基于混合差分蜂群算法的贝叶斯网络结构学习

贝叶斯网络的结构学习是贝叶斯网络理论模型的核心,而现有的贝叶斯网络结构学习算法一般存在效率偏低的问题.针对此问题,文中提出基于混合差分蜂群算法的贝叶斯网络结构学习算法.该算法首先利用最大生成树准则得到初始种群,然后利用差分进化算法中的交叉、变异规则优化初始种群.在使用差分进化算法的过程中,分别将蜂群算法应用于变异阶段和优化改进交叉阶段,并且将云自适应理论应用于选择阶段选择生成个体.在经典贝叶斯网络上的仿真实验证明,文中算法在贝叶斯网络结构学习中具有较强的寻优能力.     

基于耗散结构理论的差分进化算法*

差分进化算法是一种新的进化计算技术,为解决其早熟问题,提出了一种基于耗散结构理论的改进差分进化算法。在变异成功的个体数和交叉算子之间建立联系,使变异成功的个体影响交叉算子,提高全局收敛能力。仿真实验表明,通过对三个标准测试函数的测试,并与标准遗传算法和差分进化算法相比,所提出的改进差分进化算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法。     

基于BIC测度和混合遗传算法的BNC结构学习

贝叶斯网络分类器(BNC)结构学习是一个NP难题。贪婪搜索(GS)算法是一种有效且准确性较高的结构学习算法,但贪婪搜索算法很容易陷入局部最优。标准遗传算法是一种全局搜索优化算法,它通过模拟生物种群的进化过程,得到全局最优解。但就其个体而言,个体局部解的质量无法保证,不具备局部寻优的能力。提出了将两种算法相结合,以贝叶斯信息标准(BIC)测度为评价函数,得到一种混合遗传算法,实现了它们的优势互补。实验表明:该算法优于单独利用GS算法进行Bayesian网络结构学习,从而说明该算法的正确性和有效性。     

基于BIC测度和混合遗传算法的BNC结构学习

贝叶斯网络分类器（BNC）结构学习是一个NP难题。贪婪搜索（GS）算法是一种有效且准确性较高的结构学习算法，但贪婪搜索算法很容易陷人局部最优。标准遗传算法是一种全局搜索优化算法，它通过模拟生物种群的进化过程，得到全局最优解。但就其个体而言，个体局部解的质量无法保证，不具备局部寻优的能力。提出了将两种算法相结合，以贝叶斯信息标准（BIC）测度为评价函数，得到一种混合遗传算法，实现了它们的优势互补。实验表明：该算法优于单独利用GS算法进行Bayesian网络结构学习，从而说明该算法的正确性和有效性。     

改进遗传优化的贝叶斯网络结构学习

针对贝叶斯网络结构学习提出了一种改进的遗传算法,和传统遗传算法相比,该改进算法针对贝叶斯网络结构学习问题增加了优化变异和修正非法图两个新的算子。新算子不但保持了贝叶斯网络学习的多样性和正确性,而且还能保证算法快速搜索到全局最优的网络结构。将该改进遗传算法用于贝叶斯网络结构学习的仿真结果表明,和传统K2算法、GS／GES算法、遗传算法和粒子群算法等算法相比,该算法具有更好的全局搜索能力和收敛速度。     

面向粒子群优化的贝叶斯网络结构学习算法

提出了一种基于离散粒子群优化的贝叶斯网络结构学习算法——PSBN（Particle Swarm for Bayesian Network）。贝叶斯网络的结构被映射为一种符号编码,通过在迭代过程中对粒子的符号编码进行调整,从而进化得到具有更高适应度值的贝叶斯网络结构。根据贝叶斯网络的结构特点,粒子位置和速度的编码方案和基本操作被设计,使得算法对贝叶斯网络的结构学习有较好的收敛性。实验结果表明,与基于遗传算法的贝叶斯网络结构学习算法相比,PSBN算法具有较好的学习效果。     

一种求解0-1背包问题的改进遗传算法

针对传统遗传算法（SGA）容易“早熟”的不足,提出一种求解0-1背包问题（KP）的改进遗传算法。借鉴二重结构编码的解码处理方法设计了一种新解码方法,在保证解可行性的同时修正种群中无对应可行解的个体;采用模拟退火算法和改进的精英选择算子改进SGA。实例仿真结果验证了改进遗传算法在进化效率和最优解搜索能力上的优越性。     

