进化策略中变异算子的改进研究

针对进化策略在解决比较复杂问题时出现收敛速度缓慢这一问题的原因进行分析，提出 原来变异算子中的用高斯随机变量产生的随机扰动量改用柯西随机变量产生的随机扰动量来代替的一种新的变恂方法。通过对几个标准函数进行模拟进化，说明该方法是合理、有效的。     

基于线性变换的变异算子及在机器人进化计算中的应用

进化算子对进化计算行为和性能有直接影响.根据进化阶段的不同和个体适应度的大小,采用线性变换法建立能保持群体多样性和收敛性的自适应的变异算子的表达式,并在Evorobot系统中仿真实现.仿真结果表明,基于线性变换的自适应的变异算子改进了进化计算性能,体现了优越性.     

一种维持种群多样性的遗传算法变异算子的研究

本文针对二进制编码遗传算法中，由于传统变异算子随机地选取基因位置而对搜索全局最优的不利影响，分析了变异位置对种群多样性的影响．提出了一种新的维持种群多样性的变异算子，其变异概率和变异位置由种群基因位的多样度和个体适应度值自适应决定．经变异后优秀的个体得以保存，且在种群中每一基因坐上两种基因的比例控制在期望的范围内．本文最后用实验验证了该算于维持种群多样性的有效性．     

基于主动进化的神经网络优化算法

本文研究了一种基于主动进化神经网络的自动优化算法,用以同时完成对网络结构空间和权值空间的搜索。主动进化遗传算法在很大程度上克服了现有遗传算法执行效率低的问题,并因此运用到神经网络中去。实验结果表明,改进后的算法收敛速度更快,加快了网络拓扑结构和权值的搜寻速度,提高了网络预测精度。     

进化计算在神经网络学习中的应用

提出两种用于前向神经网络的进化学习算法,一种基于遗传算法,另一种基于进化规则,通过对ＸＯＲ问题和ＩＲＩＳ模式分类问题的学习,证明它们远高于传统ＢＰ算法的性能。     

遗传算法采用进化方向算子的几种策略

提出了采用实数编码情况下应用进化方向算子的几种策略，包括单亲进化方向算子、双亲进化方向算子以及无轮盘赌选择的双亲进化方向算子策略，并进行了数值仿真。仿真结果表明，灵活使用方向进化算子以及遗传操作可大大提高遗传算法的全局搜索能力。     

双变异算子遗传算法的应用

针对简单遗传算法（SGA）所存在的缺点和不足,提出了一种新的改进遗传算法一双变异算子GA.该算想法通过将所有产生的子代个体与父代个体混合作为下一代种群,在种群选择前对适应度值较低的个体进行一次变异,然后通过选择、交叉,再一次变异产生新种群,再利用自适应算法改变交叉和变异率及最优保存策略保护历代最优个体,利用matlab软件编程计算,在TSP中得到了较好的优化结果。实例说明,双变异算子的遗传算法能够最大限度使种群多样性,这样最有可能得到最优解,也易突破局部收敛的局限而达到全局最优。     

混合变异算子的人工鱼群算法

在分析基本人工鱼群算法存在不足的基础上,提出了基于高斯变异算子与差分进化变异算子相结合的人工鱼群算法,该算法克服了人工鱼漫无目的随机游动或在非全局极值点的大量聚集,显著提高了求解质量和运行效率.通过仿真实验测试验证,表明该算法是可行的和有效的。     

求解约束优化问题的粒子进化变异遗传算法

设计一种求解约束优化问题的粒子进化变异遗传算法(IGA_PSE).首先,分析候选解约束条件离差统计信息与约束违反函数之间的关系及其性质,基于约束条件离差统计信息提出一种改进约束处理方法;其次,基于粒子进化策略提出3种新变异算子;然后,讨论该算法早熟收敛的3种情况,并提出相应的种群多样化维持策略;最后,通过数值实验表明所提出的算法能够有效求解约束优化问题.     

