基于主动进化的遗传算法

根据当前遗传学和生物进化论中对变异方式的研究成果．将定向变异的思想引入到标准遗传算法领域，提出了一种基于主动进化的遗传算法．这种改进的遗传算法，可以在很大程度上克服现有遗传算法执行效率低的问题．我们将这种方法应用到TSP问题中，取得满意的实验结果、     

基于遗传算法的模糊聚类研究及其应用

为了克服传统聚类算法对初始化敏感的缺点，提出了一种基于增强型遗传算法的模糊聚类方法。它把遗传结束的准则与传统算法的终止准则有机地结合起来，不仅提高了算法的聚类分析性能，也提高了算法的收敛速度。比盲目的搜索效率要高，也比专门的针对特定问题的算法通用性强。通过在国内一家大型乳业集团的HRM系统中的成功运用，说明了该算法的有效性和通用性。     

一种基于遗传算法的模糊聚类算法

本文分析了FCM算法在具体应用领域中存在的缺陷基础上，针对Web文档聚类问题提出了一种基于改进的遗传模糊聚类算法，该算法不仅具有良好的计算效率，还可以克服FCM算法中存在的缺陷。     

基于主动进化的神经网络优化算法

本文研究了一种基于主动进化神经网络的自动优化算法,用以同时完成对网络结构空间和权值空间的搜索。主动进化遗传算法在很大程度上克服了现有遗传算法执行效率低的问题,并因此运用到神经网络中去。实验结果表明,改进后的算法收敛速度更快,加快了网络拓扑结构和权值的搜寻速度,提高了网络预测精度。     

基于遗传算法的自适应文本模糊聚类研究

针对FCM聚类算法时初始聚类中心的选择敏感,以及聚类数C难以确定的问题,提出一种基于遗传算法的自适应文本模糊聚类方法.该方法首先将文档集合表示成向量空间模型,并采用一种新型的可变长染色体编码方案,随机选择文本向量作为初始聚类中心形成染色体,然后结合FCM算法的高效性和遗传算法的全局优化能力,通过遗传进化,有效地避免了局部最优解的出现,同时得到了优化的聚类数目和聚类结果.实验表明该算法是一种精确高效的文本聚类方法.     

基于遗传算法的高维数据模糊聚类

提出了一种基于遗传算法的高维数据模糊聚类方法。引入了一个模糊非相似矩阵来表示高维样本之间的非相似程度,并将高维样本初始化到二维平面。利用遗传算法进行迭代优化二维样本的坐标值,实现二维样本之间的欧氏距离向样本间的模糊非相似度的趋近,使高维样本映射到二维平面。最后将得到的最优的二维样本利用模糊C-均值聚类（FCM）算法聚类,克服了聚类有效性对高维样本空间分布的依赖。实验仿真表明利用该方法有较好的聚类效果,且比用FCM算法直接聚类收敛速度快。     

基于遗传算法和遗传模糊聚类的混合聚类算法

为了动态确定聚类数目C和该数目下的最优分类,构造出遗传算法和模糊遗传C均值聚类的混合聚类算法(HGA-FGCM),该方法构造了一个既考虑类与类之间的分散程度,又考虑同一类紧凑程度的目标评价函数;运用遗传算法的全局寻优能力,求得最佳聚类数下的最优聚类。     

基于遗传算法与FCSS相结合的模糊球壳聚类算法

模糊球壳聚类(FCSS)算法广泛地应用于模式识别与机器学习等领域。由于其采用基于梯度法和交替寻优策略,对初始化比较敏感,容易陷入局部极值点,从而影响聚类效果。将现代全局优化方法之一的遗传算法(GA)与FCSS算法相结合,得到一种新的球壳聚类算法GA-FCSS。数值实验表明:新方法对球壳形数据有令人满意的聚类效果。     

基于群进化策略的模糊聚类算法

针对传统的聚类算法需要知道类的真实数目,以及容易陷入局部最优的缺陷,提出基于群进化策略的模糊聚类算法,简称fuzzyGAC。该算法将群进化策略与模糊聚类结合起来,通过两个阶段（继承阶段和重新分配阶段）来产生新的聚类结果。将提出的算法与模糊C均值算法、差分算法、粒子群算法进行比较,实验结果表明,就类的数目和聚类中心而言,该算法可以自适应地修正类的数目并且提供最优的聚类中心。     

基于遗传算法和模糊聚类的文本分类研究

鉴于模糊C-均值类型算法(FCM算法)对初始中心敏感的问题,提出了一种基于遗传算法和模糊聚类的文本分类方法.采用遗传算法初始聚类中心,并在适应度的计算中采用了一个可变值,用户可以在文本直接聚类时更改该值,产生用户满意的属性约简结果,极大地提高了系统的分类精度.最后通过实验给出了该算法性能的测试结果.     

