统计遗传算法

本文讨论了遗传算法中框架定理的不足之处，并对之进行了改进，然后分析了遗传算法与Ａ算法的相似性，以及遗传算法的概率性质．由此联想到它与ＳＡ算法的相似性，在此基础上，作者将原先发展的一套ＳＡ算法的理论移植到遗传算法中来，建立一个新的算法，称之为统计遗传算法（简记为ＳＧＡ算法）．为适合于优化计算，作者引入最大值统计量及其对应的ＳＡ算法（简称为ＳＭＡ算法），并将ＳＭＡ算法与ＧＡ算法相结合（记为ＳＧＡ（ＭＡＸ）算法）．新的算法不仅提高了算法的精度和降低了计算的复杂性，而且能克服ＧＡ算法中出现“早熟”的现象以及提供进行并行计算的可能性．更主要的是新的方法为ＧＡ算法的精度、可信度和计算复杂性的定量分析提供了理论和方法上的有力工具.     

一种LDA与SVM混合的多类分类方法

针对决策有向无环图支持向量机（ＤＤＡＧＳＶＭ）需训练大量支持向量机（ＳＶＭ）和误差积累的问题,提出一种线性判别分析（ＬＤＡ）与ＳＶＭ 混合的多类分类算法．首先根据高维样本在低维空间中投影的特点,给出一种优化ＬＤＡ 分类阈值;然后以优化ＬＤＡ 对每个二类问题的分类误差作为类间线性可分度,对线性可分度较低的问题采用非线性ＳＶＭ 加以解决,并以分类误差作为对应二类问题的可分度;最后将可分度作为混合ＤＤＡＧ 分类器的决策依据．实验表明,与ＤＤＡＧＳＶＭ 相比,所提出算法在确保泛化精度的条件下具有更高的训练和分类速度．     

一种LDA与SVM混合的多类分类方法

针对决策有向无环图支持向量机（ＤＤＡＧＳＶＭ）需训练大量支持向量机（ＳＶＭ）和误差积累的问题,提出一种线性判别分析（ＬＤＡ）与ＳＶＭ 混合的多类分类算法．首先根据高维样本在低维空间中投影的特点,给出一种优化ＬＤＡ 分类阈值;然后以优化ＬＤＡ 对每个二类问题的分类误差作为类间线性可分度,对线性可分度较低的问题采用非线性ＳＶＭ 加以解决,并以分类误差作为对应二类问题的可分度;最后将可分度作为混合ＤＤＡＧ 分类器的决策依据．实验表明,与ＤＤＡＧＳＶＭ 相比,所提出算法在确保泛化精度的条件下具有更高的训练和分类速度．

     

求解多维0—1背包问题的混合遗传算法

文章研究一类典型的组合优化问题——多维０－１背包问题,提出了在简单遗传算法（ＳＧＡ）中加入局部搜索机制的混合遗传算法（ＨＧＡ）来求解该类问题,并在大量数值实验的基础上,将ＨＧＡ与传统的求解方法及ＳＧＡ进行了比较,实验的结果表明,该算法具有一定的优越性。     

TS与GAs混合算法在大规模资源分配问题中的应用

采用ＴＳ与ＧＡｓ混合算法建立资源分配模型来分解协调大规模规划问题。针对大规模资源分配问题的特点，选择合适的ＴＳ参数及ＧＡｓ算子，构造出一种新的混合算法。具体实例验证了算法的合理性及有效性。     

SAGACIA全局优化方法及应用

ＳＡＧＡＣＩＡ全局优化方法及应用＠李兵＠蒋慰孙￥华东理工大学自动化研究所模拟退火法，遗传算法，趋化性方法，优化ＳＡＧＡＣＩＡ全局优化方法及应用李兵蒋慰孙（华东理工大学自动化研究所上海２０００２３７）关键词模拟退火法，遗传算法，趋化性方法，优化１）国家自然科...     

连续可微函数全局优化的混合遗传算法

通过在遗传算法（ＧＡ）中定义最速下降（ＳＤ）算子、适应度和结构，从而得到结构ＧＡ和ＳＤ法长处，既有较快收敛性，又能以较大概率求得连续可微函数全局极值的混合遗传算法。数值结果表明该方法优于ＧＡ和ＳＤ法。     

一个组合优化问题的Threshold算法

一个组合优化问题的Ｔｈｒｅｓｈｏｌｄ算法罗宗俊（贵州民族学院）ＡＴＨＲＥＳＨＯＬＤＡＬＧＯＲＩＴＨＭＦＯＲＡＳＰＥＣＩＡＬＣＯＭＢＩＮＡＴＯＲＩＡＬＯＰＴＩＭＩＺＡＴＩＯＮＰＲＯＢＬＥＭ￥ＬｕｏＺｏｎｇｊｕｎ（ＧｕｉｚｈｏｕＮａｔｉｏｎａｌＭｉｎｏｒ...     

面向并行工程的集成化智能化CAPP方法及关键技术的研究

本文分析了并行工程环境下并行设计的实质,认为实现计算机辅助并行设计的关键是研究和开发面向并行工程的ＣＡＰＰ（ＣＥＣＡＰＰ）。本文详细讨论了ＣＥＣＡＰＰ实现集成化、工程化、智能化时的几个关键技术,提出基于特征的全局产品数据模型以及ＣＥＣＡＰＰ系统与生产计划调度系统（ＰＰＳ）的功能集成模型。采用面向对象基于框架的知识表示模型和知识推理策略,并建立了基于遗传算法（ＧＡ）和模拟退火算法（ＳＡ）的混合工步优化算法模型。     

用个人计算机解较大型混合整数线性规划问题

用个人计算机解较大型混合整数线性规划问题胡清淮（武汉化工学院）魏一鸣（北京科技大学）ＳＯＬＶＩＮＧＲＥＬＡＴＩＶＥＬＹＬＡＲＧＥＳＩＺＥＭＩＸＥＤＩＮＴＥＧＥＲＬＩＮＥＡＲＰＲＯＧＲＡＭＭＩＮＧＰＲＯＢＬＥＭＳＵＳＩＮＧＰＥＲＳＯＮＡＬＣＯＭＰＵＴＥ...     