基于多种群进化小生境遗传算法的神经网络进化设计方法研究

针对神经网络进化设计问题中棋型解基因编码与棋型解空间的特点，提出了多种群进化小生境遗传算法。该神经网络进化楚棋方法设计简单、通用，棋型性能评价全面合理，全局搜索效率高，电力负荷预测支持系统的实际应用效果表明此方法是有效的，具有一定的应用推广价值。     

基于变异的Bayesian优化算法

将变异算子与Bayesian优化算法相结合,提出了一种基于变异的Bayesian优化算法。在算法中设计了一个种群多样性函数,通过此函数引入变异算子,目的是利用变异算子的邻域搜索能力,保持种群多样性,将贝叶斯概率模型提取的全局信息与变异算子的局部信息联系起来,避免陷入局部最优。仿真研究表明基于变异的Bayesian优化算法的寻优能力比Bayesian优化算法更强。     

改进交叉操作的遗传算法在神经网络优化中的应用

提出了一种对交叉操作进行改进的遗传算法优化神经网络的方法,它保留了父代中的优良模式,增加了找到最优解的概率,从而可以加快算法的收敛速度,缩短了寻找最优解的时间。实验证明,使用这种改进的交叉操作后的算法可以提高神经网络获得最优解的速度。     

基于进化神经网络的模拟电路故障诊断

基于人工神经网络的智能故障诊断系统作为人工智能技术在模拟电路故障诊断领域的应用,在实践中取得了一定的成效.但由于容差和非线性特性使得模拟电路的故障诊断趋于复杂化,以及诊断系统中神经网络的拓扑结构难以确定,因此,针对上述局限,提出了模拟电路故障诊断的进化神经网络方法;文中详细的阐述了进化神经网络的构成方式,提出了把网络的结构和权值分级进化的方法,并在两级进化的过程中使用不同的适应度函数及改进的遗传算法.举例说明诊断系统的具体实现方法,仿真结果表明,在相同的精度要求下,该算法的训练时间远小于普通的进化神经网络,对模拟电路的故障诊断有一定的实际意义.     

带变异算子的改进粒子群算法研究

粒子群算法是一种随机全局优化算法,由于算法具有简单、易于实现、可调参数少等特点,得到了广泛的研究和应用。论文在研究标准算法原理的基础上,在算法搜索过程中引入变异算子,克服了标准算法易陷入局部极优点的不足。将改进后的算法运用常见的几个测试函数进行了寻优仿真,仿真结果验证了带变异算子的粒子群算法的可行性和有效性。     

一种可寻得全局最优解的改进变异算子

文献[1]分析了典型遗传算法不成熟收敛的起因,据此提出了一种改进的遗传变异算子,计算机仿真实验证明改进后的遗传算法能有效地克服不成熟收敛,进而搜索到全局最优解。     

扩散遗传算法及其应用研究

针对遗传算法在局部搜索能力方面的缺陷,提出了一种基于扩散算子的遗产算法(简称扩散遗产算法)。该算法中包含的扩散算子是变异算子,其主要作用是在遗传搜索中进行局部搜索。用扩散遗传算法和实数编码遗传算法分别训练用于解XOR问题的神经网络,对比结果表明,论文提出的算法兼具强的全局搜索能力和局部搜索能力,因此,该算法可以不借助其它局部搜索算法而单独作为神经网络训练算法,从而简化训练算法,提高训练效率。该算法对提高遗传算法搜索效率和求解精度具有重要的意义。     

一种新的神经网络学习算法

通过对人类学习机理和机制的研究,以及对现有ＢＰ神经网络学习算法及其改进的深入分析,本文提出了一种新的学习算法。该学习算法使神经网络学习由纯数学推导向智能化（启发式）学习发展,获取解决问题的最佳结构中神经元数及神经元间的联接数随问题的变化而动态变化,克服了目前神经网络学习算法普遍存在的学习时间长、局部极小小等问题。     

三种神经网络在洪水预报中应用的比较

本文以四川省达州市州河流域的洪水为研究对象,分别采用标准BP算法、Levenberg．Marquart算法和遗传算法来建立洪水预报模型,并对预报结果进行了分析和比较．结果表明：三种算法之中,遗传算法所建立的模型的收敛速度最快,预测结果精度最高,能够避免网络陷入局部极小点．