动态小生境微粒群优化技术在概念设计中的应用

本文提出了一种基于标准微利群优化算法和动态小生境技术的动态小生境微利群优化算法，该算法基于协同微粒和协同多群体模型。同时我们给出了算法在创新建筑概念中的应用。     

基于小生境的开放式遗传算法

针对现有遗传算法处理带约束优化问题时存在的缺点,基于小生境技术提出一种新的开放式遗传算法, 证明它一定能收敛到全局最优解。该算法避免罚因子的选择问题,具有很强的通用性,对问题本身和约束基本没有要求,实施起来十分方便,可以充分发挥GA的优势。通过两个小生境相互作用机制,使GA群体搜索的特点得到很好的利用,保证群体的多样性,加速搜索速度。仿真实例说明了它的有效性。     

小生境人工免疫算法用于多峰函数优化

基于自然免疫系统的原理,提出了小生境人工免疫算法,为了解决多峰优化问题,可使每个抗体适度得到修改.利用小生境的共享函数法更好地维持了群体的多样性.同时小生境淘汰算法和免疫系统的记忆及变异特性促使群体中优良个体持续向问题的优化解逼近.算法对三个典型的多峰问题题进行了优化,给出了具体的实现步骤和较好的优化结果.     

基于粗糙集与小生境GA的网络入侵规则提取

对网络入侵规则的提取采用了一种基于ROUGH集和小生境GA结合的方法。该方法是利用粗糙集把原始数据进行处理,获得决策规则,并把这些决策规则作为小生境GA的初始种群,最后通过进化得到有较广覆盖范围和较高可信度的入侵检测规则集。     

基于小生境技术的共享学习在协同设计中的应用

根据协同设计的特点,提出一种多Agent协同设计系统框架,以及产品数据模型的表示,构件的产生,搜索及更新。在对共享机制小生境技术的分析的基础上,提出协同设计系统中基于小生境技术的分类算法,以及协同设计系统中多Agent共享学习的方法,并以一个汽车设计为实例描述了协同设计及共享的学习过程。     

面向多模态函数优化的改进小生境粒子群算法

为了保持群体多样性以增强全局搜索能力,小生境技术在遗传算法中得到了广泛应用.针对多模态函数优化问题,将小生境技术引入到粒子群算法中,建立小生境熵作为群体多样性的量化指标,实时考查进化过程中群体的多样性并调整进化参数;结合数论中的佳点理论,提出一种在解空间使用佳点搜索的群体多样性发掘方法,使得进化过程中群体多样性水平始终保持在设定的阈值之上,从而改善算法的全局搜索能力以期跳出局部最优;在此基础上提出一种旨在找出全部全局最优解和局部最优解的新型串行多群体小生境粒子群算法.数值实验表明,改进的小生境粒子群算法在求解多模态函数优化问题时具有较好的自适应性和收敛性.将算法应用于图像配准实验中,使得配准参数估计误差有明显降低.     

最小欧氏距离下（1＋1）竞争小生境遗传算法

探讨了避开事先了解和设定任何小生境相关参数的小生境方法.考虑NGA进化的特点,利用最小欧氏距离下的成对个体具有性态相似性及其大概率地同属同一小生境的特点,采用改进的进化算子建立(1 1)模拟自然小生境内性态相似个体的竞争机制,各个小生境内多对性态相似个体的竞争能够保证各小生境的同时进化,同时引入整体解空间的动态交叉和变异概率来保持群体的多样性,构造了一种全新的小生境算法.4个多峰函数优化数值试验结果证明此方法稳定、显效.     