一种基于差分进化的社团检测算法

复杂网络的社团结构分析可抽象为一个优化问题,用进化算法求解。进化类算法的一个基本问题是如何把问题的候选解编码到进化个体中。本文将索引局部邻接表示法用于社团检测进化算法的个体表示,把社团结构分析转化为一个整数优化问题。在该个体表示方法的基础上,提出了一种基于差分进化的社团检测算法。在一组合成网络和真实网络上验证了算法性能,并与两种基于遗传算法的典型社团检测进化算法进行了对比。实验结果表明,当网络社团结构较为清晰时,基于差分进化的算法检测到的社团结构具有更好的质量。     

基于差分进化策略的贝叶斯网络结构学习方法

针对目前主流的利用启发式搜索算法进行贝叶斯网络结构学习时,初始种群难以确定且容易陷入局部最优的问题,提出了基于部分互信息和改进差分进化算法相结合的混合算法.算法首先利用节点之间的部分互信息为依据构建初始种群,再将动态因子引入差分进化算法平衡了算法的全局寻优和局部搜索能力,最后对贝叶斯网络结构进行寻优.在两个标准网络Asia和Car网络中进行仿真,并与遗传算法和爬山算法进行对比,仿真结果表明算法在冗余边、缺失边、反向边以及算法的学习性能方面均有不同程度的提升,算法能够得到较好的贝叶斯网络结构,并有更高的数据拟合度.     

基于差分进化策略的贝叶斯网络结构学习方法

针对目前主流的利用启发式搜索算法进行贝叶斯网络结构学习时,初始种群难以确定且容易陷入局部最优的问题,提出了基于部分互信息和改进差分进化算法相结合的混合算法.算法首先利用节点之间的部分互信息为依据构建初始种群,再将动态因子引入差分进化算法平衡了算法的全局寻优和局部搜索能力,最后对贝叶斯网络结构进行寻优.在两个标准网络Asia和Car网络中进行仿真,并与遗传算法和爬山算法进行对比,仿真结果表明算法在冗余边、缺失边、反向边以及算法的学习性能方面均有不同程度的提升,算法能够得到较好的贝叶斯网络结构,并有更高的数据拟合度.     

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.     

基于改进遗传算法的模糊RBF神经网络控制器设计

提出一种改进的优良模式自学习模糊遗传算法,并用来优化设计模糊RBF神经网络控制器。改进的算法主要基于模糊编码、优良模式自学习算子、保留遗传算法和最优串重组。仿真结果表明,改进的遗传算法可实现模糊RBF网络结构和参数的快速、全局寻优,优化后的控制器具有很强的自适应性和鲁棒性。     

基于改进遗传算法的聚焦爬虫设计

本文提出以爬行控制器和页面分析过滤器为核心的聚焦爬虫设计方法。从待检索主题出发,在以改进的遗传算法为基础并结合内容评价和链接结构搜索策略优点的爬行策略引导下,以待爬行URL作为遗传个体,基于主题词集的向量空间模型评估个体适应度,引入新的URL实现交叉、变异操作,将具有相同URL前缀的链接按小生境处理。实践证明,该爬虫具有较好的性能。     

基于改进遗传算法的RBF神经网络结构优化研究

针对RBF神经网络隐含层节点数过多导致网络结构复杂的问题,提出了一种基于改进遗传算法(IGA)的RBF神经网络优化算法。利用IGA优化基于正交最小二乘法的RBF神经网络结构,通过对隐含层输出矩阵的列向量进行全局寻优,从而设计出结构更优的基于IGA的RBF神经网络(IGA-RBF)。将IGA-RBF神经网络的学习算法应用于电子元器件贮存环境温湿度预测模型,与基于正交最小二乘法的RBF神经网络进行比较的结果表明:IGA-RBF神经网络设计出来的网络训练步数减少了44步,隐含层节点数减少了34个,且预测模型得到的温湿度误差较小,拟合精度大于0.95,具有更高的预测精度。     

An efficient decomposed multiobjective genetic algorithm for solving the joint product platform selection and product family design problem with generalized commonality

