案例系统特征权值优化算法的仿真研究

研究案例系统特征权值优化问题,传统特征权值确定方法过分依赖主观判断和经验,而单一遗传算法或禁忌算法存在各自的不足,因此案例分类精度低。为了提高案例分类精度,提出一种遗传算法和禁忌算法相融合的案例系统特征权值优化方法。利用遗传算法全局搜索能力、并行性和禁忌算法局部搜索和记忆能力,有效地解决了案例系统特征权值优化问题。仿真结果表明,混合方法利用了遗传算法和禁忌算法的优点,很好地优化了案例系统特征权值,从而加快案例系统检索速度,提高了案例分类精度。     

基于GATS贝叶斯网络结构学习的航班延误模型

对遗传算法（GA）贝叶斯网络（BN）结构学习和禁忌搜索算法（TS）进行分析,提出遗传禁忌搜索贝叶斯网络结构学习算法GATS_BNSL。把禁忌搜索思想引入到遗传算法BN结构学习由父代种群产生后代种群的演化过程中,以禁忌搜索交叉和禁忌搜索变异改进传统的遗传算子,对比实验分析表明了GATS_BNSL的学习优势。应用此方法,基于真实数据,建立了大型枢纽机场航班离港延误模型。该模型切实反映了导致航班延误的多因素之间的因果关系,而且建模时间少,学习正确率高。     

基于ISOA的LS-SVM地铁站空调系统能耗预测模型

为提高地铁站空调系统能耗的预测精度,利用最小二乘支持向量机（Least Squares Support Vector Machines, LS-SVM）建立能耗预测模型是一种有效的方法。但是LS-SVM在处理大规模数据集的回归问题时难以确定最佳模型参数值,较大程度地影响了模型的拟合精度和泛化能力。为此,提出一种从算法搜索步长和搜索方向这2个方面进行改进的人群搜索算法（Improved Seeker Optimization Algorithm, ISOA）对LS-SVM建模过程中的模型参数进行优化选择。将所提出的基于ISOA-LS-SVM建立的能耗预测模型应用于北京某高校地铁实训平台。研究结果表明：该模型能够准确预测出系统能耗,相比于网格搜索法、粒子群算法以及传统的人群搜索算法,优化的LS-SVM在速度和精度上都有所提升。     

基于PCA和禁忌搜索的网络流量特征选择算法

针对网络流量特征属性选择的寻优和效率问题,提出了一种PCA结合禁忌搜索的网络流量特征选择方法。该方法通过PCA对高维特征属性空间进行特征约减,并利用禁忌搜索得到全局最优特征子集。实验证明,相比流行的遗传算法(GA)和粒子群寻优算法(PSO-SVM),PCA和禁忌搜索方法具有更好的处理效率和特征选择精度。     

基于QGA-LSSVM的醋酸乙烯聚合率软测量建模

针对最小二乘支持向量机(LS-SVM)在建立醋酸乙烯(VAC)聚合率软测量模型过程中最优模型参数的选择问题,提出了利用一种量子遗传算法来自动选取LS-SVM模型正则化参数和核函数参数的方法;把LS-SVM模型参数的选择问题转化为优化问题,利用全局搜索能力强的量子遗传算法优化LS-SVM建模过程的重要参数,建立了基于QGA-LSSVM方法的VAC聚合率软测量模型;仿真结果表明:与已有的神经网络和支持向量机软测量方法相比,该模型泛化能力强,精度高,更有利于醋酸乙烯聚合率测量工程实际运用。     

基于遗传和禁忌搜索算法求解车间调度优化问题

针对柔性生产环境下的车间调度问题,在考虑遗传算法早熟收敛问题和禁忌搜索法自适应优点的基础上,将遗传算法和禁忌搜索法结合起来,提出了基于遗传和禁忌搜索的混合动态优化调度算法,并用实例对该算法进行了仿真研究。结果表明,此算法有很好收敛精度,是可行的，并且能够在扰动发生后提供新的调度计划，与传统的调度算法相比较，体现了明显的优越性。     