一种新的遗传模拟退火算法的软硬件划分方法

针对嵌入式系统软硬件划分问题,在分析遗传算法和模拟退火算法的主要优缺点的基础上,提出了一种新的小生境技术改进的遗传模拟退火算法（NGSA）,在遗传算法中融入模拟退火思想,同时引入小生境技术,保持群体的多样性;并采用Metropolis 法则形成新群体,改善群体的质量。实验结果证明该算法具有很强的爬山能力和全局搜索能力,与遗传算法（GA）和模拟退火算法（SA）相比适应度明显提高。     

基于小生境的GEP新算法

为了克服传统基因表达式编程在演化后期容易丢失群体多样性的缺陷,避免出现早熟收敛,提出基于小生境的基因表达式编程新算法.将相同适应值的个体组成一个小生境,如果相同适应值的个体数量超过小生境容量x,则将超出的个体放入演化池中进行重新初始化.实验结果表明,使用这种基于小生境的基因表达式编程新算法能在整个演化过程中保持丰富的群体多样性,并能够更有效地避免算法的早熟收敛,更准确地求出问题的最优解.     

基于协同进化遗传算法的多议题谈判

以协同进化遗传算法模拟自动谈判是目前智能计算和多Agent系统等领域研究的新课题。针对现有文献仅模拟单议题谈判的情况,该文提出基于协同进化遗传算法和适应度共享小生境技术的多议题谈判模拟算法,以轮流出价谈判协议为例进行仿真实验。实验结果表明,该算法能在策略种群中形成局部小生境,生成近似Pareto最优的策略集。     

实数与二进制编码GA种群多样性统一数学模型

针对GA早熟收敛问题研究中存在的种群多样性定义缺乏统一性和普适性问题,基于GA基因层次种群多样性的本质,建立了实数和二进制编码的GA层次多样性的统一数学模型。首先,将实数编码GA的种群矩阵等效变换成与二进制编码GA种群矩阵相同的形式。其次,定义了类随机变量的概念及其特性指标:数学期望、偏离度以及方差;在此基础上建立了适于两种编码的种群多样性的统一模型,并给出了该模型的进化矩阵和图形化两种表示方法。对GA测试函数的仿真分析表明,该模型可以有效地体现和分析GA进化过程中种群多样性的变化趋势以及各基因位的收敛过程和收敛结果。最后,指出了进一步的分析思路和方向。     

基于改进型遗传算法的数字电路优化

遗传算法（ Genetic Algorithm,GA）是一种模拟生物界自然选择的智能优化算法,已经被广泛应用到各个领域。文中主要针对传统遗传算法在应用于数字电路优化设计中时所出现的未成熟收敛和收敛速度慢的问题,提出一种新的个体选择方法。该方法将保留最优个体选择方式和改进轮盘赌选择方式相结合,能够在保持种群的多样性的同时有效地提高数字电路优化的精确度。将该算法应用到最小分类网络的设计中,实验结果验证了改进算法的合理性和有效性。     

一种基于遗传算法的进化计算模型

提出一种基于遗传算法的进化计算模型(ECM).在ECM的种群中,每个成员都根据其适应度值不同程度地影响着种群的进化.ECM定义了个体对进化的影响因子,并以个体的影响因子为参数定义了个体的形成算子.分析表明,ECM是采用算术交叉算子的两父辈遗传算法以及采用频率扫描交叉算子的多父辈交叉遗传算法的推广,形成操作是父代群体编码的凸组合.实验研究显示,ECM具有比经典遗传算法更强的优化计算功能.     

A mathematical model and a genetic algorithm for two-sided assembly line balancing

A two-sided assembly line is a type of production line where tasks are performed in parallel at both sides of the line. The line is often found in producing large products such as trucks and buses. This paper presents a mathematical model and a genetic algorithm (GA) for two-sided assembly line balancing (two-ALB). The mathematical model can be used as a foundation for further practical development in the design of two-sided assembly lines. In the GA, we adopt the strategy of localized evolution and steady-state reproduction to promote population diversity and search efficiency. When designing the GA components, including encoding and decoding schemes, procedures of forming the initial population, and genetic operators, we take account of the features specific to two-ALB. Through computational experiments, the performance of the proposed GA is compared with that of a heuristic and an existing GA with various problem instances. The experimental results show that the proposed GA outperforms the heuristic and the compared GA.     

