一种面向工程的遗传规划

传统遗传规划常因树复杂度的无节制增大,导致运行时间过长而不能直接在工程应用中使用。文章在遗传规划中引入了多目标优化方法,寻求在解的性能和复杂度之间的均衡。该方法不仅提供了一种在随机搜索过程有效控制树结构长度的方法,而且产生精度更高的最优结果。通过对符号归问题的应用实例,验证得到了较好的结果。     

一种基于多目标优化的遗传规划模型

遗传规划常因进化过程中层次树的复杂度无节制的增大，导致运行时间过长而难以直接在工程上应用．本文在传统遗传规划中引入多目标优化原理，这种基于多目标优化的遗传规划模型不仅产生精度更高的最优结果，而且提供了一种在随机搜索过程中有效控制树结构长度的方法．通过对符号回归问题的实验验证，得到了较好的结果．     

基于非支配排序的遗传规划的建模方法

分析了利用遗传规划进行复杂非线性系统建模中存在的过学习问题,提出了一个基于插值函数保护法和多目标非支配排序优化方法的遗传规划建模方法。文章利用NSGA所提出的非支配排序的思想结合传统的遗传规划来实现对于模型的精确度、复杂度和曲率的平衡。同时改进了传统遗传规划所使用的函数保护策略进一步降低了过学习现象,得到具有较高泛化能力和简洁性的最优模型。实验结果证明了该方法的有效性。     

基于多目标遗传规划的软测量建模方法

分析了利用遗传规划进行复杂非线性系统建模时容易出现过学习现象问题的原因,提出了一个基于插值函数保护法、一个评价函数光滑度的准则和基于多目标非支配排序的改进的遗传规划方法.利用非支配排序的思想结合传统的遗传规划来实现对于模型的精确度、复杂度和光滑度的平衡从而提高学习结果的泛化能力.将该方法应用于工业阿维菌素发酵过程中的菌丝浓度估计,取得了良好的效果.     

机器人路径规划中的双向Dijkstra二叉树算法

在分析现有路径规划和碰撞检测方法的基础上,提出了一种新的机器人路径规划方法：双向Dijkstra二叉树算法。在机器人路径规划中应用传统的Dijkstra算法时间复杂度是O(n¬¬¬¬2),应用该文提出的算法进行路径规划的时间复杂度为O(nlog2n)。通过一些数据的检测,验证了在机器人路径规划中,尤其是在测试数据较多的情况下,该算法可以有效提高效率。     

基于GNP算法类人机器人全身运动的规划

介绍了一种基于遗传网络算法(Genetic Network Programming,以下简称GNP)的类人机器人全身运动规划方法。在介绍了GNP算法的核心理念之后,将着重阐述GNP遗传网络的构建方案以及如何将其应用到类人机器人的全身运动规划中,并在论文最后分析实验数据和仿真结果。     

基于遗传规划的哈默斯坦模型的辨识

该文基于遗传规划提出了一种辨识哈默斯坦模型的新方法。哈默斯坦模型由静态非线性模块和动态线性模块串联而成,因此系统辨识的目标是要找到非线性和线性模块的最优数学模型。该文通过遗传规划确定非线性模块的函数结构,并结合遗传算法确定模型的未知参数,适应度值的计算采用了最小信息量准则(A IC),以平衡模型的复杂度和精确度。该方法不需要对模型的先验知识有详细了解,就能达到较好的辨识效果,并且能够克服观测噪声的污染,获得参数的无偏估计。仿真结果说明了该方法的有效性。     

最大子长方体问题的动态规划算法

动态规划程序设计策略对许多实际应用问题的解决是灵活和有效的。首先对一类最大子长方体问题进行了分析,并给出了该类问题的动态规划解法,最后对所给算法的复杂度进行了分析和讨论。实验结果验证了所提出方法的有效性。     

进化规划算法的时间复杂度分析

进化规划算法是求解连续优化问题的一类进化算法,是进化计算的一个重要分支.在进化规划算法的理论研究上,已有学者证明了其收敛性.然而,进化规划算法的时间复杂度分析是进化计算领域一大难题,目前相关的研究成果很少.基于吸收态Markov过程模型,以期望收敛时间作为研究进化规划算法时间复杂度的指标,提出了进化规划算法期望收敛时间的估算方法,并以此作为算法时间复杂度分析的理论依据.最后分析了Gauss变异进化规划算法的期望收敛时间,作为提出理论的应用举例.     

多边形Voronoi图填充算法在3D打印中的研究

为了解决3D打印路径填充往复扫描时模型外壁发生形变、减少打印机喷嘴空驶及减少打印变加速次数,人们引用Voronoi图理论进行层面路径规划.这种方法现在在简单多边形的路径规划中已得到很好的应用,但是在对复杂度较高多连通多边形路径规划上容易产生大量的数据冗余.为了解决这些问题,结合利用图像分割边缘化处理技术,对构造复杂度较高的多边形Voronoi图路径填充的算法进行了改进,并用Python语言实现了该算法.     

