基于改进的量子遗传算法的认知无线网络频谱分配方法

为了提高认知无线网络频谱分配的效果,根据认知无线网络的特性,提出了基于改进的量子遗传算法(IQGA)的认知无线网络频谱分配方法。该方法利用混沌搜索初始化种群染色体编码,在迭代过程中采用动态调整量子旋转角度更新染色体,并通过变异阈值对染色体进行选择性变异,最终将频谱分配的分配矩阵和基于混沌搜索的量子遗传算法的可行解相对应,以提高网络系统的平均效益为目标函数,实现空闲信道的合理分配。仿真结果表明,基于IQGA的认知无线网络频谱分配方法具有更快的收敛速度和更好的寻优性能,能有效地提高网络系统的整体效益。     

量子神经计算和量子遗传算法的理论分析和应用

经过比较研究发现,在量子计算与神经网络和遗传算法之间,不论在计算思想上还是模型表达上,都存在着许多相似之处,这些相似性启发人们去研究基于量子理论的神经网络和遗传算法模型,一方面探索神经网络和遗传算法在量子系统上的实现方法,另一方面研究量子理论启发下的新的神经网络与遗传算法模型。本文总结了本课题组近年来在量子计算与神经网络和遗传算法相结合领域的研究工作,包括量子系统实现神经计算的理论分析,量子神经网络物理模型的研究,基于量子概率表达的量子遗传算法及其应用研究等,并对今后的发展提出了展望。     

包装废弃物回收车辆路径问题的改进遗传算法

目的采用优化传统遗传算法(GA)研究包装废弃物回收车辆路径问题(VRP)的性能。方法提出改进遗传算法(IGA)。首先,设计基于贪婪算法的初始种群生成算子,提高初始种群质量;其次,设计根据适应度值大小、进化代数等自适应调整的交叉和变异概率;然后,设计最大保留交叉算子,保证种群的多样性;最后,对企业实例和标准算例进行仿真测试。结果采用IGA算法、蚁群算法(ACO)能求得算例最优解,且IGA算法运行速度快于ACO算法,分支界定算法(BBM)、传统GA算法无法求得算例最优解。结论与BBM算法、传统GA算法和ACO算法相比,IGA算法求解包装废弃物回收VRP问题的整体性能更优。     

基于遗传算法的矢量水听器阵相位误差校正

研究了矢量水听器阵各通道存在相位误差时,用MUSIC算法对信号到达方向进行估计的问题,并在利用遗传算法估计相位误差来对阵列流型进行修正时引入自适应概念,得出更加准确的信号到达方向值。采用与适应度函数值相对应的交叉概率与变异概率,逐步搜索,首先计算适应度值,采用轮盘赌法进行选择操作,并保存个体的适应度值,按照适应度分配交叉概率和变异概率,进行交叉变异操作,取得误差的最优解,通过仿真,可以看出引入自适应概念后的遗传算法具有较为精确的估计阵列相位误差的功能。与传统遗传算法相比,此方法能很好地得到全局最优解,并且成熟收敛,计算机仿真结果验证了本方法的有效性和可行性。     

动态联盟伙伴选择的一种自适应遗传算法

针对动态联盟伙伴选择优化问题,提出一种自适应遗传算法用来求解此类问题。该算法设计了自适应交叉和变异概率,在遗传过程中可以根据适应度自动选择,从而使群体中每个个体对环境的变化具有自适应调节能力;所设计的自适应变异概率可以避免算法的早熟现象;遗传过程中,通过保持迭代过程中的最优解,加快了搜索速度,并保证了收敛于全局最优解。通过算例,证实了该算法的有效。     

基于改进遗传算法的DBN结构自适应学习算法

针对动态贝叶斯网络(dynamic bayesian network, DBN)是NP困难问题,提出基于改进遗传算法的DBN结构自适应学习算法。该算法计算最大互信息和时序互信息完成DBN结构搜索空间的初始化。在此基础上设计改进遗传算法,引入评分标准差构建交叉概率和变异概率的自适应调节函数,以降低结构学习过程陷入局部最优解的概率。仿真结果表明,该算法在无先验知识的情况下,相比其他优化算法,汉明距离和运行时长平均减少了30%, 37.3%,评分值平均增大了18.0%。     

Beam shaping with limited amplitude weight values for satellite active phased array antenna

针对星载DBF有源相控阵天线发射波束赋形的实际需要,提出了一种基于有限幅度加权的波束赋形方案。采用双重编码遗传算法实现了该方案。分别采用有限位长度的二进制编码和实数编码对阵列加权矢量的幅度和相位进行编码,使得阵列加权矢量的幅度仅在几个离散的台阶上变化,限制了阵列加权矢量幅度的动态范围,该方案在方向图旁瓣和功率放大器的效率之间取得了折衷,更适合于实际应用。与复数编码遗传算法相比,在保持最优解的精确度的同时,由于幅度维上搜索空间的减小,加快了算法的收敛速度。为了进一步提高算法收敛速度和避免算法“早熟” ,提出了一种基于”物种多样性“选择保留策略,并对算法采用了自适应交叉和变异概率,使算法更有把握得到全局最优或准最优解。     

基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识

提出一种基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识方法。该算法采用动态自适应调整策略,提高了粒子群算法收敛速度;同时引入新型遗传算法混合交叉变异机制,避免了粒子群陷入局部最优。将自适应粒子群遗传算法与标准粒子群算法、遗传算法、人工蜂群算法进行了比较,仿真实验结果表明该算法在迭代60次左右完成参数辨识,各参数的辨识相对误差均降低到了1%以内。最后利用旋转柔性关节实验平台进行了实验验证,实验结果证明了该算法具有更好的收敛速度和寻优精度。     

基于实数编码的改进遗传算法及在平面度误差评定中的应用

针对平面度误差计算的特点 ,提出了一种基于实数编码的改进遗传算法。该算法的遗传算子采用确定式良种选择、非一致算术交叉及基本位变异策略 ;交叉和变异概率根据个体适应度大小来自适应地确定 ;同时给出遗传算法评定平面度误差时适应度的计算方法。最后 ,通过不同评价方法对同一平面的平面度误差进行评定 ,结果证明该方法不仅能收敛到全局最优解 ,而且具有较快的收敛速度     

基于量子搜索算法的篮球图像分割研究

为提高篮球图像分割效果,提出了量子搜索算法(QSA)。首先建立篮球分割模型,包括基于3级尺度级的篮球球心、半径建模,基于灰度概率分布的篮球目标分割建模;然后进行量子相位Grover变换,构建加权因子与篮球目标关系,确定最大量子搜素成功概率与量子旋转相位的角度;最后给出了算法流程。实验仿真表明:该算法能有效完成篮球对象的分割,同时分割成功率较高。