改进的遗传算法及其在求解MVCP中的应用

为改善传统遗传算法求解最小顶点覆盖问题时的效果,基于理想浓度模型,利用均匀设计抽样的理论和方法,对遗传算法中的交叉操作进行重新设计,结合局部搜索策略,提出一种新的遗传算法UGA。与标准遗传算法及佳点集遗传算法进行实例仿真比较,结果证明该算法可以提高求解的质量、速度和精度。     

均匀设计抽样混合遗传算法求解图的二划分问题

遗传算法(GA)的运行机理及特点是具有定向制导的随机搜索技术,其定向制导的原则是:导向以高适应度模式为祖先的"家族"方向。以此结论为基础,利用均匀设计抽样(UDS)的理论和方法,对遗传算法中的交叉操作进行重新设计,并在分析图二划分问题特点的基础上,结合局部搜索策略,给出了一个求解图二划分问题的新遗传算法,称之为基于均匀设计抽样的混合遗传算法。最后将该算法与简单遗传算法和佳点集遗传算法进行比较。通过模拟比较,可以看出新算法不但提高了算法的求解速度和精度,而且避免了常有的早期收敛现象。     

基于均匀设计的遗传算法及其应用

均匀设计属于Monte Carlo方法的范畴,基于 该方法对遗传算法进行改进,并给出在橡胶产品设计中的应用实例．实验结果表明本文提出 的遗传算法在求解大规模优化问题中是行之有效的．     

基于均匀设计的遗传算法及其应用

本文为克服遗传算法解决有关优化问题时,对遗传算法的各操作参数及初始种群的选取往往凭借经验带有盲目性,还需要大量反复的试验才能获得比较理想的操作参数和初始种群的缺点,引入均匀试验设计的思想将遗传算法参数设定描述为一个多因素多水平的优化设计问题,应用均匀设计方法选取遗传算法操作参数和初始种群,对全维状态观测器设计的实例应用表明该方法简单有效,具有工程实用价值,为遗传算法的实际应用提供了科学指导。     

均匀设计在遗传算法中的研究和应用

随着优化问题的复杂化、多目标化,先前的遗传算法在其问题的寻优搜索处理上往往达不到工程实际需要的满意效果。针对这种难以优化的多目标问题,该文先从遗传算法的理论着手,在均匀设计的基础上,提出了一种采用多目标遗传算法求解Pareto最优解集的方法,即均匀矩阵法,它是将均匀设计运用到遗传算法中来,以前随机选取的权值矢量就可以均匀地选取;最后用实例进行仿真,得到了满意的效果。结果表明该方法简单、易于实现,能够很好地解决多目标问题的优化。     

基于均匀设计的并行变异遗传算法

针对标准遗传算法易陷入局部最优和局部搜索能力差的缺陷,提出一种基于完全均匀设计的并行变异遗传算法(U D-PMGA)。首先用完全均匀设计方法获得多样性良好的初始种群,之后提出两种改进的锦标赛选择机制,一种改进方法取适应度较高的50%个体覆盖整个群体,另一种改进是用适应度较高且各自不同的50%个体覆盖整个群体。把适应度相近且空间距离较远的两个个体作为交叉对象以提高交叉操作的搜索效率。最后用自适应变异比例和自适应变异步长相结合的并行变异搜索策略提高算法的收敛速度和搜索精度。通过测试函数仿真,并与其它算法比较,验证了UD-PMGA算法的有效性与先进性。     

基于改进的遗传算法航班进港排序模型研究

根据不同飞机间尾流间隔建立了以航班总延误时间为目标函数的排序模型,提出了基于精英策略下“截断＋锦标赛”的复合选择算子、均匀交叉算子等策略的遗传算法,并按自适应的交叉、变异概率计算和十进制直观编码方式对其进行了改进。基于这种改进的遗传算法,仿真模拟得到进港航班总延误时间为1571s,比先到先服务方法（FCFs算法）和传统的遗传算法得到的总延误时间分别减少了465s和187s。说明该改进方法能明显提高求解性能,减少航班延误时间。     

