基于遗传算法优化神经网络的多用户检测

利用遗传算法全局搜索能力强和反向传播(BP)算法局部搜索速度快的特点,采取两段式训练方法,既避免陷入局部最小,又加快收敛速度。提出基于遗传算法优化神经网络权值的多用户检测算法。采用实数编码方式,将传统神经网络的能量函数作为适应度函数,选择算子选用轮盘赌算子,交叉算子选用单点交叉算子,变异算子选用正态变异算子。仿真结果表明,该算法的误码率、信干比和信道跟踪能力等方面的性能与传统前馈神经网络多用户检测算法相比均有一定的改善。     

一种基于改进遗传算法的路径测试用例生成方法

采用遗传算法求解路径覆盖的测试用例生成问题是软件测试自动化的研究热点。针对传统标准遗传方法搜索测试用例易产生早熟收敛和收敛速度较慢的不足,设计了自适应的交叉算子和变异算子,提高了算法的全局寻优能力。基于动态生成算法框架,通过程序静态分析,考虑了分支嵌套深度的影响,结合层接近度和分支距离法,提出一种新的适应度函数。实验结果表明,该算法在面向路径的测试用例生成上优于传统方法,提高了测试效率。     

基于改进遗传算法的PID参数寻优与控制器设计

相比传统的调节方法,遗传算法具有更好的鲁棒性、最优性,能较好的实现参数的自动化调节。对标准遗传算法（SGA）进行了分析、研究,并在SGA的基础上进行了改进。改进的遗传算法从提高全局搜索性能和加快收敛速度出发,提出了改进的选择算子、交叉算子和变异算子,仿真结果表明,改进的遗传算法的全局搜索性能和收敛速度远远优于标准遗传算法。     

一种强引导进化型遗传算法

针对遗传算法随机性过强,收敛速度慢的问题,从选择机制、交叉算子、变异算子三方面强化了对进化方向的引导,提出了“保留最优,调节中间,淘汰最差”的确定型选择策略．用基因调节加自适应变焦微调算子代替常规的交叉算子,用淘汰替代方式代替变异算子,构造出一种强化引导型遗传算法．多变量函数优化的仿真计算结果说明了该算法的有效性．     

基于神经网络和遗传算法的组播路由算法

提出了一种基于神经网络和遗传算法的新颖的QoS组播路由算法, 该路由算法把神经网络和遗传算法结合起来,并给出了一种非常便于进行交叉、变异等遗传操作的新编码方式。从而克服了传统遗传算法中存在的早熟现象, 加快了收敛速度。仿真结果显示,算法在收敛速度方面要优于单纯的遗传算法和神经网络方法。     

混沌遗传算法在IP网络组播路由中的应用

提出了一种基于混沌优化和遗传算法的新颖的QoS组播路由算法，该路由算法把混沌系列和遗传算法结合起来，并提供了一种新的编码方式和一种自适应的变异遗传操作，从而克服了传统遗传算法中存在的早熟现象，加快了收敛速度。仿真结果显示，该文提出的算法在解题的精度和收敛速度等方面都优于遗传算法。     

融合遗传算法和关联规则的数据挖掘方法改进

提出了一种融合改进遗传算法(Genetic algorithm, GA)和关联规则的数据挖掘方法,首先将GA交叉算子和变异算子进行自适应改进,使其在迭代过程中能够根据函数适应度值自适应调节;然后将改进后的自适应GA融入到关联规则中,充分利用GA良好的全局搜索能力,提高处理海量数据关联规则的挖掘效率。为了避免无用规则,减少不相关性的存在,在此基础上融入亲密度以提高关联规则的可靠性。在Hadoop大数据平台上通过分析交通数据验证优化后的算法,与传统方法相比,该方法提高了算法的收敛速度和鲁棒性。     

Various hybrid methods based on genetic algorithm with fuzzy logic controller

In this paper we propose several efficient hybrid methods based on genetic algorithms and fuzzy logic. The proposed hybridization methods combine a rough search technique, a fuzzy logic controller, and a local search technique. The rough search technique is used to initialize the population of the genetic algorithm (GA), its strategy is to make large jumps in the search space in order to avoid being trapped in local optima. The fuzzy logic controller is applied to dynamically regulate the fine-tuning structure of the genetic algorithm parameters (crossover ratio and mutation ratio). The local search technique is applied to find a better solution in the convergence region after the GA loop or within the GA loop. Five algorithms including one plain GA and four hybrid GAs along with some conventional heuristics are applied to three complex optimization problems. The results are analyzed and the best hybrid algorithm is recommended.     

