遗传规划和进化策略混合算法及应用

文中把函数拟合建模看作是模型结构和参数的优化搜索过程,将遗传规划和进化策略结合起来对函数拟合的结构和参数共存且相互影响的复杂解空间进行全局最优搜索实现拟合结构和参数的共同识别。克服了传统的函数拟合完全依赖于数据、精度低、结构与参数分别确定这样一“串行”计算结构等缺陷。实验数据表明,该方法得到的拟合函数比传统方法得到的拟合函数,具有较高的精度和推广预测能力。     

改进的基因表达式程序设计实现复杂函数的自动建模

基因表达式程序设计(简称GEP)是一种新型的遗传算法,它继承了遗传程序设计(简称GP)和遗传算法的优点并且具有更高的效率和更强的搜索能力,但同时也存在缺乏学习机制,搜索过于盲目的缺点,针对其缺点对其进行了如下改进:(1)改变了GEP的基因表达式结构,将原来的“头+尾”结构改成了“头+身+尾”结构,以利于其引进学习机制;(2)同源基因也采用“头+身+尾”结构,以利于增强其搜索能力;用其实现复杂函数的自动建模,实例测试的结果表明用改进的基因表达式程序设计得到的模型比传统方法得到的模型要好,甚至优于用遗传程序设计和基本的基因表达式程序设计得到的模型。     

基于GATS贝叶斯网络结构学习的航班延误模型

对遗传算法（GA）贝叶斯网络（BN）结构学习和禁忌搜索算法（TS）进行分析,提出遗传禁忌搜索贝叶斯网络结构学习算法GATS_BNSL。把禁忌搜索思想引入到遗传算法BN结构学习由父代种群产生后代种群的演化过程中,以禁忌搜索交叉和禁忌搜索变异改进传统的遗传算子,对比实验分析表明了GATS_BNSL的学习优势。应用此方法,基于真实数据,建立了大型枢纽机场航班离港延误模型。该模型切实反映了导致航班延误的多因素之间的因果关系,而且建模时间少,学习正确率高。     

基于遗传规划和过程机理的混合建模方法

利用遗传规划和遗传算法相结合的方法可以确立发酵过程模型的结构和参数得出简明直观的模型表达形式。利用已有的关于发酵过程的机理知识,建立一些模型来代替初始群体中的差个体以提高种群的质量,使其中所包含的优良因子能够被优化过程所利用,从而缩短搜索时间。另外,针对在工业过程中所得的测量值被大噪声甚至野值污染可能性大的问题,提出了基于M估计的具有抗差性能的遗传规划。实验表明,所提出的改进遗传规划所得的模型较为简单,具有较好的泛化性能。     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能。对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能,对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

一种基于进化泛函网络的建模与函数逼近方法

提出了一种进化泛函网络的建模与函数逼近方法,该方法把泛函网络建模过程转变为结构和泛函参数的优化搜索过程,利用遗传规划设计泛函网络神经元函数,对网络结构和参数共存且相互影响的复杂解空间进行全局最优搜索,实现泛函网络结构和参数的共同学习,并用混合基函数实现目标函数的逼近,改变了人们通常用同类型基函数来实现目标函数逼近的方式.数值仿真结果表明,提出的网络建模与逼近方法具有较高的逼近精度.     

基于自组织竞争优化结构的混沌系统建模

针对混沌系统建模引入模糊神经网络模型时隶属函数不具有自适应性,系统模糊规则数的确定有一定的人为主观性的问题,本文对模型参数进行遗传退火算法优化,然后利用自组织竞争网络优化模型结构,使模型具有最佳结构即最简单的模糊规则数;再对有最佳结构的模型进行参数优化,得到具有最佳结构和参数的建模模型。以一维的Logistic系统、二维的Henon系统和Mackey-Glass混沌时间序列为例进行仿真分析,结果表明模型能够拟合原混沌系统,精度良好而且结构最简。     

概率图模型学习技术研究进展

概率图模型能有效处理不确定性推理,从样本数据中准确高效地学习概率图模型是其在实际应用中的关键问题.概率图模型的表示由参数和结构两部分组成,其学习算法也相应分为参数学习与结构学习.本文详细介绍了基于概率图模型网络的参数学习与结构学习算法,并根据数据集是否完备而分别讨论各种情况下的参数学习算法,还针对结构学习算法特点的不同把结构学习算法归纳为基于约束的学习、基于评分搜索的学习、混合学习、动态规划结构学习、模型平均结构学习和不完备数据集的结构学习.并总结了马尔科夫网络的参数学习与结构学习算法.最后指出了概率图模型学习的开放性问题以及进一步的研究方向.     

混合编码免疫算法在船舶载重计量的应用

提出一种混合编码免疫辨识算法, 并应用于船舶载重货物计量的模型辨识. 该算法结合免疫算法优越的全局搜索性能与GP算法简洁的结构树编码方法, 将抗体编码为模型结构树编码与模型参数编码的组合, 通过对抗体结构与参数的免疫操作, 实现全局寻优及非线性模型的结构与参数的一体化辨识. 算法不依赖对象的先验知识, 辨识的模型结构简单、易于理解. 仿真及船舶载模型的辨识应用验证了本算法的有效性及较强的非线性逼近能力.     

