基于Pareto熵的多目标粒子群优化算法

粒子群优化算法因形式简洁、收敛快速和参数调节机制灵活等优点,同时一次运行可得到多个解,且能逼近非凸或不连续的Pareto最优前端,因而被认为是求解多目标优化问题最具潜力的方法之一.但当粒子群优化算法从单目标问题扩展到多目标问题时,Pareto最优解集的存储与维护、全局和个体最优解的选择以及开发与开采的平衡等问题亦随之出现.通过目标空间变换方法,采用Pareto前端在被称为平行格坐标系统的新目标空间中的分布熵及差熵评估种群的多样性及进化状态,并以此为反馈信息来设计进化策略,使得算法能够兼顾近似Pareto前端的收敛性和多样性.同时,引入格占优和格距离密度的概念来评估Pareto最优解的个体环境适应度,以此建立外部档案更新方法和全局最优解选择机制,最终形成了基于Pareto熵的多目标粒子群优化算法.实验结果表明：在IGD性能指标上,与另外8种对等算法相比,该算法在由ZDT和DTLZ系列组成的12个多目标测试问题集中表现出了显著的性能优势.     

佳点集遗传算法

该文借助于遗传算法的理想浓度模型以及由此模型对遗传算法的机理的分析,给出了遗传算法的运行机理发及特点,即遗传算法是一个具有定向制导的随机搜索技术,其定向制导的原则蛎：导向以高适应度模式为祖先的“家族”方向,以此结论为基础,利用数论中的佳点休的理论和方法,对GA算法中的交叉操作进行了重新设计,给出了一个新的GA算法,称之为佳点集遗传算法,最后作者将佳点GA算法应用于求解优化问题、SAT问题、TSP问题和背包问题,并与其它求解SAT算法进行比较,通过模拟比较,可以看出新的算法不但提高了算法的速度和精度,而且避免了其它方法常有的早期收敛的现象,这说明作者对GA算法机理的理解和佳点CA算法可能为GA算法的研究开辟一条新的途径。     

飞机液压系统故障诊断

为有效诊断飞机液压系统故障,根据液压系统压力信号采用了熵权ABC-BP神经网络的故障诊断模型。模型先提取飞机液压系统压力信号的特征值,根据熵权法计算特征值信息熵,选取熵权值较大的作为神经网络的输入,同时利用人工蜂群优化BP神经网络,将BP神经网络的误差函数作为人工蜂群的适应度,选择适应度最优的个体参数作为神经网络的权值和阈值,不仅降低模型输入维度,还提高了诊断精度。最后建立了飞机起落架收放系统仿真模型进行仿真研究,结果表明该诊断模型具有较好的故障诊断效果,为飞机液压系统故障诊断提供一种新思路。     

基于半监督学习的变种群规模区间适应值交互式遗传算法

为了减轻用户疲劳并增强算法的搜索性能,本文在变种群规模交互式遗传算法的基础上引入协同训练半监督学习方法,提出基于半监督学习的变种群规模区间适应值交互式遗传算法.根据对大规模种群的聚类结果,给出标记样本和未标记样本的获取方法;结合半监督协同学习器逼近误差的改变,提出高可信度未标记样本的选择策略;采用半监督协同学习机制训练两个径向基函数(RBF)神经网络,构造精度高泛化能力强的代理模型;在进化过程中,利用代理模型估计大种群规模进化个体适应值,并根据估计偏差更新代理模型.算法的理论分析及其在服装进化设计系统中的应用结果说明了算法的有效性.     

一种求解0-1背包问题的新遗传算法

众所周知,遗传算法的运行机理及特点是具有定向制导的随机搜索技术,其定向制导的原则是： 导向以高适应度模式为祖先的“家族”方向。以此结论为基础,利用随机化均匀设计的理论和方法,对遗传算法中的交叉操作进行了重新设计,给出了一个新算法,称之为随机化均匀设计遗传算法。最后将随机化均匀设计遗传算法应用于求解0-1背包问题,并与简单遗传算法和佳点集遗传算法进行比较。通过模拟比较,可以看出新的算法不但提高了算法的速度和精度,而且避免了其他方法常有的早期收敛现象。     

Selecting fuzzy if-then rules for classification problems usinggenetic algorithms

This paper proposes a genetic-algorithm-based method for selecting a small number of significant fuzzy if-then rules to construct a compact fuzzy classification system with high classification power. The rule selection problem is formulated as a combinatorial optimization problem with two objectives: to maximize the number of correctly classified patterns and to minimize the number of fuzzy if-then rules. Genetic algorithms are applied to this problem. A set of fuzzy if-then rules is coded into a string and treated as an individual in genetic algorithms. The fitness of each individual is specified by the two objectives in the combinatorial optimization problem. The performance of the proposed method for training data and test data is examined by computer simulations on the iris data of Fisher     