求解旅行商问题的遗传算法参数的均匀设计

遗传算法的参数设置通常是依靠经验和试验来确定,造成试验工作量大且难以得到最优的参数组合,影响了算法的使用。通过将遗传算法基本模型的参数设定问题描述成均匀设计中多因素多水平的试验设计,从而能够用较少的试验很快设定算法参数的取值。仿真试验表明该方法的可行性和有效性。     

基于广义遗传算法的自适应重要抽样理论

1 引言随着计算技术和软件工具的迅猛发展,具有良好普适性的数值模拟方法在许多领域开始受到了广泛的重视。由于Harbitz,Melchers,Wu和本文作者的一系列工作,基于重要抽样理论的非线性系统可靠性分析技术取得了很大的进展。尽管如此,基于重要抽样理论的非线性系统可靠性分析技术中一些带有根本性的理论问题并没有彻底解决。突出表现是,对于广义多设计点问题、寻找所有设计点的求解算法不仅没有提出,甚至没有提出过合理的求解思路。造成这一局面的原因是,多设计点问题的求解需以非连通域非线性系统全局优化问题的解决为前提,而后一问题在     

均匀设计的GA在液位控制中的应用

随着优化问题的复杂化、多目标化,遗传算法在寻优搜索处理上往往达不到工程实际需要的满意效果.针对难以优化的多目标问题,在均匀设计的基础上,提出了一种采用多目标遗传算法求解Pareto最优解集的方法,即均匀矩阵法,它是将均匀设计运用到遗传算法中来,把以前随机选取的权值矢量改为均匀地选取;对液位控制系统中pid控制器参数优化后的实验,得到了满意的效果.结果表明该方法简单、易于实现,能够很好地解决多目标问题的优化.     

Floorplan design problem using improved genetic algorithm

Genetic algorithms (GA) are applicable to many kinds of difficult problems. When a population keeps enough diversity and similarity, GA can obtain good solutions quickly. However, because these often compete with each other, it is difficult to fulfill both of these conditions simultaneously. In this article, taking these into consideration, we propose a new GA for the floorplan design problem, and aimed at improving the efficiency of calculation, the maintenance of the solution’s population diversity, and reduction of the number of parameters. We applied it to two MCNC (originally established as the Microelectronics Center of North Carolina) benchmark problems. The experimental results showed that the proposed method performed better than the existing methods. This work was presented, in part, at the 8th International Symposium on Artificial Life and Robotics, Oita, Japan, January 24#x2013;26, 2003     

一种改进拉丁方抽样免疫遗传算法*

针对遗传算法求解问题中保持群体多样性能力不足、早熟、耗时长以及求解成功率低等缺点,依据拉丁方抽样方法对遗传算法中的交叉算子进行重新设计;结合免疫机理定义染色体浓度、设计克隆选择策略,提出了一种改进拉丁方抽样免疫遗传算法。利用旅行商问题以及最大子团问题为实例对新算法进行了验证,实验结果表明新算法在解的质量、收敛速度等各项指标上均好于经典遗传算法和佳点集遗传算法,说明了新算法的优越性与可行性。     

一个基于神经网络和遗传算法的游戏自主角色的设计

具有学习能力和动态适应环境变化的自主角色已经成为商业游戏的一个卖点,采用传统的人工智能方法往往无法实现复杂的自主角色的行为,基于此,采用非确定性的神经网络和遗传算法来实现自主角色已经成为当前游戏人工智能的一个热点。分析了游戏自主角色的特点, 建立了NPC的自主认知模型,同时采用神经网络和遗传算法相结合的游戏自主角色的设计思路,利用遗传算法优化神经网络的方法设计了一个自主角色的框架,建立了一个游戏角色的自学习模型,通过仿真实验表明采用神经网络和遗传算法相结合的非确定性算法形成的游戏角色的自学习系统要比传统的NPC角色更加自主和智能化。     