动态系统的演化建模

针对采用传统方法解决动态系统的微分方程建模问题所遇到的困难和存在的不足,语文中设计了将遗传程序设计与遗传算法和相嵌套的混合演化建模算法,以遗传程序设计优化模型结构,以遗传算法优化模型参数,成功地实现了动态系统的常微分方程组建模过程自动化。     

改进遗传算法在装配操作优化中的应用

针对复杂车身连接关系和多装配顺序,改进后的装配模型不仅描述了零件间的装配优先关系,而且还包含了可以用于公差分析的装配连接特征信息.在此基础上,根据迂回遗传算法对零件间的装配操作进行优化,以提高优化效率及求解范围.最后,通过某车身侧围装配案例说明了该算法的有效性.     

基于遗传算法的GMDH网络模型及其应用

传统的数据处理群方法(Group method of data handling,GMDH)在结构上具有自组织和全局选优的特性,非常适合进行非线性数据的拟合.但由于在传统GMDH网络建模是用最小二乘法来辨识参数,常常使得模型预测效果不理想.遗传算法是一种有效的搜索和优化方法.它具有自适应搜索、渐进式寻优、并行式搜索、通用性强等特点,论文将遗传算法引入GMDH网络,用遗传算法辨识部分描述式的系数,建立了基于遗传算法的GMDH网络模型.并将该模型应用于一组实测时间序列的预测研究.计算机仿真结果表明,模型预测效果令人满意.     

基于MOGA和SVM的发酵过程建模

针对微生物发酵过程，使用多目标遗传算法（multi-objective genetic algorithm, MOGA）确定最优参数．MOGA和SVM回归相结合形成一种新的建模方法，该方法利用现场生产数据建立了青霉素效价预估模型．仿真结果表明此方法具有很强的拟合和泛化能力．MOGA方法的有效性也得到了验证，它也能够自动选择最优参数．     

铜转炉生产操作模式智能优化

为了提高铜转炉的操作水平,采用操作模式来描述一组需要在线决策的一组操作参数,提出了基于神经网络和带混沌变量的混沌遗传算法的铜转炉生产过程操作模式智能优化方法.首先,从历史样本集中筛选优化的样本;然后采用BP(Back-Propagation)神经网络来学习优化样本集的优化目标与工艺参数的函数关系;最后采用带混沌变量的混沌遗传算法来寻求优化的操作模式.将该方法应用到铜转炉操作参数的实时优化,工业现场运行结果表明,该方法使转炉产量提高了6%,冷料处理量提高了7.8%.     

基于最大方差法和改进遗传算法的图像分割

针对应用标准遗传算法对一幅灰度图像寻找最优阈值时经常陷入局部寻优的问题,提出了一种利用最大方差法和新的改进遗传算法相结合对图像进行分割的方法.以灰度图像的最大方差作为适应度函数,把图像分割问题变成一个优化问题.利用遗传算法的寻优高效性,搜索到能使分割质量达到最优的分割阈值.实验结果表明,采用新的改进遗传算法和最大方差法相结合对图像搜索全局阈值时能收敛至全局最优解,并且大大缩短寻找最优阈值的时间.     

求解柔性流水车间调度问题的高效分布估算算法

针对最小化最大完工时间的柔性流水车间调度,利用事件建模思想,线性化0-1混合整数规划模型,使得小规模调度问题通过Cplex可以准确求解,同时设计了高效分布估算算法来求解大规模调度问题.该算法采用的是一种新颖的随机规则解码方式,工件排序按选定的规则安排而机器按概率随机分配.针对分布估算算法中的概率模型不能随种群中个体各位置上工件的更新而自动调整的缺点,提出了自适应调整概率模型,该概率模型能提高分布估算算法的收敛质量和速度.同时为提高算法局部搜索能力和防止算法陷入局部最优,设计了局部搜索和重启机制.最后,采用实验设计方法校验了高效分布估算算法参数的最佳组合.算例和实例测试结果都表明本文提出的高效分布估算算法在求解质量和稳定性上均优于遗传算法、引力搜索算法和经典分布估算算法.     

改进量子遗传算法及其应用

针对量子遗传算法在多维复杂函数优化中迭代次数多、易陷入局部极值等缺点,提出新的量子遗传算法。通过搜索各种群中各染色体的最优个体,组成一个新的种群,并以此种群作为当前最优种群来确定量子门的全局最优搜索方向。引入小生境协同进化策略初始化量子种群,使量子染色体均匀分布于初值空间。以非线性连续优化问题为例所进行的仿真结果表明,该方法具有收敛速度快、寻优能力强等优点。最后,将该算法应用于化工过程的优化,取得良好的效果。     

十折交叉检验的支持向量机参数优化算法

针对支持向量机结构参数的选取在没有理论支持,选取又比较困难的情况下,提出了一种基于遗传算法和十折交叉检验相结合的遗传支持向量机(GA-SVM)算法,利用遗传算法的全局搜索特性得到SVM的最优参数值,有效提高了分类的精度和效率。