基于分布式遗传算法以太无源光网络设计

针对以太无源光网络中各个光网络单元连接到光分配网络,再将光分配网络连接到光线路终端的全部通信费用为最小的问题,介绍了分布式遗传算法（DGA）,该算法在分群操作的基础上,根据每个子群进化的优劣程度动态地划分子群大小、控制子群间个体的迁移方向,采用分布式遗传算法对以太无源光网络进行设计建模,利用分布式遗传算法使路径搜索更快,更好的收敛于最优的特点,使得光分配网连接到光线路终端的路径和为最小,解决了降低网络通信费用的问题。     

基于最优解收集的扩展式并行遗传算法

在扩展分布式遗传算法(EDGA)的基础上提出了一种新的基于最优解收集的扩展式并行遗传算法(EPGA)。在该算法中,群体被划分为子群分配给各子处理单元(PE)计算,根处理器则在采用全局搜索策略进行搜索的同时,不断地从各子处理单元上收集局部最优解替换当前群体以获取较好的最优解。该算法采用子群的概念去获得较好的加速比,采用全局搜索策略的概念去获得较好的最优解,同时具有EDGA不具有的许多优点。给出了该算法针对经典的TSP问题的非阻塞MPI实现。实验表明该算法可以有效地提高遗传算法的加速比及增加获得最优解的概率。     

基于模拟退火并行遗传算法的Otsu双阈值医学图像分割

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法.将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出T一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法.在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,...     

基于模拟退火并行遗传算法的Otsu双阈值

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。     

基于遗传粒子群算法的频繁项集挖掘算法

提出一种改进遗传拉子群算法,并将其运用到挖掘关联规则的频繁项集中.该算法把遗传算法和离散粒于群算法相结合,通过划分子群用两种不同的更新策略时拉子进行了更新,增加了拉子的多样性.通过实验表明,该算法够有效地进行全局和局部搜索,在很大程度上提高了搜索效率,且具有良好的挖掘效果.     

遗传算法在分布式OS-CFAR检测系统优化中的应用

针对一个3传感器分布式OS-CFAR检测系统，本文分别使用了基本遗传算法和改进的遗传模拟退火算法、小生境遗传算法进行优化搜索，给出了一组不同检测条件下的准最优搜索结果。结果表明，对于这一优化问题，遗传模拟退火算法和小生境遗传算法都具有较好的适应性，其中小生境遗传算法在搜索质量、稳定性和搜索速度上相对更好一些，是一种较理想的多传感器分布式OS-CFAR检测系统参数优化算法。     

基于差异进化算法的铁路电网动态经济调度应用研究

铁路电网动态经济调度问题是一个复杂的约束性优化问题,其目标是优化多种混合能源系统所需要的经济化配置权.本文提出了一种框架式差异进化化遗传算法,结合GA、DE两个遗传算法在子群中进行自我修复式的差异化进化,以每个优化后的子群为基础,并使用改进的探索式方法提高算法的收敛速率和优化性.通过算法和数据对比,本文所提算法在调度质量和稳定性中具有很大的优势,具有良好的收敛性、多样性和可扩展性,为铁路电网动态经济负荷调度的复杂难题研究起到了至关重要的作用.     

基于改进异质协同演化的测试用例生成研究

路径搜索是测试用例自动生成的重要环节。针对遗传算法在测试用例生成中的“早熟”缺陷,提出一种改进的异质协同演化算法,将种群划分成两个子种群,分别采用遗传子群和差分子群进行演化,在演化的过程中两个子种群相互协作,通过改进迁移间隔代数和迁移率这两个参数,增加扰动,更加均衡遗传算法的全局探索与差异演化算法的局部搜索。实验结果表明,该算法比遗传算法和传统异质协同演化算法在生成测试用例的收敛性能方面更具优势,因此该方法更适合测试用例自动生成的应用中。     

带子群自组织蠕虫算法及其在多模态问题中的应用

提出了一种全新的多模态遗传算法一带子群的自组织蠕虫算法（SSOMA）。该算法的基本恿想是：通过初始群体的前期寻优找到峰值点的所在邻域;随后分别在这些邻域内选择少量的个体组成子群,在这些子群中再利用自组织蠕虫算法进行后期寻优,从而找到所有的峰值点,该算法极大地降低了计算的复杂度、提高了收敛速度。最后,用经典测试函数对该算法进行了仿真实验,并进行了计算复杂度分析,结果表明该算法在多模态函数优化方面具有较为理想的应用前景。     

多项目选择计划及其两层决策免疫遗传算法

探讨项目计划管理中,资源受限下含承继约束的多项目选择计划两级规划模型及其求解算法.依据项目的承继关系,将所有项目划分为若干子群,各子群内部的项目之间存在承继约束,子群之间仅有优先关系,进而获得了资源受限下资源配置平衡的两级规划模型.基于遗传算法的基本结构,引入免疫系统的多样性、记忆性等特征,获得了求解此模型的免疫遗传算法.数值实验结果表明了该模型设计的合理性及算法的有效性.     

