分区域搜索的狭义遗传算法

文章提出了分区域搜索的狭义遗传算法,讨论了狭义遗传算法分区域搜索的一些重要性质,并对其控制机理进行了分析。证明了分区域的狭义遗传算法是全局收敛的,并具有收敛速度快,搜索过程稳定性高、可控制性强等特点。最后,提出了有待研究的问题。     

自动区域划分的分区域搜索狭义遗传算法

用数学方法难以解决函数优化中的区域划分问题．为此,提出了用狭义遗传算法实现区域划分的方法．实现了基于自动区域划分的分区域搜索的狭义遗传算法,阐述了分区域搜索的控制策略。从理论上分析了基于自动区域划分的区域搜索的狭义遗传算法是全局收敛的,并具有收敛速度快、搜索过程稳定性高、可控制性强、便于并行实现等特点．最衙提出了有待研究的问题。     

基于分布存储的并行狭义遗传算法

讨论了基于分布存储的并行狭义遗传算法,实现了数据级的并行操作,具有较高的并行度。它具有收敛速度快,搜索过程稳定性好、可控制性强,以及通讯开销小等特点。     

遗传和禁忌搜索算法在多车物流配送问题中的应用

多车物流配送策略属于物流的统筹配给范畴,应用十分广泛.考虑到遗传算法存在早熟收敛和盲目搜索问题,把禁忌搜索算法独有的记忆思想引入到遗传算法的搜索过程中,将禁忌搜索算法作为遗传算法的变异算子,提出了基于遗传和禁忌搜索的组合算法,并通过与纯遗传算法的比较证实该算法的有效性.     

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。     

基于遗传模拟退火算法的门阵列布局方法

为实现门阵列模式布局,将遗传算法与模拟退火算法相结合,提出一种新的遗传模拟退火算法,利用遗传算法进行全局搜索,利用模拟退火法进行局部搜索,在进化过程中采用精英保留策略,对进化结果进行有选择的模拟退火操作,既加强了局部搜索能力又防止陷入局部最优。实验结果表明,与传统遗传算法相比,该算法能够有效提高全局搜索能力。     

基于遗传算法的软件项目风险辨识研究

该文提出了一种基于遗传算法的软件项目风险辨识过程。该风险辨识过程以软件项目历史数据为基础利用遗传算法搜索风险辨识规则,从而达到在软件开发过程中识别风险的目的。深入分析了遗传算法在风险辨识中的应用过程。最后,通过具体实例证明该风险辨识过程的有效性。     

遗传算法的初步研究及改进后的遗传算法程序IGA1.0

遗传算法是近年来被广泛应用的一种非线性和并行算法。本文研究了几种改进遗传算法效率，提高搜索速度的方法，引入了两种变异的方法，并根据最大最小适应值的差值对适应值函数进行了修正，同时，对三种算子进行了重新安排以拓展搜索工在搜索过程中加入排序以提高杂交效率，同传统的遗传算法相 文的遗传算法没有使用固定的变异率和杂交率，而是让它们随着搜索过程中群体中的个体的重复情况改变，用经典的验证函数检验，这些改进提高     

虚拟组织服务资源的优化配置模型

为了提高虚拟组织服务资源配置的效率,提出了以服务成本、服务时间、服务满意度为目标的资源优化配置模型,采用遗传算法进行求解。在求解中为提高遗传算法的搜索性能,对不可行染色体进行筛选,同时在交叉变异过程中利用邻域搜索提高算法的收敛速度。通过一个具体的实例验证了遗传算法在资源优化配置模型中的有效性。     

基于定向爬山的遗传算法

爬山法是一种局部搜索能力相当好的算法,主要是因为它是通过个体的优劣信息来引导搜索的。而传统的遗传算法作为一种全局搜索算法,在搜索过程中却没有考虑个体间的信息,而仅依靠个体适应度来引导搜索,使得算法的收敛性受到限制。将定向爬山机制应用于遗传算法,提出了一种基于定向爬山的遗传算法（OHCGA）。该算法结合了爬山法与遗传算法的优点,通过比较个体的优劣,使用定向爬山操作引导算法向更优秀的解区域进行搜索。实验结果表明,与传统遗传算法（TGA）相比,OHCGA较大地提高了算法的收敛速度和搜索最优解的能力。     