Product family optimization involves not only specifying the platform from which the individual product variants will be derived, but also optimizing the platform design and the individual variants. Typically these steps are performed separately, but we propose an efficient decomposed multiobjective genetic algorithm to jointly determine optimal (1) platform selection, (2) platform design, and (3) variant design in product family optimization. The approach addresses limitations of prior restrictive component sharing definitions by introducing a generalized two-dimensional commonality chromosome to enable sharing components among subsets of variants. To solve the resulting high dimensional problem in a single stage efficiently, we exploit the problem structure by decomposing it into a two-level genetic algorithm, where the upper level determines the optimal platform configuration while each lower level optimizes one of the individual variants. The decomposed approach improves scalability of the all-in-one problem dramatically, providing a practical tool for optimizing families with more variants. The proposed approach is demonstrated by optimizing a family of electric motors. Results indicate that (1) decomposition results in improved solutions under comparable computational cost and (2) generalized commonality produces families with increased component sharing under the same level of performance. A preliminary version of this paper was presented at the 2007 AIAA Multidisciplinary Design Optimization Specialists Conference.     

基于遗传模拟退火算法的雷达正交信号设计*

针对雷达正交信号的波形设计问题,提出了一种基于遗传算法和模拟退火算法的新遗传模拟退火算法。该算法利用遗传算法实现全局搜索,利用模拟退火算法实现局部搜索,改进了遗传算法的选择策略,并在交叉、变异概率中引入自适应的概率变化机制,自适应地保存最优个体,并对遗传算法的进化结果有选择地进行模拟退火操作,有效地解决了这两种算法的早熟现象和时间问题。实验结果表明,该算法是有效可行的,性能优于传统遗传算法和模拟退火算法。     

基于响应面法的三维炮尾结构设计优化

为满足某炮尾结构布置的特殊需要,在输弹槽贯穿托弹板的开放式炮尾结构基础上,重新设计传力结构;采用基于响应面法（Response Surface Method,RSM）的多目标遗传算法NSGA-II寻找齿形传力结构的最优参数,通过编写Python脚本控制Abaqus内核实现自动前处理,对其进行有限元分析,并基于iSight实现多目标三维模型设计优化.该方法摒弃传统的二维优化三维验证的理念,将多目标遗传算法与RSM结合起来,在iSight中直接进行三维模型设计优化,可节省计算时间、提高计算效率、改善设计水平.     

Dependence tree structure estimation via copula

We propose an approach for dependence tree structure learning via copula. A nonparametric algorithm for copula estimation is presented. Then a Chow-Liu like method based on dependence measure via copula is proposed to estimate maximum spanning bivariate copula associated with bivariate dependence relations. The main advantage of the approach is that learning with empirical copula focuses on dependence relations among random variables, without the need to know the properties of individual variables as well as without the requirement to specify parametric family of entire underlying distribution for individual variables. Experiments on two real-application data sets show the effectiveness of the proposed method.     

基于web的英语在线学习系统

介绍一个基于web技术的英语在线学习系统,详述了系统的设计方案及关键技术问题.首先,对系统中智能组卷算法与策略进行分析,以算法的实用性和可操作性需求指标建立一个智能组卷的数学模型,并设计一种基于改进遗传算法求解该模型的优化方法,实现通过对试卷指标的组合来随机生成符合约束要求的试卷,满足不同用户的个性化需求;其次,通过融合Ajax技术,实现系统在线测试中对考试进行时间控制,解决因B/S结构引起的“瓶颈”问题,减缓了数据流量.     

求解作业车间调度问题的一种改进遗传算法

为了避免遗传算法的早熟收敛问题,降低算法对初始种群的敏感程度,提高收敛速度,建立了以工件完工时间最小和加工设备利用率最高为目标的数学模型,并提出一种改进遗传算法。在约束条件处理中引入可能解空间概念;设计了适应路径柔性调度问题的基于工序的编码。父代个体和交叉变异得到的个体在选择操作中具有同等选择机会,保证最优个体保留到下一代,又能保持子代的多样性。在遗传过程中引入修正种群,实现多种群杂交,以保持种群的多样性。应用实例分析和工程实践表明,算法稳定可靠,运行效率大大提高。