基于文化混合优化算法的旅行商问题求解

为更好地求解TSP问题,将遗传算法与模拟退火算法结合并纳入文化算法体系,提出一种求解旅行商问题的文化混合优化算法。该算法空间可分为独立并行的两部分：种群空间和信度空间。种群空间按照遗传退火混合算法实现进化,并将进化中的较优个体提供给信度空间,信度空间提取并利用较优个体所包含的信息来引导种群进化。通过求解TSP标准测试问题,将文化混合优化算法所求得的最优路径与其他优化算法所求结果相比,算法偏差均可降低0.6%～13.01%,表明了文化混合优化算法求解TSP问题的有效性与优越性。     

混合性能指标优化问题的进化优化方法及应用

针对混合性能指标优化问题的普遍性及其处理过程中的特点，提出一种混合性能指标优化问题的进化优化方法,首先给出混合性能指标优化问题的定义；然后．确定不同类型和标度的性能指标的转换策略、混合性能指标的个体适应度的赋值方法、以及混合性能指标优化问题的进化优化流程；最后．通过服装设计这一典型的混合性能指标优化问题的仿真验证了算法的有效性．     

融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法

阿奎拉鹰优化算法(Aquila optimizer, AO)和哈里斯鹰优化算法(Harris hawks optimization, HHO)是近年提出的优化算法。AO算法全局寻优能力强,但收敛精度低,容易陷入局部最优,而HHO算法具有较强的局部开发能力,但存在全局探索能力弱,收敛速度慢的缺陷。针对原始算法存在的局限性,本文将两种算法混合并引入动态反向学习策略,提出一种融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法。首先,在初始化阶段引入动态反向学习策略提升混合算法初始化性能与收敛速度。此外,混合算法分别保留了AO的探索机制与HHO的开发机制,提高算法的寻优能力。仿真实验采用23个基准测试函数和2个工程设计问题测试混合算法优化性能,并对比了几种经典反向学习策略,结果表明引入动态反向学习的混合算法收敛性能更佳,能够有效求解工程设计问题。     

基于混合反向学习策略的鲸鱼优化算法

针对鲸鱼优化算法(WOA)在解决高维复杂问题时存在收敛速度慢、全局搜索能力不足的问题,提出一种最优最差个体混合反向学习的WOA(M WOA).首先,引入一种自适应惯性权重,用于调节寻优前期的步长和寻优后期的种群多样性;其次,提出一种混合反向学习策略并将其融入WOA,以提高算法的收敛精度;最后,引入一种参数非线性衰减策略...     

一种人工鱼算法与捕鱼算法相结合的优化方法

在分析人工鱼群算法和捕鱼算法存在不足的基础上,提出了一种人工鱼群算法(AFSA)与采用捕鱼策略的优化算法(FSOA)相结合的混合算法。该算法在优化初期使用AFSA算法搜索局部最优域,而在优化后期则使用FSOA算法在优化前期所初步确定的局部最优域中搜索最优解。实验计算结果表明,该算法具有优化精度高、收敛速度快的特点。     

求解0-1整数规划的混合粒子群优化算法

经典的粒子群是一个有效的寻找连续函数极值的方法,结合遗传算法的思想提出的混合粒子群算法来解决0-1整数规划问题,经过比较测试,6种混合粒子群算法的效果都比较好,特别交叉策略A和变异策略C的混合粒子群算法是最好的且简单有效的算法.对于目前还没有好的解法的组合优化问题,很容易地修改此算法就可解决.     

基于一类混合策略的模型参数估计和控制器参数整定研究

融合遗传算法的并行搜索结构和模拟退火的可控性概率突跳行性,构造出一类高效的混优化策略,该策略适用于多种类型模型的参数估计和控制器参数整定。对典型类型问题的仿真结果验证了混合策略的有效有和初值鲁棒性,且其优化性能明显好于单一的遗传算法和传统方法。     

基于混合知识表达模型的启发式优化控制策略及其应用

本文针对大型工业过程的特点,提出了一种兼备常规动态模型、模糊关系模型和知识基模 型的混合式知识表达模型,并以此为基础,开发了一类启发式优化控制策略,设计了相应的实 时优化控制系统.通过实际工业过程的验证,表明这类启发式优化控制策略是可行的和有效的.     

基于统一结构的并行混合放疗计划优化策略

为了满足适形调强放疗对治疗计划逆向优化计算的需要,针对靶区定义的复杂情况构造了新的目标函数.以模拟退火算法和遗传算法优势组合为例,研究了逆向放射治疗计划并行混合优化策略,给出了基于统一结构的并行广义邻域搜索混合优化算法,并在多CPU、多核计算机上实现了这一算法.描述了用该并行混合优化算法计算的数字体模和5个临床病例的例子,获得了满意的结果.结果表明,这种优化算法有效、实用,为开发新型并行混合优化算法建立了平台,为把商业化的三维适形放疗计划系统进一步发展为生物导向的放疗计划打下了基础.     

A hybrid model for improving response time in distributed data mining

This paper presents a hybrid distributed data mining (DDM) model for optimization of response time. The model combines a mobile agent approach with client server strategies to reduce the overall response time. The hybrid model proposes and develops accurate a priori estimates of the computation and communication components of response time as the costing strategy to support optimization. Experimental evaluation of the hybrid model is presented.