TSGA:新型的片上网络低功耗映射算法

针对如何将越来越复杂的应用任务有效地映射到片上网络处理单元上,达到以更少的能耗完成任务的目的,提出了一种遗传算法和禁忌搜索算法相融合的新型片上网路低功耗映射算法。该方法充分利用遗传算法强大的全局搜索能力,融合禁忌搜索的局部搜索能力和突出的翻山特性来弥补遗传算法的局部搜索能力弱和早熟的缺陷,取得了更好的片上网络低功耗效果。实验结果表明,在同样的实验平台和功耗模型下,禁忌搜索遗传算法相比于早期的遗传算法能耗降低显著,相比于后来改进的MGA、AGA算法也有能效优势。     

LS-SVM时间序列预测 ——免疫文化基因算法进行LS-SVM参数选优

针对最小二乘支持向量机（LS-SVM）在时间序列预测中的参数不确定问题,在训练阶段,使用结合了全局搜索和局部搜索的免疫文化基因算法来进行参数寻优。实验中通过对Lorenz时间序列和建筑能耗的两组预测实验,对比了免疫文化基因算法、遗传算法和网格搜索算法对LS-SVM参数的优化效果,证明了免疫文化基因算法的优化效果最好,且LS-SVM的预测精度比支持向量机（SVM）和BP网络预测都要高。     

基于遗传和禁忌搜索混合的软硬件划分算法

针对嵌入式系统软硬件划分问题,在比较了遗传算法（GA）和禁忌搜索（TS）各自优缺点的基础上,提出采用遗传/禁忌混合算法（GATS）的策略,用遗传算法提供并行搜索的主框架,用禁忌搜索作为遗传算法的变异算子,遗传算法中变异过程解空间的搜索由禁忌搜索实现。实验结果表明,GATS具有多出发点和记忆功能强、爬山能力强的优势,能够克服GA爬山能力差、TS单点出发的弱点。最后与单纯的遗传算法和禁忌搜索算法进行对比实验,证明GATS更有优势,得到的划分结果也更优秀。     

排课模型中的算法分析与设计

排课模型用到了遗传算法和禁忌搜索算法。为了提高遗传算法的局部搜索能力,根据遗传算法和禁忌搜索算法自身的特点,通过分析两者的优势和不足,给出一种将两者混合使用的排课算法。     

有时间窗约束车辆路径问题的改进遗传算法

将遗传算法与禁忌搜索结合起来,设计了一种改进的遗传算法求解有时间窗约束车辆路径问题。采用启发式插入算法产生较优良的遗传操作初始种群,通过改进的逆转变异算子更多继承父代的优良性能,以提高遗传算法的计算效率。引入海明距评估遗传进化中种群的多样性。当种群多样性低到一定程度时转入禁忌搜索,以避免遗传算法早熟的缺陷,最终实现全局优化。通过算例验证了该算法的优越性。     

基于帝国主义竞争算法的WSNs定位方案

遗传算法(GA)在无线传感器网络(WSNs)定位时存在收敛速度慢、精度低等弊端,针对以上问题,提出了一种利用帝国主义竞争算法(ICA)优化WSNs定位的方案。首先,使用了采样的方法来估计未知节点的初始位置;其次,依靠信标节点和相邻节点的相关信息建立了以最小化全局误差的三维空间的数学定位模型;最后,使用了最新的社会启发算法—ICA来进行定位优化。实验结果表明:与GA定位相比,ICA在WSNs定位上具有定位精度高、收敛迅速的优势。     

蛋白质折叠预测的禁忌搜索粒子群算法

针对PSO算法晚期收敛速度慢、求解精度差的缺点,提出了一种改进优化算法——将粒子群算法（Particle Swarm Optimization,PSO）与禁忌搜索算法（Tabu Search,TS）结合起来解决基于三维AB非晶格模型的蛋白质折叠预测问题。TS算法的引入提高了粒子群收敛后期的精度,粒子变异机制增强了粒子跳出局部极小值的能力。真实数据实验表明,该算法计算出的蛋白质序列能量值相比其他算法有更高的精确度,能够更好地模拟蛋白质构象,是分析蛋白质结构的一种有效方法。     

