基于遗传算法和Hopfield神经网络的字符识别方法

分析了Hopfield神经网络和遗传算法的基本原理,探讨了Hopfield神经网络在字符识别中的应用,针对Hop-field神经网络易陷入局部最优的问题,提出了基于遗传算法的Hopfield神经网络的字符识别方法,利用遗传算法的全局搜索能力来弥补Hopfield网络易陷入局部最优解的缺点。并进行了仿真验证。实验结果证明...     

基于混沌搜索的组合电路测试生成算法

基于组合电路测试生成的离散Hopfield神经网络模型，将混沌搜索与Hopfield网络的梯度算法相结合，利用混沌搜索的内随机性及遍历性来克服梯度算法易于陷于局部极小的缺点，形成一种具有全局搜索能力的测试生成有效算法。该算法综合了随机性和确定性算法的优点，其性能优于一般的随机性算法。实验结果验证了该测试生成算法的有效性。     

基于人工智能方法的无源光网络优化规划

使用人工智能方法对PON网络拓扑结构进行优化,以富士通FPX－1000无源光网络系统为例进行了仿真实验,并对遗传算法,增添算法和Hopfield网络方法进行比较,仿真结果表明遗传算法明显优于增添算法和Hopfield网络方法,遗传算法可使网络建设代价最小化,它非常好地解决了PON规划问题。     

基于小生境伪并行遗传算法的自主机器人路径优化

提出了一种新的遗传算法——小生境伪并行遗传算法(NPPGA)，用于对自主机器人运动路径进行优化。这种遗传算法是对小生境遗传算法和并行遗传算法的一个有效改进，该方法兼顾了对局部最优解和全局最优解的搜索，维持了群体的多样性，避免了早期收敛现象的发生；同时也增强了自然群体进化的并行性，加快了搜索进程。实验结果表明，该方法是有效可行的，通过合理选取选择、交叉、变异及小生境算子，能得到机器人路径规划最优解。     

基于自适应SAGA的测试数据自动生成

结合遗传算法（GA）的并行搜索结构和模拟退火（SA）的概率突跳性，并结合使用自适应的交叉算子和变异算子，提出了一种高效的自适应的SAGA混合优化算法。在自主开发的结构性测试工具WBoxTool中，使用自适应SAGA混合优化策略进行测试数据自动生成，并通过实例对基本遗传算法、自适应遗传算法和自适应SAGA进行了比较，结果表明自适应SAGA具有更强的搜索能力，可以更快的发现全局最优解。     

基于无线射频定位系统的网络拓扑优化

以遗传算法和免疫算法相结合的算法为研究手段,为无线射频网络的拓扑结构做了优化.这个设计在传统的遗传算法上加以改进,结合了遗传算法和免疫算法的优点,将免疫算法作为遗传算法的一个更新个体的算子,从而提高了遗传算法的搜索能力,使得网络拓扑的结果更加优秀.     

基于遗传蚁群优化算法的认知无线电频谱分配

针对认知无线电中的频谱分配问题,提出一种融合了遗传算法和蚁群算法优点的频谱分配方法。该方法利用遗传算法快速随机的群体性全局搜索能力生成初始解,然后利用衔接策略将遗传算法初始解转化为蚁群算法所需的信息素初始分布,最后利用蚁群算法正反馈、收敛高效的特点求取最优解。通过仿真比较了该方法与颜色敏感图着色算法的性能。结果表明动态融合了遗传算法和蚁群算法的优化算法性能明显优于颜色敏感图着色算法,它能更好地实现网络效益最大化。     

蚁群-遗传算法的无线传感器网络路径优化

为了提高无线传感器网络路径优化效率,快速找到最优路径,提出基于蚁群-遗传算法的传感器路径优化方法.利用遗传算法的快速全局搜索能力和蚁群算法的正反馈机制,实现了两种算法的融合.仿真结果表明,蚁群-遗传算法在时间和性能上都优于单独的蚁群算法和遗传算法,能快速找到无线传感器网络最优路径,有效延长了网络的生命周期.     

基于遗传算法的快速软判决译码

本文采用遗传算法实现快速软判决译码（ＧＳＤ）。将软判决译码问题转化为相应的组合优化问题,利用遗传算法固有的并行特性和启发式搜索能力,进行快速优化计算,完成快速软判决译码。该算法适合于并行的译码结构,能够在保持译码性能不变的同时,加快译码速度。模拟计算表明：算法的泽码性能和译码速度都比较好,具有较高的实用价值。     

阵列天线波束赋形的混合遗传算法优化

本文提出了一种应用于阵列天线波束赋形优化的混合遗传算法.该算法将简化的步长加速法作为一个局部搜索算子,融入到基于实数编码的遗传算法中.局部搜索算子的引入,使得新算法同时具有了传统遗传算法在全局搜索时的鲁棒性和步长加速法在局部搜索中搜索较快的优点.文中分别利用该算法对16元直线阵列进行了平顶波束和余割平方波束赋形优化,仿真结果表明了该算法在阵列天线波束赋形优化问题上的应用是有效的.     

