一种基于混沌迁移的伪并行遗传算法及其应用

为了解决遗传算法寻优过程中的早熟收敛问题 ,本文提出了一种基于混沌迁移策略的伪并行遗传算法 ,该算法针对实时性要求不高的优化问题采用串行的算法结构实现分解型并行遗传算法的“独立进化、信息交换”思想 .在并行进化的个体异步迁移过程中 ,引入了混沌迁移序列引导个体迁移过程 ,利用其遍历性和随机性 ,保证了子种群之间能够进行充分高效的信息交换 .仿真研究和在库存优化方面的应用研究表明 ,这种算法具有很强的全局搜索能力 ,寻优效率高 ,有效克服了标准遗传算法的早熟收敛问题 .     

一种多策略并行遗传算法研究

针对传统遗传算法工程应用性能不足的特点,提出一种多策略并行遗传算法以增加算法的群体多样性及提高算法的鲁棒性;采用8个不同策略为并行遗传算法的分支遗传操作进行群体寻优,并将分支的群体采用自适应迁移策略实现最优个体的合理迁移,以分支群体的适应度为算法终止条件,实现群体寻优;利用连续单峰函数、连续多峰函数等多个函数进行平均收敛代数等参数进行算法测试,结果表明算法的鲁棒性、收敛性、稳定性及优化能力较传统遗传算法有较大的提高,该算法具有较强的工程应用性能.     

遗传算法的粗糙集理论在文本降维上的应用

遗传算法作为一种有效的全局并行优化搜索工具,早被众多应用领域所接受。根据问题提出了相应的适应度函数,针对遗传算法和粗糙集理论两种方法各自的特点,将两种算法适当结合。还把结合后的方法和单一的粗糙集算法在文本分类效果上进行了对比。实验结果表明将遗传算法和粗糙集理论相结合的优化方法来应用到特征提取中,比单一的粗糙集算法,具有更好的降维效果,使得降维后的特征词更有利于文本数据的分类,大大优化了文本分类的效果。     

一种多策略并行遗传算法研究

针对传统遗传算法工程应用性能不足的特点,提出一种多策略并行遗传算法以增加算法的群体多样性及提高算法的鲁棒性;采用8个不同策略为并行遗传算法的分支遗传操作进行群体寻优,并将分支的群体采用自适应迁移策略实现最优个体的合理迁移,以分支群体的适应度为算法终止条件,实现群体寻优;利用连续单峰函数、连续多峰函数等多个函数进行平均收敛代数等参数进行算法测试,结果表明算法的鲁棒性、收敛性、稳定性及优化能力较传统遗传算法有较大的提高,该算法具有较强的工程应用性能。     

自主迁移的并行遗传算法用于马斯京根模型参数估计

遗传算法是一种随机性的全局优化算法,但简单遗传算法易陷入局部最优。将并行技术与遗传算法相结合,且针对影响并行遗传算法性能的迁移时机进行研究,提出自主迁移的并行遗传算法用于马斯京根模型参数估计。实验结果表明,该算法为估计马斯京根模型参数提供了一种有效的方法。     

基于Hadoop的车辆调度算法优化及应用

随着互联网技术的快速发展,各行各业所产生的信息数据也在以指数级的速度增长.传统的车辆调度算法已经不能够很好地解决车辆调度问题中出现的实时性,大规模等问题.因此,本文构建了一种基于Hadoop的动态车辆调度并行智能优化算法.该算法以传统遗传算法为基础,通过改善遗传算法全局优化能力弱和收敛于局部次优解的问题,并利用Hadoop平台的并行计算机制对传统遗传算法进行改进,使其能够有效应对大规模、快速响应的车辆调度.数值计算结果表明：基于Hadoop的车辆调度算法能够有效提升传统调度算法的优化性能,在处理大规模车辆调度问题时具有良好的加速比.     

一种基于GPU 加速细粒度并行遗传算法的实现方法

为改善遗传算法对大规模多变量求解的性能,提出一种基于图形处理器(GPU)加速细粒度并行遗传算法的实现方法.将并行遗传算法求解过程转化为GPU纹理渲染过程,使得遗传算法在GPU中加速执行.实验结果表明,该算法抑制了早熟现象,增大了并行遗传算法的种群规模,提高了算法的运算速度,并为普通用户研究并行遗传算法提供了一种可行的方法.     

一种面向图像分类的流形学习降维算法

数据挖掘中的流形学习降维算法可以应用于图像分类等领域。提出一种面向图像分类的流形学习降维算法Mod-LLE(Modified Locally Linear Embedding)。该算法是针对高维数据的局部线性嵌入降维算法的改进,其整合了图像识别信息来更好地改善优化效果,达到在处理过程中保证原始数据固有的拓扑组成结构。以标准数据集作为案例进行测试。图像分类功能测试与降维性能测试结果表明:该算法对于人脸图像的分类精度比较高,降维性能良好。     

基于PVM的最小权三角划分并行遗传算法研究

平面点集的三角划分在计算机图形学,三维可视化等领域具有广泛地应用,在许多应用中需要提供形状最优的三角划分。但该类问题推测属于NP完全问题。为了快速有效地求解最小权三角划分(MWT)问题,提出了一种基于PVM的并行遗传算法来近似获取全局最优解,并系统地测试算法中一些重要的并行控制参数,包括迁移代数和节点平均负载对算法性能的影响。实验结果表明,该方法简单,可靠,大大缩短了优化过程的时间,提高获取全局最优解的概率。     

基于进化深度学习的特征提取算法

信息全面与维数灾难的矛盾是大数据时代网络态势感知需要解决的首要难题。特征提取一直是主流的降维方法,但现有算法对高维非线性数据效果不佳;深度学习是一类具有多层非线性映射的学习算法,可以完成复杂函数的逼近,但对隐层相关参数十分敏感。针对上述问题,将进化算法的思想引入深度学习,提出了一种基于进化深度学习的特征提取算法。该算法利用遗传算法及进化策略实现全局搜索及优化的特点,并对深度学习结构及相关参数进行了优化。理论分析及实验结果都证明了该算法的有效性。