基于个体适应值灰模型的交互式遗传算法

为将交互式遗传算法应用于复杂的优化问题中,提出一种基于进化个体适应值灰模型预测的交互式遗传算法,为每代适应值序列建立灰模型,以衡量个体适应值评价的不确定性,通过对灰模型的灰预测,提取进化个体评价的可信度,在此基础上,给出进化个体适应值修正公式,将该算法应用于服装进化设计系统中。实验结果表明,该算法在每代都能获取更多的满意解。     

基于进化个体模糊适应值估计的交互式遗传算法

采用大规模种群进化优化策略,根据用户评价时间和单一数值适应值估计个体模糊适应值;根据个体表现型属性和参照个体模糊适应值宽度计算个体表现型相似度;利用个体表现型相似度对种群聚类并估计未评价个体的模糊适应值;基于个体模糊适应值和表现型相似性构造个体选择适应值,实现个体相似性选择.将所提出方法应用于室内挂钟进化设计,并与已有典型方法进行比较.结果表明,所提出方法在提高优化质量、减轻用户疲劳、提高搜索效率等方面均具有优越性.     

基于灰支持向量回归机预测适应值的交互式集合进化计算

个体适应值的高精度预测和高效的进化策略对于提高进化优化算法性能至关重要.针对现有大规模种群交互式进化计算个体适应值估计误差较大以及传统进化策略搜索效率较低的问题,提出一种基于灰支持向量回归机的个体适应值预测方法和大规模种群集合进化策略.建立基于灰支持向量回归机的适应值预测模型,给出4种集合进化个体比较测度,同时提出新的集合进化个体自适应交叉和变异概率.基于上述策略,采用NSGA-II范式设计一种交互式集合进化优化算法.将该算法应用于RGB颜色One-max优化问题,以表明所提出个体适应值预测方法和集合进化策略的有效性.     

基于组合插值的GM(1,1)模型背景值的改进*

针对 GM(1,1) 模型预测误差偏大的问题,对GM(1,1)模型背景值的构造形式进行了研究。为了能够更加有效地降低GM(1,1)模型的预测误差,提出了基于辛普森3/8公式和牛顿插值公式的组合插值方法来构造出新的GM(1,1)模型的背景值。在GM(1,1)模型的建模过程中,由于原始建模数据序列中的第一个数据没有参与建模, 导致原始数据序列的数据资源利用效率降低,影响了GM(1,1)模型预测精度。因此,可以通过把灰色协调系数b加在原始建模数据序列前面的方法,使第一个数据能够参与到GM(1,1)模型的建模过程中。为了检验模型的改进效果,进行了原始建模数据类型分别为纯指数型数据序列、稳定型数据序列和缺失型数据序列的三组实验。对每组测试实验的预测结果进行对比分析,可以发现,基于组合插值方法对GM(1,1)模型的背景值进行改进,可以极大地降低GM(1,1)模型的模拟和预测误差。改进后的模型具有比较好的预测稳定性,增强了GM(1,1)模型的适用性。     

区间适应值交互式遗传算法神经网络代理模型

为了解决交互式遗传算法的用户疲劳问题,提出区间适应值交互式遗传算法神经网络代理模型．首先,对用户已评价个体的基因型及其适应值进行采样以训练神经网络,使其逼近区间适应值的上下限;然后,利用神经网络代理模型,评价后续的部分进化个体,并不断更新训练数据和代理模型,以保证逼近精度;最后,对算法性能进行了定量分析,并将其应用于服装进化设计系统．分析结果表明,所提算法在减轻用户疲劳的前提下,具有更多找到满意解的机会．     

TSK模糊模型的协同进化学习方法

针对TSK模糊模型的学习是多约束和多目标优化问题,提出TSK模糊模型分解为两类不同的种群,协作共同进化的模型学习方法．论述了所涉及的相关问题,包括各种群的编码及其不同的进化计算,各种群个体的合作及其适应值评估策略,模型的后件参数估计方法．该方法要求先验知识少,收敛速度快,能形成简洁的模糊模型,最后以函数近似为例说明了该方法的有效性．     

交互式进化计算的适应值噪声及收敛鲁棒性

噪声是影响进化计算(evolutionary computation,简称EC)算法性能的一个重要因素.对于传统EC中的噪声,已有许多研究成果,但交互式进化计算(interactive evolutionary computation,简称IEC)的噪声研究成果却较少.首先回顾了传统EC中噪声的定义、来源、类型及各种处理噪声的方法;其次,从IEC的理性用户观点出发,研究了IEC的适应值噪声及收敛鲁棒性.其中,空间的映射关系、个体间的占优关系以及IEC的收敛等是研究收敛鲁棒性的两个定理(强条件定理和弱条件定理)的基础.这两个定理表明,理性用户条件下的噪声不会影响算法全局收敛性.在这两个定理的基础上进一步得出了如下结论:有效的适应度尺度变换是弱条件定理的一部分,IEC中"真"适应值是用户偏好等.并以不满足弱条件定理,即破坏算法收敛性为依据,给出了IEC中适应值噪声的狭义定义.实验进一步验证了这两个定理.上述结论为进一步研究IEC作了必要的铺垫.     

