自适应遗传算法在DOA搜索中的应用

由于DOA参数估计中的搜索算法无法满足实时性的要求,本文提出在空间谱估计中使用遗传算法来提高搜索速度。鉴于传统遗传算法存在收敛速度慢和早熟的问题,本文选用自适应遗传算法。文中对遗传过程中初始群体选取、选择、交叉和变异的各阶段进行了改进,并解决了收敛速度慢和早熟的问题。最后通过计算机仿真进一步证明算法的有效性和鲁棒性。     

改进遗传算法在组卷中的应用

国内外许多科研机构对基于遗传算法的组卷问题进行了大量的研究,但由于组卷问题的复杂性,仍存在许多不足.本文尝试在遗传算法基础上进行技术改进,以克服组卷速度慢、算法局部收敛的缺陷.     

免疫遗传算法及其应用研究

遗传算法是一种导向随机搜索算法,具有较强的全局搜索能力.为克服遗传算法盲目搜索、收敛速度慢的缺点,文章提出了免疫遗传混合算法.利用求解问题特征对遗传算法的种群进行免疫接种,以提高搜索速度.为检验混合算法的效率,给出了经典TSP问题的混合算法.实验结果表明,混合算法具有收敛速度快、搜索精度高、稳健性强的特点.     

遗传算法在广播电视频率指配中的应用和改进

本文介绍遗传算法及其在频率指配中的应用和改进,并以典型兼容关系矩阵为条件,对算法的性能进行测试比较。     

基于遗传算法的宽带加权子空间拟合测向算法

宽带信号测向一直是信号处理领域研究的难点.本文把窄带情形下的加权子空间拟合测向算法推广到宽带情形,构造了一个目标函数,然后应用遗传算法进行非线性全局优化,即可得到波达方向估计值,同时避免了对入射方向进行预估计.把本文算法应用到均匀线阵上,仿真实验结果证明了算法的有效性.     

遗传算法在天线阵自适应算法中的应用

本文采用一种新的基于遗传法的天线阵列的自适应算法。根据实际的硬件限制，不改变阵列的幅度加权，而通过遗传算法对相位加要权作全局优化。为减小对天线方向图的破坏，并希望在干扰源来波方向实时置零，因而采用只优化搜索数字移相器的最后几位，计算机模拟结果证实了这种方法的有效性。     

基于改进实数遗传算法的DOA估计

文献[7]提出的估计方法直接以误差矩阵的2范数建立适应度函数,文中利用该矩阵是Toeplitz矩阵的特性,构造了一个新的适应度函数,提出了一种基于基因分量独立变异的实数遗传算法。该方法不需进行矩阵的特征值分解,充分利用了遗传算法的全局寻优特性,获得了良好的参数估计性能。仿真结果表明,相对文献[7],达到同样要求所需要的运算量减小了一半。     

基于改进遗传算法的多无人机搜索航路规划

针对多无人机对特定区域内的目标搜索问题,提出了一种基于贪婪算法改进变异操作的自适应遗传算法。依据先验情报对搜索区域进行栅格化处理,并结合无人机性能约束建立基于状态更新周期的协同搜索模型;引入类0-1编码将无人机航向控制序列与搜索概率进行关联;考虑到机载雷达对某一区域的重复探测会在一定程度上提高搜索概率,提出加入贪婪算子的贪婪变异策略,并引入策略选择阈值实现依据搜索概率变化对变异策略的动态调整,提高算法后期的局部搜索能力。仿真结果表明,改进的自适应遗传算法整体性能较好,具有较强的搜索能力和鲁棒性。     

遗传算法在计算机网络中的应用

现如今的社会发展越来越快,计算机的应用也是比以前更加普遍,产生了很多交叉学科,其中近几年发展比较快的就是遗传算法。遗传算法的应用比较广泛,可用于解决数值优化、组合优化、机械学习、智能控制、人工生命、图像处理和模式识别等各领域的问题。有很多经典的问题都是用遗传算法来解决的,这些具体问题的处理中都用到了遗传算法,成功地把遗传算法和计算机结合起来。本文主要论述了遗传算法在计算机网络中的应用。     

遗传算法在网络优化中的应用

通讯网络中存在许多设计和优化问题,且相当一部分属于NP-hard类型,传统的解法由于计算复杂度过大而失效。近年来,将遗传算法(GeneticAlgorithm:GA)用于网络优化正逐步成为一个研究热点,本文以网络中的优化问题为线索,对GA在其中的应用做了初步探讨,列举了相关GA算法的特点,特别是路由方面,做了较为详细的分析。     

