多目标优化纺纱工程的遗传算法

介绍了遗传算法的基本流程和Pareto多目标优化的思想，结合纺纱工程实际问题对遗传算法的应用关键做了阐述，并详细描述了算子模型的设计和参数的选择过程。采用了实际生产数据进行实验测试，结果表明该模型具有强大的搜索优化能力和良好的扩展性能，对生产实践具有指导作用和参考价值.     

基于多目标优化的SoC软硬件划分方法研究

集成电路不断发展,SoC已经成为电子系统设计的主流,软硬件的划分又是其中的一个重要部分。文章采用基于多目标优化的遗传算法,对从任务级进行抽象建模所得到的系统模型进行软硬件划分。将Pareto最优概念与多目标优化问题相结合,应用于遗传算法中,从而实现了兼顾系统面积、功耗、成本等参数的软硬件划分方法。     

多宇宙并行量子遗传算法

提出了一种多宇宙并行量子遗传算法,并从理论上证明了算法的全局收敛性.算法中将所有的个体按照一定的拓扑结构分成一个个独立的子群体,称为宇宙;采用多状态基因量子比特编码方式来表达宇宙中的个体;采用通用的量子旋转门策略和动态调整旋转角机制对个体进行演化;采用量子非门实现量子变异以阻止早熟收敛;各宇宙独立演化,宇宙之间采用最佳移民和量子交叉操作来交换信息,提高算法的执行效率.将该算法与独立分量分析算法相结合,提出一种盲源分离新方法.仿真结果表明:新方法比采用常规遗传算法和量子遗传算法的盲源分离方法具有明显的高效性.     

逐级目标淘汰量子遗传算法

研究了如何应用量子遗传算法进行图像模板匹配,提出了逐级目标淘汰量子遗传算法.该算法充分利用了量子遗传算法的并行性质,很好地将粗搜索和精搜索结合起来,减少了匹配时间.实验结果证明了该算法的有效性.     

多目标优化问题的遗传算法改进研究

基于Nash均衡的思想在NSGA所求得的Pareto最优解基础上,探讨一种能对多目标优化问题进行求解的遗传算法。采用Nash均衡的思想在多目标优化的遗传算法,结合NSGA算法,提出一种能得到多个Pareto最优解的多目标优化算法。通过目标函数线性加权法、NSGA对函数进行了试验分析,对部分自变量进行固定,对其他的自变量进行优化,对Pareto最优解进行持续优化,进而实现加速算法的收敛,从实验中得出了这种算法具有较快的收敛性,但是其运行时间和NSGA相比没有多少改善。     

基于遗传算法的Pareto多目标配电网重构

配电网重构一般采用对单一目标优化,而配电网重构却是一个多目标优化问题。因此,在此提出了基于小生境思想的遗传算法,以配电网的经济性、安全性和供电可靠性为目标,并采用Pareto寻优方式,得出Pareto最优解集,实现了和以往不同的另一种寻优方式,即先寻优后决策。在寻优过程中,通过小生境环境和交叉率和变异率的自适应机制,提高了遗传算法的全局收敛能力和收敛速度,并通过算例验证了方法的有效性。     

IIR数字滤波器的多目标优化设计

根据Pareto最优概念,提出数字滤波器的多目标优化设计.通过IIR低通数字滤波器的设计结果表明,该方法可以得到一组非劣解集供决策者选择,也说明了该方法的有效性和实用性.     

量子免疫克隆多目标优化算法

该文基于免疫系统的免疫优势概念和抗体克隆选择学说,采用量子位编码,提出了一种量子免疫克隆多目标优化算法,并对算法进行了理论分析;与RWGA、SPEA和MISA等算法的比较表明,该算法对低维多目标优化问题更有效。     

多目标混沌进化算法

设计了多目标混沌进化算法(MCEA),在每一代遗传操作和外部档案调整完成之后,该算法从外部档案中随机选择部分个体,对这些个体的拷贝进行混沌搜索,以产生更多非劣解.将强度Pareto进化算法(SPEA)和SPEA2分别与基于Logistic映射的混沌搜索结合而产生的MCEAs应用于一些复杂多目标优化问题,计算结果表明,混沌的加入,明显改善了多目标进化算法(MOEA)各方面的性能.     

多目标遗传算法在云计算任务调度中的应用

执行时间、执行成本和负载均衡是云环境中的主要优化目标,针对云计算环境中的任务调度问题,提出一种改进的多目标遗传算法。算法对目标进行了规范化,改进了加权求和的过程,并引入基于排列的选择方案和"最优比较法"的变异方案。最后在两个云计算场景中进行实验,对实验结果进行分析和统计,验证了算法的有效性和可行性。     

一种高效的编码感知路由算法设计

针对现有的网络编码路由技术中存在的组合优化性能较差,如计算开销较大、数据交互复杂以及路由构建周期较长等问题,以遗传算法为理论基础,提出了一种改进的网络编码感知路由算法.该算法利用遗传算法的高效组合优化功能,重新构造了其网络编码感知路由的染色体表达、适应度函数以及遗传操作等,并添加了一种修复模块.实验结果表明,该算法与同类型的网络编码路由算法相比,其平均路由构造时间较短、网络吞吐量大,展现出较强的组合优化性能,并具有强优化的寻址能力.     