基于复化梯形公式的GM(1,1) 模型背景值的优化

背景值是影响灰色理论建模精度的重要因素之一。根据灰色系统理论建模机理以及数据累加生成具有非齐次灰指数规律,构建动态序列模型;基于积分几何意义的视角,利用函数逼近的思想,结合复化梯形公式,提出一种新的GM(1,1)模型背景值优化方法。算例结果表明,利用优化的背景值计算公式所建立的GM(1,1)模型在预测精度上有显著的提高。     

广义模糊模型的协同进化方法研究

在系统分析不同类型模糊模型的统一性描述及其待学习参数的特征分类基础上,提出了基于协作共同进化的广义模糊模型（COOPCE—GFM）,论述了所涉及的相关问题,包括种群的编码及其不同的进化计算、各种群个体的合作及其适应值评估策略、模型的后件参数估计方法．COOPCE-GFM采用的两种群兆同进化以及灵活的二维和分层树状结构编码方式决定了其可学习各类模糊模型．该方法的另一个特点是对对象的先验知识要求少,文中分别用函数近似和分类问题为例说明其有效性．     

灰色预测控制的无偏GM(1,1)模型

灰色预测控制已在过程控制中得到了广泛应用,控制器的核心模型是GM(1,1)模型,该模型是有偏差的指数模型.作者导出了GM(1,1)模型的偏差公式,并在此基础上提出了无偏GM(1,1)模型.本文介绍无偏GM(1,1)模型,并用实例显示了无偏GM(1,1)模型的优越性.     

基于区间适应值灰度的交互式遗传算法

针对交互式遗传算法缺乏衡量评价的不确定性问题,采用区间数评价进化个体适应值,利用灰度衡量评价的不确定性。通过区间适应值的灰度分析,提取反映种群进化分布的信息,给出进化个体的自适应交叉和变异概率。应用于服装进化设计系统的分析结果表明,该算法可有效缓解人的疲劳,提高优化效率。     

鱼雷武器系统基地级维修时间的模糊灰色模型

鱼雷武器系统3级维修中，基地级维修费用最高。为了合理利用资金，需预测基地级维修时间。根据模糊理论的思想，提出了灰色GM(1,1)模型的拓广形式——灰色AGM(1,1,ω)模型，并用层次分析法来确定最优加权因子，结合实例建立了鱼雷武器系统基地级维修时间预测模型。结果表明，这种方法能达到令人满意的精度，具有实用价值。     

基于灰色线性回归模型的预测控制

针对大滞后线性时不变控制系统,将Smith预估控制方法和灰色线性回归预测方法相结合,提出一种改进型预测控制方法.该方法设计一种灰色线性回归预测器,将其置于反馈回路,预测下一时刻的输出值,达到超前控制的效果.同时根据预测精度来选择控制方案,达到精度要求时,在Smith预估控制中加入灰色线性回归预测控制器,否则就只采用Smith预估控制.仿真结果表明该方法有效地克服了大滞后对控制系统性能的影响,提高了控制精度.     

交互式进化计算在虚拟角色表情建模中的应用

阐述了一种将交互式进化计算应用于三维计算机动画影片中训练虚拟角色面部表情的方法。将模糊神经网络应用于虚拟角色面部表情的建模,并用遗传算法结合交互式进化计算训练模糊神经网络。实验结果表明,当该算法应用于训练虚拟角色面部表情这一问题时,能在保证精度的前提下快速收敛,并能避免陷入局部最优,从而使得不同的动画导演利用这个系统,能够生成符合自己要求的虚拟面部表情。     

基于指数变换的适应度函数研究

在机器人进化计算中,建立一个既能保持群体多样性与收敛性,又能提高进化速度与性能的自适应性适应度函数表达式,对于提高机器人的进化水平尤为重要.采用指数变换法构造适应度函数模型,并在Evorobot系统中仿真实现.仿真结果表明,基于指数变换的适应度函数更具优越性.     

基于移动agent技术的演化计算模型

传统演化计算存在着个体行为被动和处理过程集中式的缺陷,而移动Agent具有自治性、社会性、响应性、自发性、环境适应性和移动性。把移动agent技术应用到演化计算上能够克服传统演化计算的部分缺陷,并能达到优势互补,因此文章提出了基于移动agent技术的演化计算模型MABEC(mobile-agent—based evolutionary computation),并在IBM公司的Aglet平台上加以实现。     

灰色神经网络在股票价格预测中的应用

研究股票价格预测问题,股票价格具非线性和不确定性变化规律。传统单一模型只能反映股票价格部分信息,预测精度不高。为了提高股票价格预测精度,在分析股票价格变化特征基础上,提出一种灰色神经网络的股票价格预测方法。首先采用GM(1,1)模型对股票价格进行预测,捕捉其线性、灰色变化规律,然后采用BP神经网络对GM(1,1)预测残差进行建模预测,捕捉其非线性和不确定性变化规律,最后两者结果相加得到股票价格最终预测结果。将灰色神经网络用于浦发银行(60000)股票收盘价为例预测,结果表明,相于传统预测模型,灰色神经网络提高了股票价格预测精度,更能全面挖掘股票价格变化规律,在股票价格预测中具有广泛的应用前景。