基于meta-种群理论的免疫遗传算法

自然meta-种群中局部种群之间存在相对隔离和种群个体冒险迁徙的机制,提出了一种基于meta-种群理论的免疫遗传算法。该算法模拟了自然meta-种群中局部种群克隆、生殖、变异和自然灭绝等自然过程。其主要步骤包括初始种群,种群及其个体适应度计算,选择,克隆变异、交叉生殖、含记忆B细胞个体克隆和局部种群灭绝及其最优个体的冒险迁徙等。该算法的特点是模拟了meta-种群的自然机制,具有并行性,能够产生高适应能力的个体并不断地更新,直到最优个体的出现。对两种问题进行了模拟实验,并与普通遗传算法IMA进行了比较,结果表明所提出的算法能以较少的迭代次数完成最优解的寻找。     

基于自适应机制的多宇宙并行量子衍生进化算法

进化参量的选取对量子衍生进化算法(QEA)的优化性能有极大的影响,传统QEA在选择进化参量时并未考虑种群中个体间的差异,种群中所有个体采用相同的进化参量完成更新,导致算法在解决组合优化问题中存在收敛速度慢、容易陷入局部最优解等问题。针对这一问题,采用自适应机制调整QEA的旋转角步长和量子变异概率,算法中任意一代的任一个体的进化参量均由该个体自身适应度确定,从而保证尽可能多的进化个体能够朝着最优解方向不断靠近。此外,由于自适应量子进化算法需要评估个体的适应度,导致运算时间较长,针对这一问题则采用多宇宙机制将算法分布于多个宇宙中并行实现,从而提高算法的执行效率。通过搜索多峰函数最优解和求解背包问题测试算法性能,结果表明,与传统QEA相比,所提出算法在收敛速度、搜索全局最优解及执行速度方面具有较好的表现。     

自适应记忆遗传算法研究

针对遗传算法优化过程中仍然存在许多问题,文中提出了一种新的自适应记忆遗传算法。引入基因库的概念,用以存储重复出现个体的基因编码和对应的适应度值,进而解决重复个体适应度值的重复计算问题;利用Logistic曲线方程对遗传算法的交叉概率和变异概率进行自适应调整;以TSP为应用背景对文中算法进行实验,结果表明文中算法有效减少了算法的时间复杂度,其加速比能够达到49．70％左右。在算法的收敛性方面,改进后的算法收敛速度快于基本遗传算法,其所得解与TSPLIB提供的最优解的平均相对误差最大不超过9．38％。     

均匀设计抽样混合遗传算法求解图的二划分问题

遗传算法(GA)的运行机理及特点是具有定向制导的随机搜索技术,其定向制导的原则是:导向以高适应度模式为祖先的"家族"方向。以此结论为基础,利用均匀设计抽样(UDS)的理论和方法,对遗传算法中的交叉操作进行重新设计,并在分析图二划分问题特点的基础上,结合局部搜索策略,给出了一个求解图二划分问题的新遗传算法,称之为基于均匀设计抽样的混合遗传算法。最后将该算法与简单遗传算法和佳点集遗传算法进行比较。通过模拟比较,可以看出新算法不但提高了算法的求解速度和精度,而且避免了常有的早期收敛现象。     

多目标混合遗传算法求解流水车间调度问题

为高效地求解多目标流水车间调度问题,提出了一种多目标混合遗传算法,此算法将局部搜索融入进化计算中,采用非劣解并行局部搜索策略,并依据基于Pareto支配关系的个体排序数和密度值进行适应度赋值,以加速算法的收敛,保持群体多样性.仿真结果表明,新算法能够有效地解决多目标流水车间调度问题.     

面向内存云的协调器选举策略

针对ZooKeeper机制难以满足内存云（RAMCloud）低延迟、快恢复的问题,提出了一种面向内存云的协调器选举策略（CES）。首先根据内存云网络环境与协调器自身因素将协调器性能指标分为个体指标与协调器间指标两类并分别建立模型;然后将内存云的运行分为正常运行期与数据恢复期两阶段并分别建立适应度函数,再按时间比合并为总适应度函数;最后在备选协调器（RBC）的适应度值的基础上提出一个具备稳定择优性与随机性的新算子,CES首先通过筛选来排除性能较差的个体,缩小选择范围后再在理想协调器的集合中采用轮盘赌方法选择最终的个体。实验结果表明,在NS2仿真环境下CES选择的个体相比其他备选协调器数据处理延迟降低了19.35%;在搭建的内存云环境中,与ZooKeeper机制相比,CES的选择结果在快速恢复中时间减少了10.02%。在内存云的实际应用中,CES在处理单点失效问题上能有效选择性能更优的协调器,确保了低延迟、快恢复的要求。     