一种整数编码的改进遗传算法

遗传算法作为一种优秀的寻优算法,编码策略是其基础。因二进制编码和实数编码均存在一定的不足,该文提出一种整数编码的最优化遗传算法。为了提高收敛效率和避免算法的早熟收敛,该文采用了截断选择机制和混合杂交、邻近变异等操作算子,并引入邻域搜索技术来提高算法的局部搜索能力。仿真计算表明了该算法具有令人满意的全局最优性能和统计稳定性。     

基于改进差分进化的K-均值聚类算法

针对K-均值算法对初始值敏感和易陷入局部最优的缺点,提出了一种基于改进差分进化的K-均值聚类算法。该算法通过引入基于Laplace分布的变异算子和Logistic变尺度混沌搜索来增强全局寻优能力。实验结果表明,该算法能够较好地克服传统K-均值算法的缺点,具有较好的搜索能力,且算法的收敛速度较快,鲁棒性较强。     

一种可自适应调节参数的改进遗传算法

针对遗传算法在复杂问题应用中收敛速度十分缓慢的不足，本文引入收敛性因子和进程因子对种群进化的交叉概率和变异概率进行自适应调节，提出了可自适应调节参数的改进遗传算法．该算法很好地增强了遗传算法的全局搜索能力，提高了收敛速度．通过比较几个优化实例，验证了本文算法的有效性．     

融入遗传算法的混合蚁群算法

为了提高基本蚁群算法的收敛性能和全局求解能力,对基本蚁群算法进行了改进,提出了一类融入遗传算法的混合蚁群算法.在每代进化中保留最优解和次优解的公共解集后引入遗传操中的交叉算子和变异算子进行运算.对优秀解公共解集的保留加快了算法收敛速度,引入交叉和变异扩大了解的搜索空间,提高了解的全局性.通过对TSP问题的仿真运算表明,融入遗传算法的蚁群算法在收敛速度和解的全局性上都有较大的改善.     

A hybrid genetic algorithm for the traveling salesman problem with pickup and delivery

In this paper, a hybrid genetic algorithm （GA） is proposed for the traveling salesman problem （TSP） with pickup and delivery （TSPPD）. In our algorithm, a novel pheromone-based crossover operator is advanced that utilizes both local and global information to construct offspring. In addition, a local search procedure is integrated into the GA to accelerate convergence. The proposed GA has been tested on benchmark instances, and the computational results show that it gives better convergence than existing heuristics.     

有约束的登机门分配问题混合遗传算法

为解决机场航班对登机门有约束的分配问题,提出一种遗传算法与模拟退火算法相结合的混合算法。设计一种编码方法,采用一个向量作为一种登机门分配方案,向量的元素位置表示飞机,元素表示分配给该航班的登机门,同时设计了与编码相应的不需再修正的杂交和变异算子。为了增加算法的局部搜索能力,且尽量不增加计算的复杂度,将模拟退火算法和遗传算法并行作用于相应的子群,并探讨该算法的收敛性。模拟实验结果表明,该算法在计算结果与稳定性方面均优于其他算法。     

基于改进遗传算法的无人机路径规划

针对传统遗传算法收敛速度慢、容易陷入局部最优、规划路径不够平滑、代价高等问题,提出了一种基于改进遗传算法的无人机(UAV)路径规划方法,该算法对遗传算法的选择算子、交叉算子和变异算子进行改进,从而规划出平滑、可飞的路径.首先,建立适合UAV田间信息获取的环境模型,并考虑UAV的目标函数与约束条件以建立适合本场景的更为复...     

