基于病毒进化遗传算法的复杂产品设计任务规划

为提高复杂决策环境下产品设计任务规划的科学性,针对设计项目中资源以知识型员工为主的特点,综合考虑项目时间最短、完成质量最高及设计人员负载均衡等问题建立多目标优化的数学模型.在此基础上,为提高横向搜索能力以获得多样性解,提出了基于病毒进化机制的求解算法,其中引入多种群思想以使算法适用于多目标问题,并采用非支配排序保证算法全局搜索能力.最后通过仿真分析对文中算法进行了验证.     

一种病毒进化型遗传算法

本文提出一种病毒进化型遗传算法VEGA。此算法在一般遗传算法的基础上,通过对病毒个体和宿主体行为及相互关系的模拟,使进化个体的多样性大大提高,算法更易趋于全局极化。模拟实验验证了VEGA的优良性能。     

基于等级制度的病毒进化遗传算法

按照适应度将主群体分成高等主子群和低等主子群,病毒也相应地分为小病毒群和大病毒群。高等主子群个体感染小病毒后其显性值产生小尺度变化,低等主子群个体感染大病毒后其显性值产生大尺度变化,使优良个体在自身区域小范围内搜索,而不良个体则远离自身区域进行搜索,从而提高其搜索速度和精度。实例证明,改进算法在性能上优于传统病毒进化遗传算法。     

一种基于遗传算法与进化编程的系统辨识方法

分析比较了遗传算法（GA）和进化编码（EP）在解决系统辨识问题中的优劣，提出一种将GA和EP相结合的新的系统辨识方法，该方法既不依赖于种群的初始值，又具有较强的稳定性。仿真结果表明了该方法的有效性和独到之处。     

项目优化调度的病毒协同进化遗传算法

针对次序约束和资源约束的多模式项目调度问题提出了一种病毒协同进化遗传算法,并提出了解的编码、选择、交叉、变异和病毒感染操作等.算法用于求解项目活动的一个最优调度顺序和资源模式以使项目的成本最低,其操作特点是既可以通过遗传操作在父子代群体之间纵向传播进化基因进行全局搜索,又可以通过病毒感染操作在同一代群体内横向传播进化基因进行局部搜索.利用模板理论对算法的性能进行了分析.理论分析和实验结果表明,算法的搜索性能优于一般的遗传算法.算法对于不同优化目标的多模式项目调度问题可以同时求得一个满足次序约束的项目活动的最优调度顺序和满足资源约束的最优资源模式.     

基于动物群落结构的改进病毒进化遗传算法

基于动物群落组织结构提出了一种改进的病毒进化遗传算法.主种群由一个父亲和若干个母亲及单身汉组成,父亲和母亲交叉产生后代,单身汉变异产生后代.病毒分为大病毒和小病毒,在前期迭代过程中,大病毒起作用,在后期迭代过程中,小病毒起作用.实例证明,改进的病毒进化遗传算法性能优于传统的病毒进化遗传算法.     

一个用于多目标优化的进化规划算法

进化计算的群体搜索机制为多目标优化问题的直接求解提供了途径。本文将多目标遗传算法中的一些技术用于进化规划,提出一个多目标进化规划算法,并给出计算实例。     

一个用于多目标优化的进化规划算法

进化计算的群体搜索机制为多目标优化问题的直接求解提供了途径.本文将多目标遗传算法中的一些技术用于进化规划,提出一个多目标进化规划算法,并给出计算实例.     

基于差分进化基因表达式编程的全局函数优化

为了提高基因表达式编程(Gene Expression Programming,GEP)在函数优化时的效率,将差分进化(Differ-ential Evolution,DE)引入到GEP中,提出了基于差分进化的基因表达式编程的全局优化算法DEGEPO.主要工作包括:(1)针对全局函数优化问题,根据GEP和DE的特点设计了新的基因编码;(2)设计了新的变异和交叉算子;(3)提出了DEGEPO算法并进行了算法分析;(4)实验验证了算法的有效性.相对于传统GEP,DEGEPO,优化结果精度平均提高了2～4个数量级.     