多约束QoS移动IP最优路由的求解

提出了一种改进的分布式遗传算法（EDGA）和链路编码方法用于解决多约束服务质量（QoS）移动IP最优路由选择问题。将分布式遗传算法和Cascade模型相结合，在迁移算子部分设计一个中心监控器，观察每个子种群的进化，并对迁移个体的选择以及相应子种群的大小做出调整，使进化能力好的子种群得到更大的空间来搜索最优值。实验结果表明，该EDGA算法在求解速度和质量上取得了较大的改善。     

基于分布式遗传算法的移动Agent迁移策略

迁移策略是移动Agent（Mobile Agent,MA）的核心技术之一,MA的效率很大程度上取决于迁移策略的优化。本文提出了一种改进的分布式遗传算法（EDGA）,用于对多约束条件下MA迁移策略最优问题进行求解。EDGA将分布式遗传算法和Cascade模型相结合,在迁移算子部分设计一个中心监控器,观察每个子种群的进化,并对迁移个体的选择以及相应子种群的大小做出调整,使进化能力好的子种群得到更大的空间来搜索最优值。实验结果表明：本文所提出的EDGA算法在求解速度和质量上取得了较大的改善。     

Golden ball: a novel meta-heuristic to solve combinatorial optimization problems based on soccer concepts

In this paper, a new multiple population based meta-heuristic to solve combinatorial optimization problems is introduced. This meta-heuristic is called Golden Ball (GB), and it is based on soccer concepts. To prove the quality of our technique, we compare its results with the results obtained by two different Genetic Algorithms (GA), and two Distributed Genetic Algorithms (DGA) applied to two well-known routing problems, the Traveling Salesman Problem (TSP) and the Capacitated Vehicle Routing Problem (CVRP). These outcomes demonstrate that our new meta-heuristic performs better than the other techniques in comparison. We explain the reasons of this improvement.     

基于GA的DCS中任务的容错优化调度

分布式控制系统(DCS)中的实时任务必须在其时限前完成,否则会出现灾难性后果,因此必须为DCS提供一定的容错能力。该文基于EDF算法和版本复制技术给出了DCS的容错调度算法。在此基础上采用启发式任务分配算法分配任务,通过遗传算法对基版本任务时限进行优化,以提高处理器的利用率。仿真结果表明该算法是有效的。     

Multi robot distance based formation using Parallel Genetic Algorithm

In this paper an alternative method to achieve distance based formation is presented. The method uses Genetic Algorithms to find a suitable solution based on angle and distance, and an appropriate constant velocity to avoid collisions. The designed algorithm is extended to a parallel scheme to improve its performance and achieve Artificial Distributed Intelligence, in which the robots share, through solution migration, the best ways to converge to desired distances while avoiding collisions, finally reaching consensus on the solution. The algorithm is tested using simulations and real robots experiments.     

遗传算法在求解函数优化问题中的应用

函数优化是遗传算法的经典应用领域,也是对遗传算法进行性能评价的常用算例。由此,该文首先对遗传算法作了简介,并讨论了利用遗传算法求解函数优化问题的方法,最后给出了求解Rosenbrock香蕉函数优化实例。     

On modeling genetic algorithms for functions of unitation

We discuss a novel model for analyzing the working of Genetic Algorithms (GAs), when the objective function is a function of unitation. The model is exact (not approximate), and is valid for infinite populations. Functions of unitation depend only on the number of 1's in any string. Hence, we only need to model the variations in the distribution of strings with respect to the number of 1's in the strings. We introduce the notion of a Binomial Distributed Population (BDP) as the building block of our model, and we show that the effect of uniform crossover on BDPs is to generate two other BDPs. We demonstrate that a population with any general distribution may be decomposed into several BDPs. We also show that a general multipoint crossover may be considered as a composition of several uniform crossovers. Based on these results, the effects of mutation and crossover on the distribution of strings have been characterized, and the model has been defined. GASIM-a Genetic Algorithm Simulator for functions of unitation-has been implemented based on the model, and the exactness of the results obtained from GASIM has been verified using actual Genetic Algorithm runs. The time complexity of the GA simulator derived from the model is O(l(3)) (where l is the string length), a significant improvement over previous models with exponential time complexities.     

遗传算法在计算机辅助创新作曲中的应用

对遗传算法在作曲中的应用进行了一定的研究,分析了遗传算法作曲系统应用,主要对交互式遗传算法在作曲进化方面进行了探讨并加以实验测试。     

用改进的遗传算法训练神经网络构造分类器

针对基本遗传算法存在容易早熟和局部搜索能力弱等缺陷,提出了改进的遗传算法,引入交叉概率和变异概率与个体的适度值相联系,改进了操作算子,而且在交叉操作后又引入模拟退火机制,提高遗传算法的局部搜索能力。同时,用改进的遗传算法和基本的遗传算法训练神经网络构造分类器,实验结果表明,改进的遗传算法在最好个体适度值和最好分类准确性等方面性能更好。     

基于遗传算法的PID控制及其MATLAB仿真

本文介绍了遗传算法和基于遗传算法的PID控制设计,并对设计在MATLAB/SIMULINK下进行了仿真,取得了良好的控制效果。