基于浮点型编码策略的差分多目标柔性车间调度优化

运用进化算法求解柔性车间调度问题时,编码的特殊性对进化策略造成的局限制约了算法的搜索能力。为此,提出一种基于浮点型编码策略的差分多目标优化算法。该算法采用基于工序权重的浮点数编码—解码机制,消除了排列组合型编码方式对进化操作带来的约束,运用差分进化策略生成新个体,以提高优秀个体产生的几率,进而保证算法有更好的收敛性。将算法与传统算法及其改进形式在相同测试用例上进行对比,结果表明,本算法在保证收敛性的同时,搜索到更多的非支配个体,体现出更好的分布性。此外,提出了平行决策和等价平行决策的定义,将柔性车间调度模型的研究拓展至决策空间。     

一种动态未知环境下的机器人路径搜索方法

提出了一种新的路径搜索算法——"触觉感知法"来实现机器人在未知静态与动态环境情况下的路径搜索。该方法不需要提供地图信息,机器人仅收集目标点的距离和方位信息以及通过自带传感器作为触觉器收集周围局部环境信息。机器人以BP神经网络作为决策器,经过训练,可以在静态和动态环境中搜索出一条光滑无碰撞且便捷并能有效避开动态障碍物的运动轨迹。对所提出的方法进行了仿真实验,仿真结果表明算法在静态和动态环境下均能有高效率的路径搜索表现。     

多示例学习及其研究现状

较全面地介绍和分析了第4种机器学习框架的多示例学习(MIL)．首先通过数学表达式对多示例学习进行描述，概括了其主要性质；然后总结了目前主要的求解多示例学习问题的算法，剖析了这些算法的主要思想；最后对多示例学习的未来发展作了展望．     

基于改进遗传算法的多示例神经网络优化

多示例神经网络是一类用于求解多示例学习问题的神经网络，但由于其中有不可微函数，使用反向传播训练方法时需要采用近似方法，因此多示例神经网络的预测准确性不高。〖BP）〗为了提高预测准确性，构造了一类优化多示例神经网络参数的改进遗传算法, 借助基于反向传播训练的局部搜索算子、排挤操作和适应性操作概率计算方式来提高收敛速度和防止早熟收敛。通过公认的数据集上实验结果的分析和对比，证实了这个改进的遗传算法能够明显地提高多示例神经网络的预测准确性，同时还具有比其他算法更快的收敛速度。     

改进的进化编程及其在机器人路径规划中的应用

本文对进化编程中的变异概率进行改进,提高了进化计算的速度,并运用于机器人路 径规划,得到次优路径和可行的运算效率．     

多目标进化算法在主体自动协商中的应用

研究多主体系统中主体之间的协商协议和通信协议,分析一对一协商模型,该模型采用响应型策略和慎思型策略进行协商。考虑协商双方的偏好和最大化己方的效用值,建立多目标进化算法,构造主体的预提供方案集及其支配子集,实现多主体自动协商。实验结果验证了该方法的有效性。     

AVS视频的分层重传优化策略与实现

针对网络抖动等因素会影响图像质量的问题,采用差错控制与拥塞控制相结合的恢复技术,改进AVS视频数据在传输层的RTP打包,提出提高重传效率的AVS视频分层重传策略,通过令牌发放的方式控制数据包重传的次数解决重传导致网络拥塞问题。实验结果表明,在低带宽的网络下,该策略对AVS视频传输相对于无令牌发放的重传方式图像质量有一定的提高。     

一种新的半监督入侵检测算法

针对无监督学习的入侵检测算法准确度不高、监督学习的入侵检测算法训练样本难以获取的问题,提出了一种粒子群改进的K均值半监督入侵检测算法,利用少量的标记数据生成正确样本模型来指导大量的未标记数据聚类,对聚类后仍未能标记的数据采用粒群优化的K均值聚类,有效提高分类器的分类准确性,并实现了对新类型攻击的检测。实验结果表明,算法的整体检测效果明显优于基于无监督学习和监督学习的检测算法。     

进化计算的一种变异概率自适应方法

1引言 进化计算的不足之一是可能陷入局部极小,变异操作正是为解决局部极小问题而使用的.若变异概率pm取值较大的话,能够产生出较多的新个体,搜索空间相应也大,进化过程中产生全局次优解(near-optimality)的机会也就会大,但也有可能破坏掉很多较好的模式,变异操作的概率过大会引起进化过程不稳定,使得遗传算法的性能近似于随机搜索算法的性能;若变异概率pm取值太小的话,则变异操作产生新个体的能力和抑制早熟现象的能力就会较差.     

An adaptive genetic algorithm with diversity-guided mutation and its global convergence property

An adaptive genetic algorithm with diversity-guided mutation, which combines adaptive probabilities of crossover and mutation was proposed. By means of homogeneous finite Markov chains, it is proved that adaptive genetic algorithm with diversity-guided mutation and genetic algorithm with diversity-guided mutation converge to the global optimum if they maintain the best solutions, and the convergence of adaptive genetic algorithms with adaptive probabilities of crossover and mutation was studied. The performances of the above algorithms in optimizing several unimodal and multimodal functions were compared. The results show that for multimodal functions the average convergence generation of the adaptive genetic algorithm with diversity-guided mutation is about 900 less than that of adaptive genetic algorithm with adaptive probabilities and genetic algorithm with diversity-guided mutation, and the adaptive genetic algorithm with diversity-guided mutation does not lead to premature convergence. It is also shown that the better balance between overcoming premature convergence and quickening convergence speed can be gotten.