求解有约束优化问题的实数遗传算法改进研究

提出一种求解有约束优化问题的改进实数遗传算法.首先,提出一种排序分组选择法,该方法具有种群多样性好、易于实现的优点.其次,给出一种基于方向的启发式交叉算子(DBHX),DBHX能够产生无数个交叉方向,且有可能产生一个引导参与交叉的染色体向最优解移动的方向vecD,即使交叉方向与vecD不一致,也有很大的可能性非常接近方向vecD,可以保证有很大的机会产生更好的子代染色体.最后,针对单一的变异算子无法兼顾局部搜索能力和全局搜索能力的缺点,提出一种组合变异方法,使得变异操作既能保证算法的局部搜索能力,又能兼顾全局搜索能力.10个实例的计算结果表明,所提出的改进实数遗传算法具有较快的收敛速度,从而验证了所提出算法的可行性和有效性.     

基于进化遗传算法的优化计算

针对经典遗传算法在优化计算中存在的弊端,提出进化遗传算法.在染色体基因位编码方式、交叉与变异算子、适合度函数设计、候选解染色体选取方式及收敛准则等方面做了改进.通过对极难优化的Shekel类函数等的优化计算,说明该算法具有良好的全局搜索能力和较快的收敛速度.     

精英化岛屿种群引导的差分进化算法

针对差分进化算法常见的早熟收敛、搜索停滞和求解精度低的问题,研究一种精英化岛屿种群的差分进化算法（EIDE）。为了实现全局搜索与局部搜索能力并重,EIDE划分多个岛屿种群,根据迭代时的适应度情况,动态地将岛屿种群分类为精英岛屿和普通岛屿;针对精英岛屿,提出一种控制参数自适应方法,依据岛屿适应度情况,自适应地调整变异概率与交叉概率,同时算法利用增强局部搜索的变异策略,提高收敛速度与精度;针对普通岛屿,使用适合全局搜索的变异与交叉概率及变异策略,维护种群多样性。EIDE提出了一种可控的“移民”与“个体迁移”策略,控制优质基因流动,有效避免早熟收敛与搜索停滞问题。在9个benchmark函数上的测试结果表明,新算法具有较强的全局寻优能力与稳定性,且收敛速度较快。     

Genetic K-means algorithm

In this paper, we propose a novel hybrid genetic algorithm (GA) that finds a globally optimal partition of a given data into a specified number of clusters. GA's used earlier in clustering employ either an expensive crossover operator to generate valid child chromosomes from parent chromosomes or a costly fitness function or both. To circumvent these expensive operations, we hybridize GA with a classical gradient descent algorithm used in clustering, viz. K-means algorithm. Hence, the name genetic K-means algorithm (GKA). We define K-means operator, one-step of K-means algorithm, and use it in GKA as a search operator instead of crossover. We also define a biased mutation operator specific to clustering called distance-based-mutation. Using finite Markov chain theory, we prove that the GKA converges to the global optimum. It is observed in the simulations that GKA converges to the best known optimum corresponding to the given data in concurrence with the convergence result. It is also observed that GKA searches faster than some of the other evolutionary algorithms used for clustering.     

A Novel Genetic Algorithm and its Application in Fuzzy Variable Structure Control of Fuel Cell

A novel genetic algorithm (GA) is proposed; a ranking genetic algorithm with improved crossover operator. The whole colony is divided into several sub-colonies, and each sub-colony is called a family, which is represented by its best individual. This algorithm includes two levels of structure: the family level and the harmonizing level. The families are parallel during the process of evolution. The harmonizing level ranks all families based on their fitness values, and transports the best individual of the first-rank family to low-grade families so as to accelerate their evolution. Two levels of competition are constructed; one among individuals of a family, and the other among families. The competition within a family is accomplished by a genetic algorithm with improved crossover operator. A family's mutation probability is determined by its relative competitive power. In this way, a rapid and global convergence to the optimum goal is obtained. The GA crossover operator is improved for the case of floating point operations. The improved crossover operator can generate child individuals at random within the space of the supercube, which enhances the space searching rate and precision. Finally, the proposed novel GA is applied to the fuzzy-variable structure control (FVSC) system of a molten carbonate fuel cell (MCFC). The simulation results are satisfying.