并且在算法中提出了遗传算法与蚂蚁算法动态融合的衔接策略.实验结果表明,该算法在性能上明显优于遗传算法和蚂蚁算法,并且划分问题规模越大,优势越明显.     

游戏引擎最短路径搜索优化遗传算法设计

为满足游戏地图中最短路径搜索求解, 提出了一种优化的自适应遗传算法。该算法采用与游戏地图中节点数和弧段数相关联的节点复杂度算子, 结合种群的整体情况和进化潜力来设定自适应遗传算法的交叉率和变异率。实验表明, 该算法避免了搜索结果陷入局部最优解, 确保最短路径的搜索成功率及提高搜索速度, 在游戏引擎设计中具有一定的实用价值。     

CPSO-NP优化算法及其在TE过程中应用

为有效平衡粒子群算法的探索和开发能力,解决粒子群局部最优、收敛速度慢等问题,提出了基于捕食搜索和自然选择的混沌粒子群算法.该算法借鉴自然选择中适者生存的进化机制以提高算法的收敛速度;且捕食搜索策略调节限制级别平衡全局搜索和局部搜索,优化搜索性能;通过函数测试和化工TE的故障诊断,结果表明:所提算法计算精度高、收敛速度快,能准确地对SVM的参数进行寻优,提高了故障诊断的准确性.     

改进的模糊遗传算法及在信息过滤中的应用

为了改进传统遗传算法在求解复杂问题上存在早收敛及搜索后期运行效率低等缺点,提出了一种应用于文本分类和信息过滤的模糊遗传算法.首先应用了年龄概念来控制种群规模,使得遗传操作过程更接近于自然进化过程,然后引进参数的模糊调整过程,对遗传算法的参数种群规模,交叉率及变异率3个方面进行动态调整,改进了遗传算法的搜索性能.实验结果表明,相比传统遗传算法,该模糊遗传算法在全局优化能力及收敛速度上均有显著提高.     

应用改进的遗传算法求解TSP问题

旅行商问题,也称货郎担问题,属于完全NP问题,而遗传算法在解决组合排列问题方面占有很重要的地位.针对TSP问题,提出了一种改进的遗传算法.利用交换启发交叉算子和可变交叉概率实现局部搜索,加快算法的收敛速度,利用变换变异算子和可变变异概率维持群体的多样性防止算法早熟收敛.Java仿真实验结果表明,改进后的算法明显优于传统的遗传算法,说明该算法具有良好的有效性和可行性.     

面向列车运行调整问题的粒子群算法研究*

列车运行调整问题是一种特殊的NP完全问题,不仅具有众多约束,并且有着列车等级要求和延迟传播限制,使得该问题搜索空间庞大,可行解范围狭小,往往难以获得较优解。为求解列车运行调整问题,针对此特殊性,将捕食搜索策略思想引入到粒子群算法中,并在此基础上提出一种速度限制的调整方式,同时辅以自适应控制,使得算法在大范围搜索时更易跳出局部最小解,而在小范围搜索时粒子飞行速度更慢,搜索更精确。将该算法用于列车运行调整问题,所得调整方案比遗传算法和普通粒子群算法结果更逼近原开行方案。     

文化基因算法在多约束背包问题中的应用

文化基因算法是一种启发式算法,与一些经典数学方法相比,更适于求解多约束背包问题.文化基因算法是一种基于种群的全局搜索和基于个体的局部启发式搜索的结合体,针对多约束问题,提出采用贪婪策略通过违反度排序的方法处理多约束条件,全局搜索采用遗传算法,局部搜索采用模拟退火策略,解决具有多约束条件的0-1背包问题.通过对几个实例的求解,表明文化基因算法与标准遗传算法相比,具有更优的搜索性能.     

基于邻域搜索的混合遗传算法及其在对称TSP中的应用

基于邻域搜索的混合遗传算法是综合了遗传算法和邻域搜索算法各自优势的全局搜索算法。它既有遗传算法的全局搜索能力,又有高效的局部搜索能力。该算法较好地解决了两种不同算法结合所产生的矛盾。通过对对称TSP的实验表明,算法具有良好的全局寻优性能并得到很好的结果。     

扩散遗传算法及其应用研究

针对遗传算法在局部搜索能力方面的缺陷,提出了一种基于扩散算子的遗产算法(简称扩散遗产算法)。该算法中包含的扩散算子是变异算子,其主要作用是在遗传搜索中进行局部搜索。用扩散遗传算法和实数编码遗传算法分别训练用于解XOR问题的神经网络,对比结果表明,论文提出的算法兼具强的全局搜索能力和局部搜索能力,因此,该算法可以不借助其它局部搜索算法而单独作为神经网络训练算法,从而简化训练算法,提高训练效率。该算法对提高遗传算法搜索效率和求解精度具有重要的意义。