Dynamic subset selection based on a fitness case topology

A large training set of fitness cases can critically slow down genetic programming, if no appropriate subset selection method is applied. Such a method allows an individual to be evaluated on a smaller subset of fitness cases. In this paper we suggest a new subset selection method that takes the problem structure into account, while being problem independent at the same time. In order to achieve this, information about the problem structure is acquired during evolutionary search by creating a topology (relationship) on the set of fitness cases. The topology is induced by individuals of the evolving population. This is done by increasing the strength of the relation between two fitness cases, if an individual of the population is able to solve both of them. Our new topology-based subset selection method chooses a subset, such that fitness cases in this subset are as distantly related as is possible with respect to the induced topology. We compare topology-based selection of fitness cases with dynamic subset selection and stochastic subset sampling on four different problems. On average, runs with topology-based selection show faster progress than the others.     

交互式遗传算法基于NN的个体适应度分阶段估计

针对交互式遗传算法中人的疲劳问题,提出一种基于神经网络(NN)的个体适应度分阶段估计方法,给出了神经网络估计进化个体适应度与人的评价之问的转换策略以及神经网络学习效果的评价指标,并分析了算法的复杂性．实例结果验证了该方法的有效性。     

自动组题算法中适应度函数的构建方法

在基于GA的自动组题算法中,构建适应度函数是最大的一个难点。适应度函数构建的关键在于如何选择适应度函数的参数以及如何计算各个参数的值,本文从IRT理论和试题以及算法的特殊性出发,确定了适应度函数的参数及其计算方法。该方法有着强大的理论支持和完善的用户需求接口,同时也为试卷的分析提供了新的方法。     

遗传算法机理的研究

众所周知,“模式定理”和“隐性并行性”是遗传算法(genetic algorithms,简称GA算法)的两大理论基础.该文对这两个原理进行分析,指出这两个原理存在有不严格和不足之处,即作为GA算法的基础,这两个原理尚欠完善.为加深对GA的理解,文章提出遗传算法的一个新的改进模型——理想浓度模型.通过对此模型的分析,得出遗传算法本质上是一个具有定向制导的随机搜索技术.其定向制导原则是,导向以适应度高的模式为祖先的染色体“家族”方向.最后给出两个典型的函数求最大值的模拟例子.从模拟结果看,改进后的GA算法大大提高了算法的速度,解的精度也有所提高.这说明新算法具有应用的潜力.     

基于小生境技术的神经网络进化集成

针对目前神经网络集成方法中生成个体网络差异度小、集成泛化能力较差等缺点,提出一种基于小生境技术的神经网络进化集成方法。利用小生境技术在增加进化群体的多样性、提高进化局部搜索能力方面的良好性能,通过个体间相似程度的共享函数来调整神经网络集成中个体网络的适应度,再依据调整后的新适应度进行选择,以维护群体的多样性,得到多样性的个体网络。理论分析和实验结果表明,该方法能有效生成差异度较大的个体网络,提高神经网络集成系统的泛化能力与计算精度。     

求包含多边形的最小圆的遗传算法

对求包含平面多边形的最小圆问题提出了一种基于遗传算法的求解方法。文章讨论了遗传算法求解过程中的编码方案,算法中的个体是圆,个体表现型是一个三元数(x,y,r),其中x、y是圆心的两个坐标,r是圆半径,个体基因型编码方案对x,y采用二进制编码。文章还讨论了圆心的范围界定和适应度函数选取等方案,提出了加快收敛的方法。文章用实例验证了算法是有效的。     

免疫佳点集遗传算法

结合免疫机制和数论中的佳点集理论,给出了一种免疫佳点集遗传算法。该算法把数论中佳点集理论运用于遗传算法交叉操作和种群初始化的改进,提出带权欧氏距离计算抗体的相似度、浓度和适应度,引入免疫机制使群体保持多样性和快速导向高适应度模式。实验结果验证了该算法可以有效地避免早熟,改善算法的全局收敛性,提高搜索效率。     

Large population size IGA with individuals’ fitness not assigned by user

User fatigue problem in traditional interactive genetic algorithms restricts the population size. It is necessary to maintain large population size in order to apply these algorithms to optimize complicated problems. We present a large population size interactive genetic algorithm with an individual’s fitness not assigned by the user in this paper. The algorithm divides a population into several clusters, and the maximum number of clusters is changeable with the evolution and the distribution of the population. A user only evaluates one representative individual in each cluster, and others’ fitness are estimated based on these representative ones. In addition, to assign a representative individual’s fitness, we record time when the user evaluates it satisfactory or unsatisfactory according to his/her sensibility, and its fitness is automatically calculated based on the time. Finally, we apply the proposed algorithm in a fashion evolutionary design system, and compare it with other two IGAs each of which has one aspect, including the population size and the evaluation method, the same as the proposed algorithm. The experimental results validate its efficiency.