求解大规模0-1背包问题的主动进化遗传算法

针对遗传算法求解大规模0-1背包问题中存在的不足,将定向变异机制引入到遗传算法中,提出了基于主动进化遗传算法的0-1背包问题求解算法。该算法利用概率编码方案对种子个体进行编码,每代种群中的个体通过对该代种子个体进行测度而产生,用于定向变异的诱变因子将参与种子个体的进化。实验结果表明,该算法具有较好的全局寻优能力和执行效率。     

基于遗传算法的模糊聚类在高校绩效考核中的应用

介绍了将改进的遗传算法与模糊聚类的分类方法相结合,使其更加适用于成人高校绩效考核问题中。深入研究了绩效考核问题,掌握国内外研究现状,并对绩效考核问题的各要素进行分析建模,进一步构建出模糊聚类的绩效考核模型。     

嵌套式模糊自适应遗传算法

针对简单遗传算法(SGA)收敛速度慢和早熟收敛现象,将模糊逻辑理论应用于遗传算法,并采用两级嵌套的遗传算法,随主遗传算法GA1求解优化问题的进化进程用模糊控制的方法自适应地调整遗传算法的交叉概率和变异概率;利用另一个遗传算法GA2优化模糊规则库,实现了一种嵌套式模糊自适应遗传算法(NFAGA)。仿真结果表明,这种算法的全局搜索收敛速度和解的质量明显优于SGA和一般的自适应遗传算法(AGA)。     

基于小生境算法和聚类分析的快速收敛遗传算法

摘要：针对遗传算法中存在的早熟收敛和后期收敛速度慢的问题,在讨论种群多样性表示方法和早熟原因的基础上,提出了一种基于小生境技术和聚类分析的遗传算法快速收敛算法．利用小生境技术保持种群的多样性,有效防止早熟收敛．当种群进化到一定程度后,进行聚类分析,从而获得分布在各个极值点附近的聚类区域．在各个聚类中心处,利用局部搜索算法获得极值点;其余个体按照小生境技术在聚类区域外进一步搜索．仿真结果表明,这种算法能够有效地防止早熟收敛,可以极大提高遗传算法的搜索效率,有利于并行实现,并在一定程度上有助于骗问题的解决．     

基于主动学习的动态模糊聚类算法

聚类问题是近几年来机器学习和数据挖掘领域研究的热点问题,由于获取大量监督信息费时费力,目前国内外研究的重点是如何获得少量但对聚类性能提高显著的监督信息,再加上实际问题中存在的动态模糊性,故本文提出一种结合主动学习的动态模糊聚类算法DF-DBSCAN,通过引入动态模糊等价关系、动态模糊信任测度和动态模糊似然测度这3个约束信息来指导DBSCAN的聚类过程,以提高聚类的性能。实验结果表明,DF-DBSCAN算法不仅解决了实际问题中存在的动态模糊性数据的描述和表示问题,而且能够高效地进行数据聚类,显著地提高聚类性能。      

主动式集群中模糊逻辑及其改进研究

网络带宽增长速度远高于服务器性能的增长速度,服务器越来越成为网络中的瓶颈。主动式集群就是为了解决服务器性能而提出的一种先进的集群技术,该技术的核心就是采用模糊逻辑来实现客户链接的分布调度。这里对其模糊逻辑技术进行研究,并提出了一些改进方法如增量式模糊控制,这些方法具有一定的理论意义,也具有实际的工程意义。在大部分应用中,可以采用这些方法对模糊逻辑控制进行改进。     

基于遗传算法的模糊系统优化设计方法

提出了一种带有混合变长编码和模糊变异算子的新型模糊遗传算法,并钭其应用到模糊系统的优化设计中。仿真结构表明,这种方法具有即使系统缺乏任何先验知识,也能通过评价学习,遗传优化获得满足系统动态性能的优化控制规则的特点。     

基于遗传算法的模糊系统优化设计方法*

提出一种带有混合变长编码和模糊变异算子的新型模糊遗传算法,并将其应用到模糊系统的优化设计中．仿真结果表明,这种方法具有即使系统缺乏任何先验知识,也能通过评价学习、遗传优化获得满足系统动态性能的优化控制规则的特点.