理性遗传算法及其在运动规划中的应用

为提高理性遗传算法遗传信忠的完备性、算法全局收敛性以及算法的整体结构，给出了一个更一般化的理性算子和算法结构，证明了算法的全局收敛性．理论分析和在运动规划问题中的应用结果验证了理性遗传算法的有效性．     

函数优化中实数型遗传算法的研究

本文给出了实数型遗传算法的基本概念及其在函数优化中的应用 .大量的计算机模拟实验表明 ,新算法在收敛速度方面有了很大的提高 ,为有效解决常规优化方法所不能实现的一些非线性最优化问题提供了新的途径     

基于多种群实数编码遗传算法的圆度误差评定

针对实数编码的遗传算法(RGA)在圆度误差评定中存在的早熟收敛、精度较差及运算速度慢等缺点,分析了多种群遗传算法的模型结构,利用多种群遗传算法的并行性,将其应用于圆度误差评定。实验证明该方法有效地提高了算法的精度和收敛速度,能够快速评定圆度误差。     

理性遗传算法及其在多机器人运动协调中的应用

面对传统遗传算法在解决一些复杂问题时所存在的收敛慢或早熟等困难,基于仿人理 性决策原则,提出一种具有更丰富进化含义的进化算法--理性遗传算法.其通过遗传信息的 反馈或理性规则的建立来指导遗传操作的进行,从而将种群内部知识与经验的继承和学习更有 效地结合在遗传算法之中.相对于传统遗传算法,较好地解决了多机器人确知环境下协调运动 规划问题.理论分析和仿真实验结果都是令人鼓舞的.     

Robust sensor placement for pipeline monitoring: Mixed integer and greedy optimization

Intelligent water systems – aided by sensing technologies – have been identified as an important mechanism towards ensuring the resilience of urban systems. In this work, we study the problem of sensor placement that is robust to intermittent failures of sensors, i.e. sensor interruptions. We propose robust mixed integer optimization (RMIO) and robust greedy approximation (RGA) solution approaches. The underlying idea of both approaches is to promote solutions that achieve multiple detectability of events, such that these events remain detectable even when some sensors are interrupted. Additionally, we apply a previously proposed greedy approximation approach for solving the robust submodular function optimization (RSFO) problem. We compare scalability of these approaches and the quality of the solutions using a set of real water-networks. Our results demonstrate that considering sensor interruptions in the design stage improves sensor network performance. Importantly, we find that although the detection performances of RMIO and RGA approaches are comparable, RMIO generally has better performance than RGA, and is scalable to large-scale networks. Furthermore, the results demonstrate that RMIO and RGA approaches tend to outperform the RSFO approach.     

基于GA的遥感图像目标SVM自动识别

为了高效合理地确定支持矢量机(SVM)的参数,使其对复杂的二值遥感图像目标进行自动识别,采用实值编码遗传算法来实现SVM模型参数的自动选择.与穷举搜索的留一法及随机试凑法相比,采用遗传算法的SVM模型参数选择更简单、更易于实现,并使SVM具有更好的推广能力.二值遥感图像目标的分类识别结果表明,该方法不但可以提高分类识别率,而且显著地缩短了SVM的训练时间.     

基于退火遗传算法的入侵检测系统

该文针对现行入侵检测系统的特点,提出了一种基于退火遗传的入侵检测算法。通过实验结果分析得出,该方法比遗传算法具有更高的准确率和更好的收敛性。     

基于切面上升的狭义遗传算法

该文提出了基于切平面上升的狭义算法,并对其全局收敛性进行了证明,其终止条件肯定就是收敛点,很好地解决了文献犤6,8犦中所遇到的问题,即能够方便地求解多元函数的优化问题。它具有收敛速度快,搜索过程稳定性好、可控制性强,控制参数易于选定等特点。