遗传算法在TSP问题中的应用及改进

旅行商问题(TSP)是研究算法性能的典型算法,遗传算法GA(Genetic Algorithm)是由遗传进化理论指导的随机搜索寻优算法。但传统的GA对于地形复杂、极无规律的TSP的应用效果不理想。本文通过在传统GA中引入种群分类,提高搜索能力,加快速度。     

Combination of online clustering and Q-value based GA for reinforcement fuzzy system design

This paper proposes a combination of online clustering and Q-value based genetic algorithm (GA) learning scheme for fuzzy system design (CQGAF) with reinforcements. The CQGAF fulfills GA-based fuzzy system design under reinforcement learning environment where only weak reinforcement signals such as "success" and "failure" are available. In CQGAF, there are no fuzzy rules initially. They are generated automatically. The precondition part of a fuzzy system is online constructed by an aligned clustering-based approach. By this clustering, a flexible partition is achieved. Then, the consequent part is designed by Q-value based genetic reinforcement learning. Each individual in the GA population encodes the consequent part parameters of a fuzzy system and is associated with a Q-value. The Q-value estimates the discounted cumulative reinforcement information performed by the individual and is used as a fitness value for GA evolution. At each time step, an individual is selected according to the Q-values, and then a corresponding fuzzy system is built and applied to the environment with a critic received. With this critic, Q-learning with eligibility trace is executed. After each trial, GA is performed to search for better consequent parameters based on the learned Q-values. Thus, in CQGAF, evolution is performed immediately after the end of one trial in contrast to general GA where many trials are performed before evolution. The feasibility of CQGAF is demonstrated through simulations in cart-pole balancing, magnetic levitation, and chaotic system control problems with only binary reinforcement signals.     

混合遗传算法的装箱问题研究

本文针对物流优化中的装箱问题,采用混合遗传算法进行优化,并对传统的遗传算法进行改进,提出了一种新的初始近似最优解的编码产生方法——Max-Min算法。通过引入种群生态学,使种群规模的确定有了理论依据,使遗传算法能更好的体现生物进化规律。实例验证结果表明,本文所提出的混合遗传算法适合于装箱问题的有效求解。     

混合遗传算法的装箱问题研究

本文针对物流优化中的装箱问题,采用混合遗传算法进行优化,并对传统的遗传算法进行改进,提出了一种新的初始近似最优解的编码产生方法——Max-Min算法。通过引入种群生态学,使种群规模的确定有了理论依据,使遗传算法能更好的体现生物进化规律。实例验证结果表明,本文所提出的混合遗传算法适合于装箱问题的有效求解。     

Cellular genetic algorithm technique for the multicriterion design optimization

There have been increased activities in the study of genetic algorithms (GA) for problems of design optimization. The present paper describes a fine-grained model of parallel GA implementation that derives from a cellular-automata-like computation. The central idea behind the Cellular Genetic Algorithm approach is to treat the GA population as being distributed over a 2-D grid of cells, with each member of the population occupying a particular cell and defining the state of that cell. Evolution of the cell state is tantamount to updating the design information contained in a cell site, and as in cellular automata computations, takes place on the basis of local interaction with neighboring cells. A focus of the paper is in the adaptation of the cellular genetic algorithm approach in the solution of multicriteria design optimization problems. The proposed paper describes the implementation of this approach and examines its efficiency in the context of representative design optimization problems.     

基于多种编码的多群体遗传算法

为了有效地克服标准遗传算法（SGA）中的早熟收敛现象,提出了一种基于多种编码的多群体遗传算法,该方法是采用3个群体同时进行进化的策略,其中,第1个 本是采用浮点数编码方法,以使该群体具有较强的局部搜索能力,第2个群体是采用二进制编码方法,以使该群体具有较强的全局搜索能力。第3个群体为“精华种群”,用于保存算法在进化过程中产生的优秀个体,在进化过程中,还通过引入“移民”策略来交换3个群体中的优秀个体,以有效地增加群体的多样性,该算法不仅不易陷入局部收敛,还具有较强的跳出局部收敛的能力,且收敛速度较快,通过对一系列典型复杂多模函数进行的优化计算试验,结果证实了该方法的有效性和优越性。