病毒进化遗传算法的车辆调度优化模型

为了提高车辆调度优化效率,提出一种病毒进化遗传算法的车辆调度优化模型。建立车辆调度的数学模型,采用遗传算法对模型进行求解,并采用病毒群体感染主群体,主群体在历代个体间纵向传递信息以利于全局优化,病毒群体通过感染操作在同代个体间横向传递信息利于局部搜索,进行仿真对比实验。结果表明,病毒进化遗传算法较好地解决了标准遗传算法存在的不足,加快了车辆调度优化问题的求解效率,获得了更优的车辆调度方案,具有较高的应用价值。     

遗传算法程序的模块化设计

随着优化问题的复杂化和优化对象的多样化，对优化方法的主要实现形式－计算机程序设计提出了更高的要求，这里分析了一种进化算法－遗传算法特点，给出一种通用性与计算效率并重的模块化程序设计方法，在不同类型的优化问题中均能取得性能良好的解，在工程计算领域有很强的应用价值，目前已应用于网络图优化，生产作业排序等方面。     

多目标优化差分进化算法

个体的适应度赋值和群体的多样性维护是进化算法的两个关键问题。首先,一方面,定义了Paretoε-支配关系的相关概念,通过Paretoε-支配关系确定个体的强度Pareto值,根据个体的强度Pareto值对群体进行Pareto分级排序,实现优胜劣汰;另一方面,使用拥挤距离估算个体的拥挤密度,淘汰位于拥挤区的一些个体,维持群体的多样性。然后,根据差分进化算法的特点,使用适当的进化策略和控制参数,给出了一种用于求解多目标优化问题的差分进化算法DEAMO。最后,数值实验表明,DEAMO在求解标准的多目标优化问题时性能表现优良。     

基于多目标自适应遗传算法的逻辑电路门级进化方法

提出一种改进的遗传算法,通过网表级编码、多目标评估和遗传参数自适应等措施,可依据多个设计目标,以较少的运算量自动生成和优化逻辑电路．在数字乘法器、偶校验器等进化设计实验中,通过比手工设计和同类方法更优的新奇设计结果展示了该方法的有效性和先进性．     

基于（μ＋λ）选择策略的多目标优化分段遗传算法

在多目标优化遗传算法中，将整个种群按目标函数值划分成若干子种群，在各子种群内μ个父代经遗传操作产生λ个后代；然后将各子种群的所有父代和后代个体收集起来进行种群排序适应度共享，选取较好的个体组成下一代种群。相邻的非劣解容易分在同一子种群有利于提高搜索效率；各子种群间的遗传操作可采用并行处理；各子种群的所有
有个体收集起来进行适应度共享有利于维持种群的多样性。最后给出了计算实例。     

基于多目标遗传算法的工程资源优化配置

为了使工程资源能够在工程应用中最大程度的优化配置, 利用遗传算法模拟自然进化过程求得最优解的特点, 对遗传算法和多目标优化问题的理论基础和模式定理的进行了分析, 讨论了遗传算法在解决多目标优化工程资源问题过程中的优势, 最后将多目标遗传算法应用于具体工程资源配置实例予以实现. 仿真优化结果表明: 遗传算法在工程资源优化配置过程中更具有先进性, 可靠性和优化性.     

遗传算法综述*

遗传算法来源于进化论和群体遗传学，是计算智能的重要组成部分，正受到众多学科的高度重视。本文系统综述了遗传算法的发展历程，理论研究和应用研究，并进行了分析和评价。     

网络处理器负载均衡中的遗传算法研究

根据IXP28XX网络处理器多引擎并行处理机制,针对微引擎处理数据包中出现的负载过重和任务拥塞问题,通过定义微引擎负载偏差率以及适应度函数,建立解决负载均衡问题的模型,利用遗传算法可以完成对各微引擎的负载调度。提出一种多点交叉和变异的遗传算法,仿真结果表明,该算法可以减少最优值迭代次数,从而缩短调度时间,使各微引擎的负载快速达到均衡。     

基于聚类的快速多目标遗传算法

多目标遗传算法非常适合于求解多目标优化问题．讨论了进化个体之间的支配关系及有关性质,论证了可以用快速排序的方法对进化群体中的个体进行分类,同时探讨了用聚类方法来保持群体的多样性,具体讨论了基于层次凝聚距离的聚类,在此基础上提出了用分类和聚类的方法构造新的进化群体．理论分析与实验结果表明,所讨论的方法比较国际上已有的方法具有更快的收敛速度．     

基于多目标遗传算法的单指令集异构多核系统静态任务调度

与同构多核处理器相比,单指令集异构多核处理器能够更好的匹配程序行为的多样性,从而具有更好的性能功耗比.异构多核处理器的能效优势依赖于操作系统合理而有效的调度,追求性能与功耗的统一,是典型的多目标优化问题.提出将多目标优化遗传算法应用于寻找异构多核环境下最优的静态任务调度方案,提出表征任务相对顺序的染色体编码结构,使种群初始化时的有效个体所占比例变为100%.提出使用先序关系矩阵来确定任务的执行顺序,克服了高度值方法存在的严重不足.仿真结果表明,先序关系矩阵方法能扩大搜索范围,在种群规模足够大时,可以找到高度值方法漏掉的部分最优解.