一种求解0-1背包问题的新遗传算法

众所周知,遗传算法的运行机理及特点是具有定向制导的随机搜索技术,其定向制导的原则是： 导向以高适应度模式为祖先的“家族”方向。以此结论为基础,利用随机化均匀设计的理论和方法,对遗传算法中的交叉操作进行了重新设计,给出了一个新算法,称之为随机化均匀设计遗传算法。最后将随机化均匀设计遗传算法应用于求解0-1背包问题,并与简单遗传算法和佳点集遗传算法进行比较。通过模拟比较,可以看出新的算法不但提高了算法的速度和精度,而且避免了其他方法常有的早期收敛现象。     

云计算下基于改进遗传算法的聚类融合算法

针对无监督聚类缺少数据分类等先验信息、基聚类的准确性受聚类算法影响以及一般聚类融合算法空间复杂度高的问题,提出一种基于改进遗传算法的聚类融合算法（CEIGA）;同时针对传统聚类融合算法已经不能满足大规模数据处理对于时间的要求的问题,提出一种云计算下使用Hadoop平台的基于改进遗传算法的并行聚类融合算法（PCEIGA）。首先,基聚类生成机制产生的基聚类划分在完成簇标签转化后进行基因编码作为遗传算法的初始种群。其次,通过改进遗传算法的选择算子,保证基聚类的多样性;再根据改进的选择算子对染色体进行交叉和变异操作并使用精英策略得到下一代种群,保证基聚类的准确性。如此循环,使聚类融合最终结果达到全局最优,提高算法准确度。通过设计两个MapReduce过程并加入Combine过程减少节点通信,提高算法运行效率。最后,在UCI数据集上比较了CEIGA、PCEIGA和四个先进的聚类融合算法。实验结果表明,与先进的聚类融合算法相比,CEIGA性能最好;而PCEIGA能在不影响聚类结果准确度的前提下明显降低算法运行时间,提高算法效率。     

基于改进遗传算法的生鲜多目标闭环物流网络模型

针对生鲜产品闭环物流网络中存在的经济成本高、碳排放量大、社会效益重视不足等问题,综合考虑退货量的不确定性,以经济成本最小、碳排放最小、社会效益最大为目标,建立了不确定条件下的生鲜多目标闭环物流网络模型。首先,利用改进的遗传算法(GA)求解该模型;然后,结合上海某生鲜企业运营管理数据,验证了模型的可行性;最后,将改进的GA的结果与粒子群优化(PSO)算法的结果对比,验证了算法的有效性,凸显了改进的GA在求解多目标的复杂约束问题时的优越性。算例结果表明,多目标优化满意度达到0.92,高于单目标优化满意度,展示了所提模型的有效性。     

一种基于改进遗传算法的网格资源调度策略

首先对网格资源调度的特点、现有遗传算法的局限性进行了分析,在此基础上对遗传算法进行改进;提出一种基于改进遗传算法的网格资源调度策略（GRSS_IGA）,该算法综合考虑资源任务分配量、任务截止时间、任务等待时间及资源利用率等QoS参数;并用马尔可夫理论证明了算法的正确性;最后通过仿真对改进前后两种算法的性能进行比较,实验结果表明改进后的算法降低了时间消耗,提高了资源利用率。     

云计算环境下基于改进遗传算法的任务调度算法

在云计算中面对的用户群是庞大的,要处理的任务量与数据量也是十分巨大的。如何对任务进行高效的调度成为云计算中所要解决的重要问题。针对云计算的编程模型框架,提出了一种具有双适应度的遗传算法（DFGA）,通过此算法不但能找到总任务完成时间较短的调度结果,而且此调度结果的任务平均完成时间也较短。通过仿真实验将此算法与自适应遗传算法（AGA）进行比较,实验结果表明,此算法优于自适应遗传算法,是一种云计算环境下有效的任务调度算法。