基于正态云自适应遗传算法的无人机航路规划

为了克服标准遗传算法在无人机航路规划中存在的搜索速度慢、容易陷入局部最优等缺点,应用一种基于正态云改进的自适应遗传算法。建立无人机航路规划模型,将地理直角坐标系旋转,引入转弯角度约束,简化遗传编码的复杂度。改进算法由X条件云发生器产生种群的交叉概率和变异概率组成。正态云滴的稳定倾向性保护较优个体从而对全局最优值进行自适应定位,随机性保持个体多样性从而避免搜索陷入局部极值。仿真结果表明,该算法能使无人机在战场环境中快速地选择最优航路,规划的效率和成功率相对于标准遗传算法有明显提高,具有良好的应用前景。     

求解双边加权模糊支持向量机的序贯最小优化算法

高的计算复杂度限制了双边加权模糊支持向量机在实际分类问题中的应用。为了降低计算复杂度,提出了应用序贯最小优化算法（SMO）解该模型,该模型首先将整个二次规划问题分解成一系列规模为2的二次规划子问题,然后求解这些二次规划子问题。为了测试SMO算法的性能,在三个真实数据集和两个人工数据集上进行了数值实验。结果表明：与传统的内点算法相比,在不损失测试精度的情况下,SMO算法明显地降低了模型的计算复杂度,使其在实际中的应用成为可能。     

遗传规划自适应建模的JAVA实现及在股票价格预测中的应用

针对如何将遗传规划方法与时间序列有效结合,构建基于遗传规划的时间序列自适应模型,并通过Java语言辅助算法的实现。相比之前遗传规划算法,采用平均值法改进初始群体的生成方式,使变异概率随着进化代数的增加而递减,且加入并行计算思想。在算法流程的核心计算环节,将适应度值的计算、个体的复制、交叉、变异操作都从线程的粒度来进行,基于实际运行效果来看,CPU多核运行明显,算法能够充分利用多处理器、多核进行计算,提高了运行效率。将改进的遗传规划模型应用于我国股票市场上股票价格的预测,将预测结果与经遗传算法优化的神经网络方法和传统遗传规划方法进行比较,结果证明改进遗传规划方法的预测精度更高,且能够更直观地表达输入与输出之间的关系。     

基于神经网络量子算法的多用户检测器

利用遗传量子算法和Hopfield神经网络,提出了一种融合两种算法优点的神经网络量子算法,并将其应用到CDMA通信系统的多用户检测问题中。所提算法把神经网络嵌入到遗传量子算法的每一代中,可进一步提高量子种群的适应度函数值。通过混合神经网络到GQA中,还可加快GQA的收敛速度进而减少算法的计算复杂度。另外,GQA所提供的良好初值改善了HNN的性能,嵌入的HNN也提高了GQA的性能。仿真结果证明了该方法的抗多址干扰能力和抗远近效应能力都优于传统检测器和一些应用智能算法的多用户检测器。     

基于改进遗传规划算法的数据拟合*

针对传统数据拟合方法需预先估计基函数、依赖于应用领域等问题,基于遗传规划的动态可变特性,提出将遗传规划与最小二乘法结合,设计具有一定通用性和自适应能力的数据拟合算法。在分析传统遗传规划算法的基础上,详细介绍了算法改进方法,并针对各种类型的拟合数据进行了对比实验。实验结果表明,该算法不仅可以应用到多种场合,而且可以提高拟合效率与精度。     

基于改进遗传算法的船舶管路布局设计

针对船舶管路布局设计中的路径规划问题提出一种改进型遗传算法求解方法。建立船舶管路布局设计问题的模型空间、约束条件和优化目标;提出一种基于连接点网格的定长编码方法,结合该编码方法设计了适合改进遗传算法应用的适应度函数和交叉、变异算子,定长编码可降低遗传算子设计复杂度和非法个体修补代价;提出在进化流程中嵌入以“去折弯”和“改模式”两种改善型变异方法构建的爬山操作,以提升算法收敛性和寻优能力。通过仿真实验验证所提算法具有可行性和先进性。     

聚类方法在公共设施选址中的应用研究

对空间数据挖掘聚类技术及其在公共设施选址方面的传统应用方法进行了综述,分析了传统应用方法中有待解决的关键问题,对空间距离代价的表示问题和传统方法的算法时间复杂度进行了初步探讨,运用模拟退火算法和图论对传统方法进行了改进,实现了算法时间复杂度的降低和聚类结果的优化。     

一种种群自适应收敛的快速遗传算法

作为一种全局搜索算法,遗传算法的局部搜索能力较低,后期产生的无效进化与早熟收敛影响优化的速度和精度。已有的改进策略多以算法的时间复杂度为代价提高后期效率,严重限制了遗传算法在工业控制系统中的应用。针对这种情况,提出了一种新型种群自适应收敛的快速遗传算法,即通过提高种群的遗传质量,在严格控制算法复杂度的前提下提高优化性能。仿真结果证明,在不增加时间复杂度的前提下,新算法显著地提升了收敛精度和收敛速度。     

动态规划算法计算组合数C_n~m

运用动态规划解决组合数C_n~m的问题,从动态规划的基本原理设计分析组合数的性质和要素,并给出Java程序进行验证,并进行复杂度分析和结果分析,扩大动态规划应用的范围。     

基于改进蚁群算法的三维航迹规划

针对蚁群算法在无人机（UAV）三维航迹规划中存在的收敛速度慢、空间复杂度高的缺点,提出了一种基于改进蚁群算法的无人机（UAV）三维航迹规划方法。该方法改进了局部搜索策略、初始信息素调整因子并在启发函数中加入了路径偏移因子,从而降低了航迹搜索空间的复杂度,提高了算法的搜索效率和收敛速度。在利用DEM数字高程数据建立的搜索空间中,该算法与现有算法相比,规划航迹缩短约24.08%,运行时间减少约11.56%,表明改进蚁群算法在无人机（UAV）三维航迹规划中的可行性和有效性。