多QoS约束条件下的多目标网络优化

多约束、多业务、多目标的网络优化是一个复杂且涉及范围广泛的课题。文中在对该课题进行分析的基础上,提出了一种基于遗传算法的多目标网络优化算法(MOPGA)。该算法使用了多约束条件下的路径集预处理,使得每项业务能够获得所需的QoS服务质量,通过对所有业务的路由号进行编码,将问题的解空间转换到遗传算法的搜索空间,达到对全网业务的综合考虑。改进后的适应度函数刻划了网络的费用、链路利用率方差和最大链路利用率、爆破处理以及个体淘汰机制增加了种群多样性,挣脱了未成熟收敛。以求解精度作为算法终止条件,使得算法运行时间减少。仿真实验表明,所提出的算法能高效、快速解决实际多目标网络优化问题,同时在满足多QoS约束条件下可均衡各子目标函数。     

改进遗传算法在饲料配方设计中的应用

针对现有饲料配方软件的局限性,以白绒山羊饲料配方为例,提出一种基于改进遗传算法的求解方法。与标准遗传算法相比,采用随机联赛选择替代轮盘赌模型,优化了选择策略;采用不同的随机数交叉和高斯变异,改进了交叉算子与变异算子。测试结果表明,该方法具有良好的运算效率,拓宽了搜索空间,提高了对重点区域的搜索能力,降低了成本,为复杂问题的优化提供了一种新的思路。     

一种结合遗传算法和钻石搜索的多模式快速运动估计方法

为了解决视频编码中运动矢量搜索精度与速度的矛盾,本文提出了一种基于遗传算法(GA)和钻石搜索(DS)的多模式快速运动估计方法——MMS算法.它以图像序列的时空预测矢量作为图像活动剧烈程度的判据,自适应选择搜索模式.针对平缓运动类型使用快速的DS搜索模式,针对剧烈运动类型使用GA/DS联合搜索模式.与现有的次优解快速算法相比,MMS有效地解决了在大运动矢量情况下编码器性能下降的问题,可以从整体上提升编码器的性能,接近理想的全搜索法的结果;与其它直接利用GA进行全局优化的方法相比,MMS利用DS配合GA实现加速收敛.此外,通过引入多模式处理的概念,在保证搜索精度的同时,充分发挥了次优解算法的效率,整体编码速度与DS等快速算法的结果十分接近.这一方法为有效地解决运动估计中的矛盾问题提供了一个新的处理框架.实验结果验证了算法的性能.     

量子概率编码遗传算法及其应用

该文提出了一种基于染色体量子概率编码的遗传算法--QCGA。与传统遗传算法不同,在QCGA中, 单个个体不再表示某一个确定解,而是解的取值概率分布,覆盖整个解空间;各个个体独立并行演化,个体间通过一个新的交叉算子实现演化信息的交换,同时设计了一个新的变异算子以增强算法的局部寻优能力。为了充分考察该算法的有效性和先进性,将其应用于典型函数优化、0-1背包问题和时间序列中频繁结构模式搜索等问题的求解。实验结果表明,与现有同类算法相比,该算法在具有很高搜索效率的同时,仍能维持很高的种群多样性, 因而适用于复杂优化问题的求解。     

一种基于遗传算法的相干最优算法

相干最优过程是通过在各种散射机制中寻求最优的散射机制,对于干涉合成孔径雷达(InSAR),可以改善SAR图像之间的相干系数,而对于极化干涉合成孔径雷达(POLInSAR),不仅可以改善不同极化通道之间的相干系数,还能改善地物分类和垂直结构参数估计。文中提出的相干最优算法利用遗传算法在优化问题中求解全局最优值方面的优势,将遗传算法引入到相干最优的过程中,解决了相干系数在优化过程中不能收敛到全局最优值的问题,同时避免搜索寻优的遍历方式。实验结果表明,该算法与现有的算法相比,得到了更高的相干系数。     

基于改进形式的遗传算法研究

为了克服遗传算法的一些缺点，从遗传算法初始群体的均匀生成、十进制整数与实数混合编码方式的采用、遗传算予的自适应生成、最优个体的无遗传保留等策略上改进了现有遗传算法，提出了一种改进形式的遗传算法。仿真实验表明，该改进遗传算法能大大提高遗传算法的收敛速度，有效防止“早熟”现象，明显改善了算法的计算稳定性。     

基于GA的BP神经网络在多目标优化中的应用

针对传统多目标优化的求解方法通常存在目标权值主观性大,优化目标仅为各目标加权和以及在求解过程中各目标优化的不可操作性等问题,文中提出了一种新颖的多目标优化算法,其将改进后的遗传算法与BP神经网络融合,提出了基于遗传算法的BP神经网络融合算法。该算法将遗传算法与BP神经网络算法相结合,充分发挥遗传算法的全局搜索能力优势和BP算法的局部搜索能力特点,使得多目标优化问题得以求解,加快收敛速度,从而提高了收敛精度。     

遗传算法实现非连续谱信号的最优频率编码

对非连续谱量化编码方案进行了研究，采用遗传算法实现了非连续谱FCP信号的最优频率编码，仿真结果表明遗传算法能够有效地找出非连续谱中最优的频带组合。     

改进型自适应随机卷积网络编码算法

To address the issue of field size in ran-dom network coding, we propose an Improved A-daptive Random Convolutional Network Coding (IARCNC) algorithm to considerably reduce the a-mount of occupied memory. The operation of IARCNC is similar to that of Adaptive Random Convolutional Network Coding (ARCNC), with the coefficients of local encoding kernels chosen uni-formly at random over a small finite field. The difference is that the length of the local encoding kernels at the nodes used by IARCNC is constrained by the depth; meanwhile, increases until all the re-lated sink nodes can be decoded. This restriction can make the code length distribution more reasona-ble. Therefore, IARCNC retains the advantages of ARCNC, such as a small decoding delay and partial adaptation to an unknown topology without an early estimation of the field size. In addition, it has its own advantage, that is, a higher reduction in memo-ry use. The simulation and the example show the ef-fectiveness of the proposed algorithm.