“遗传算法”在计算机网络可靠度优化计算中的作用

以保证计算机网络传输系统的可靠作为前提,怎样有效地降低网络结点链路成本,逐渐成为了当前计算机网络可靠度优化的主要方向。而遗传算法相对于传统的算法来说,有着搜索高效、求解便捷和算法结构简便等优点,做全局的计算时能够得到最优的相似值。文章在确保计算机网络链路介质成本与网络可靠度数学模型因素之时,对遗传算法在计算机网络可靠度优化计算中的作用进行了分析。     

计算机通信网络中容量与流量分配的优化研究

改进计算机通信网络中的流量与容量的分配问题,可以有效解决并降低计算机本身的运营费用。通过并行遗传算法,可以对计算机网络进行合理优化,除此之外,还可以将并行遗传算法与传统算法相比较,从而更清楚的了解到,哪种优化算法,可以更好的提高计算机网络运营质量。     

基于改进遗传算法的配网无功优化

针对配电网无功优化问题进行研究。以配电网络有功网损最小为优化目标,使用连接权重将配电网中的有功网络损耗、电压稳定性、补偿设备投入容量等多目标优化变为单目标优化。利用具有全局搜索能力的免疫算法与遗传算法相结合,从而提高了遗传算法的稳定性和适应性。最后通过IEEE 14节点的配网无功优化实例对所研究的改进遗传算法的优化模型进行分析。研究结果表明,使用改进遗传算法后的有功损耗相比常规遗传算法下降了0.28 MW,损耗降低率提高了1.37%,并且迭代次数明显降低,提高了优化的速率。     

基于遗传算法的天线匹配网络研究

遗传算法是模拟生物进化过程而发展起来的一种优化和搜索求解极值问题的自组织、自适应的人工智能技术,其通过对一组编码进行简单的遗传操作和优胜劣汰来指导学习和确定进化的方向.遗传算法提供了一种求解非线性、多模型、多目标等复杂系统优化问题的通用框架.利用遗传算法针对天线匹配网络的设计进行研究,并利用安捷伦科技有限公司的ADS软件针对同一天线设计匹配网络,通过仿真结果证明利用遗传算法设计天线匹配网络的可行性与可靠性.     

一类0-1背包问题的启发式网络策略模型与算法

针对遗传算法(GA)易陷入局部最优解、搜索精度低等缺点,提出了网络启发式策略的遗传算法(NSHGA),并将其成功地应用于0-1背包问题的求解。该算法采用网络节点关联策略,使算法具有良好的全局寻优能力。同时引入网络节点矩阵优化,利用其精细的局部遍历搜索性能,使算法具有较高地搜索精度。实例仿真结果表明,NSHGA算法可有效避免基本GA算法的早熟收敛,且具有寻优能力强、搜索精度高等特点。此外,与基本遗传算法仿真相比,可明显提高0-1背包问题求解的精度。     

试验IP网QoS优化设计

在分析IP网自身协议不足的基础上,提出了对网络服务质量(QoS)进行优化的必要性。分析了遗传算法,发现遗传算法是一种基于反复改进策略的搜索方法,可以求解很多领域的各种组合搜索和优化问题,对网络服务质量进行优化尤为适用。基于遗传算法提出一种对IP路由进行优化的方案,以此提升网络QoS的综合指标。通过仿真验证了方案的可行性,仿真结果显示所提出的算法对解决IP网络拥塞、改善吞吐量方面有明显效果。     

一种基于遗传算法的语法网络搜索方法

本文以基于隐马尔科夫模型的语音识别系统为基线系统,提出了一种基于遗传算法的语法网络搜索方法,应用于语音识别系统的语法网络搜索模块。通过遗传算法解码得到的搜索结果虽然不唯一但都是满意解,提升了该模块的全局优化搜索能力。     

改进的量子遗传算法在网络拥塞控制中的应用

当前以遗传算法为基础的网络拥塞控制方法对网络拥塞存在控制目标选取耗时,最优目标参数选取不均等问题,控制效果不佳。针对这一问题,结合量子计算的优点,提出一种基于改进量子遗传算法的网络拥塞控制算法,首先对网络拥塞的原理进行分析,建立QoS路由拥塞控制数学模型,将量子计算引入遗传算法进行改进,在静态旋转角的量子遗传算法的基础上,保证拥塞目标参数的选取准确性,给出算法的实现方法和具体流程。实验结果表明,该算法的搜索速度快、效率高、可以很好地优化网络性能,实现拥塞控制。     

基于混合遗传算法的多目标问题规划

遗传算法在问题优化中的应用已有了许多研究，但对于大型多目标规划问题而言，由于其问题特性和计算量大而限制了遗传算法的应用。为探索新的问题求解方法，提出了一种基于遗传算法和梯度算法的问题优化混合算法。用梯度法每次迭代得到的结果来改进遗传算法的群体，而用遗传算法的最优个体与梯度算法的迭代解相比较，选择其中的最优点作为梯度法下一步迭代的初始点。通过保持迭代过程的最优解，加快了搜索速度，并保证收敛于全局最优解。算例表明该方法兼具遗传算法的全局搜索能力和梯度算法的局部搜索的特点，且具有良好的工程适应性。     

基于改进遗传算法的软件测试自动化机制研究

文中针对传统遗传算法处理高维测试用例时存在的稳定性较差、处理非线性约束失效、计算量大、早熟收敛、收敛速度随时间呈迟滞变化等固有弊端,提出了一种改进遗传算法,通过引入优化过的自适应交叉算子和变异算子并融入模拟退火机制,较好解决了优化过程中易陷于局部最优、搜索初值依赖性问题。利用Eclipse平台开发了验证环境并对算法进行了仿真验证,验证结果表明文中所提算法可以在较短的时间内有效匹配目标测试用例,在稳定性、实时性、全局最优、并行搜索效率等方面具有明显优势。