改进的遗传算法在排课系统中的应用研究

针对排课系统中常用的遗传算法中存在影响排课因素多、难以进行最优组合及排课效率低等问题,提出了一种改进的遗传算法。在该算法中,主要对传统遗传算法中的编码方式、初始化种群方式、选择操作、交叉操作、变异操作及冲突检测方式进行改进。仿真测试结果表明,改进后的遗传算法在收敛速度和获得最优解方面都有了很大提高。     

遗传算法的3种改进方法和分析

遗传算法是一种借鉴生物界自然选择和进化机制的随机优化算法.它在求解一般全局优化问题时具有较好的鲁棒性,而且搜索不依赖梯度信息.但是,在用传统遗传算法解决较复杂的优化问题时,存在早熟及稳定性差的缺点.因而,针对这些缺点,出现了很多对传统遗传算法的改进.本文对遗传算法的3种改进方法进行了描述,并将它们应用到一个函数优化实例...     

基于区域加权信息熵和改进遗传算法的图像检索

采用信息熵性能评价指标从概率的角度描述因权值变化而引起的图像信息熵分布的变化,可以根据用户关注的范围确定重点加权区域,通过改进的猴王遗传算法来确定权值选择,能够自动的确定感兴趣的区域。区域加权信息熵能够提取图像的颜色以及空间特性,并且保留了香农熵的数学特性。实验表明,区域加权信息熵实验结果的准确率高于单纯的颜色特征提取算法。     

一种改进变异算子的混合遗传算法

分析了遗传算法传统变异算子的缺陷,为解决遗传算法搜索效率低下及早熟收敛的问题,设计了一种融合遗传搜索和模式搜索的混合遗传算法。理论分析与实验仿真结果表明,所给出的混合遗传算法是有效的,在收敛速度、精度和稳定性方面均有明显的提高。     

改进遗传算法在线阵波束方向图中的应用

通过对传统遗传算法应用在线阵波束方向图中进行分析,从编码方式、变异策略以及选择机制上提出了新的改进策略。改进后的算法减少了编码长度,增加了变异灵活性,更好的保持了种群中个体的多样性,加快了搜索和运算速度和收敛性能。对线阵波束方向图的零陷点生成和旁瓣抑制进行仿真,仿真结果表明改进算法与传统算法相比能明显减少遗传代数,能够更快地找到满意解。     

遗传算法在产生式规则获取中的应用

利用遗传算法的优化搜索能力获得描述飞行状态知识的产生式表达,并在此基础上提出了一种知识维护的算法,为专家系统中知识库的自动建立及维护提供了一种可行的方法,该算法在实践中有较好的应用前景并已在飞行动作的知识发现方面获得了成功的验证。     

基于模拟退火遗传算法的图像增强

针对传统图像增强方法存在的不足,提出了一种基于模拟退火遗传算法的图像增强算法。首先将图像增强过程参数编码成为遗传算法中的个体,然后通过模拟自然界生物进化过程对参数进行寻优,并引入模拟退火算法克服种群退化现象,同采用动态自适应交叉、变异过程防止局部最优解出现,最后根据找到的最优参数实现图像增强处理,并且采用仿真对比实验对算法有效性和优越性进行测试。仿真实验结果表明,相对于当前其它图像增强算法,模拟退火遗传算法可以恢复图像细节信息,提高了对比度,图像质量得到增强。     

改进Hausdorff距离和量子遗传算法在激光制导中的应用

为了在激光成像制导中提高目标识别的精度和实时性,并在遮挡条件下进行有效识别,采用基于改进Hausdorff距离和量子遗传算法的激光图像匹配算法,选择图像的局部边缘特征为特征空间,针对传统Hausdorff算法及几种改进Hausdorff距离存在的问题,提出了一种新的改进Haussdorff距离作为相似性度量;在搜索策略上,选择量子遗传算法进行并行搜索,为防止种群过早收敛,提出了种群灾变策略,并应用动态的量子旋转角调节收敛的速度和方向。通过理论分析和实验验证,取得了不同参量条件下的目标识别对比数据。结果表明,该算法可以消除激光图像中局部遮挡、噪声以及出格点等因素影响,鲁棒性好、匹配精度高、计算速度快。     

遗传算法在VLSI计算机辅助设计中的应用

介绍了遗传算法的基本原理,讨论了遗传算法在VLSI-CAD中的应用,给出了算法性能评价准则,最后对VLSI-CAD的设计作了展望.     

基于改进自适应遗传算法的图像配准方法

采用遗传算法进行图像配准时,存在收敛速度慢、易早熟的问题,可能导致误配。为克服这些缺点,提出了改进的自适应遗传算法(improved adaptive genetic algorithm,IAGA)。该算法以互信息作为相似性测度,通过对遗传参数设置的改进,自适应的调解进化过程中的交叉概率和变异概率,既提高了遗传算法的收敛速度,又有效地防止了早熟。实验结果表明,改进算法具有更好的有效性和精确性。