基于EDA-DP的LS-SVM参数优化选择

通过分析最小二乘支持向量机(LS-SVM)模型的超参数选择对分类器的影响,提出一种采用多样性保持的分布估计算法(EDA-DP)优化选择LS-SVM模型参数的方法。使用基于EDA-DP的LS-SVM分类器模型对基准数据集和雷达目标高分辨距离像数据集进行仿真实验,结果表明,该模型相比基于网格法的分类器模型,平均识别率分别提高了4.2%和1.76%,具有更好的分类性能和泛化能力。     

T-S模型全局优化辨识

T-S模型把一个非线性系统当做多个线性子系统与其权重乘积之和,能够逼近任意非线性系统。提出基于遗传算法和支持向量机的T-S模型全局优化辨识方法,利用遗传算法同时辨识T-S模型的结构和参数,以结构风险最小化作为辨识的评价指标,综合考虑模型复杂度和辨识误差,辨识精度高,泛化能力强,仿真结果证明了算法的有效性。     

基于遗传-拟牛顿混合算法的到达时间差定位

结合遗传算法的群体搜索性和拟牛顿迭代法的局部细致搜索性,提出一种基于遗传-拟牛顿混合算法的到达时间差定位方法。该方法利用遗传算法进行全局迭代,当收敛结果达到满意值后将其作为拟牛顿迭代的初始值继续迭代,直至得到精确解,由此克服遗传算法后期搜索效率低以及拟牛顿法对初始值敏感的缺陷。仿真结果表明,在参数设置合理的前提下,相比遗传算法和拟牛顿法,该混合算法性能稳定,具有较快的定位速度和较高的定位精度。     

基于RS—LS-SVM的建筑物室内空气品质评价研究

提出一种基于粗糙集（Rough Set,RS）—最小二乘支持向量机（Least-squares-Support Vector Machine,LS-SVM）复合的建筑物室内空气品质评价方法,选取描述室内空气品质的六项监测指标作为评价因子,利用RS理论,对室内空气品质监测数据进行属性约简,消除冗余信息,用约简后的规则集对LS-SVM进行训练,使其达到满意精度。实验仿真表明：该复合方法具有良好的收敛速度与非线性逼近能力,能对室内空气品质进行实时、准确的评价,为建筑物室内空气品质监测、环境污染治理提供科学依据。     

两种优化训练的FNN在船舶柴油机故障诊断中的性能研究

本文针对船舶柴油机故障诊断系统,基于遗传算法（genetic algorithm,GA）和蚁群优化算法（ant colony optimization algorithm,ACOA）构造了2种优化训练的模糊神经网络（fuzzy neural network,FNN）智能故障诊断模式,给出了该模糊神经网络智能故障诊断系统的结构及其参数选取方法,通过对船舶柴油机燃烧子系统的FNN模型结构权值和阈值优化训练的故障诊断仿真研究,对两种方式的性能进行对比研究,仿真测试结果表明,基于ACOA的诊断模型具有更好的故障诊断知识表达准确性和较快的收敛速度等特点,具有较好的应用前景。     

基于GA-NN的碳通量预测因素选择

研究和选择碳循环的影响因素是预测碳通量的重要环节,也是研究碳循环机理的重要步骤。然而从众多的影响因素中选择重要的因素,依然存在着困难。提出利用相关分析、遗传算法和神经网络进行碳通量预测的主要因素选择的方法,首先用相关分析去处冗余的因素;然后利用遗传算法,以选择最小数目的因素时,最大碳通量的观测值和用神经网络预测值的相关系数为准则,来搜寻最优的影响因素。实验证明该方法能在不影响（或尽量小地影响）预测精度的前提下,有效地选择出碳通量预测的重要因素。