自适应伪并行遗传算法及其性能分析

提出了一种度量种拜多样性的新指标，将其应用于交又概率和变异概率两个参数的自适应调整，再将自适应的思想和并行计算的思想结合起来，提出了一种在个人计算机上实现的改进自适应遗传算法一自适应伪并行遗传算法(APPGA)。对几种典型的多峰值函数求极值，结果表明：该算法的全局搜索能力和收敛速度都远优于标准遗传算法，是一种比较实用的算法。     

基于伪并行免疫遗传算法和粗糙集的图像分割方法

提出了一种结合伪并行免疫遗传算法和粗糙集的新的图像分割方法,该方法适用范围广.以各抗体子群体适应度为依据构建属性值表,基于属性值的不可分辨关系将图像分成许多小区域;通过值约简、属性权值、区域差异度计算得到各基本区域之间的差异度矩阵,进而对基本区域进行相似域和非相似域的划分,最后基于相似度的最终等价关系及分割来实现基本区域的合并完成图像分割.实验结果验证了该方法的有效性.     

基于伪并行遗传算法的煤矿温度监测系统的设计

将无线传感器网络技术应用来设计煤矿采空区温度监测站,设计一种温度监测系统的组网策略,通过实时或定时采集温度,有效监测煤矿环境,以达到预防煤矿危险的发生.同时针对于无线传感网络能源受限的问题,采用伪并行遗传算法对网络进行了多目标优化设计.仿真结果表明:该算法优化了能量管理,使网络负载达到平衡.     

基于聚类的伪并行遗传算法

针对遗传算法中存在的早熟收敛和后期收敛速度慢的问题,分析传统的小生境遗传算法和多种群遗传算法的特点和不足,提出基于聚类的伪并行遗传算法.当种群进化到一定程度后,进行聚类分析.在各个聚类内部,利用局部搜索算法获得极值点.其余未分类个体与聚类代表元按照小生境技术进一步搜索,从而获得较好的全局探索能力.从理论上证明该算法的收敛性.采用典型函数进行实例计算,并与杰出保留遗传算法、确定性排挤遗传算法和传统的多种群遗传算法的性能进行比较,结果表明本文算法的有效性.     

基于网格和Hamming距离的伪并行遗传算法

为了克服简单遗传算法“早熟”现象及慢速收敛性,提出基于网格和Hamming距离的伪并行遗传算法,即用随机选取的决策变量把整个搜索空间网格划分,在每个网格内用基于Hamming距离的随机化方法初始化子种群,同时引入多遗传算予和无约束移民策略和替换策略。该算法在一定程度上克服了引发算法早熟的“超级个体”和“封闭竞争”问题。测试实例说明,相比其他遗传算法,该算法更有效地抑制了“早熟”现象,其运行速度和精度也得到了相应的提高。     

并行遗传算法分析

在科学计算机领域,并行遗传算法开始受到关注。分析了遗传算法并行化的同和实现模型,讨论了遗传算法隐含的并行性,对于灵活应用并行遗传算法有指导意义。     

基于混合伪并行遗传算法的BLDCM转速控制系统的优化设计

本文以无刷直流电动机作为被控对象,运用混合伪并行遗传算法（MPPGA）对其转速控制器的PI参数进行了优化设计,该算法针对常规遗传算法搜索效率低和早熟收敛的缺点,通过将最速下降法与伪并行遗传算法相组合形成了一种全局优化算法,并使用MATLAB 6.5软件进行了动态跟随性能的仿真实验,实验结果表明采用该算法确能优化调速系统的性能。     

降维式自主迁移伪并行遗传算法

并行优化算法是一种以优化算法为基础,利用并行计算技术,把问题分解到各个处理器进行处理的算法.以遗传算法为蓝本,提出一种降维式自主迁移的伪并行遗传算法.该算法实现了对高维问题的并行降维优化,并设计出新颖的具有协作性质的信息迁移机制,更好地融合各个处理器的优化信息.测试了3种不同的迁移处理器中优化信息的方法,并对11个具有30维的连续函数进行测试.测试结果与其它并行遗传算法进行了比较,该方法在求解精度和速度上都要比传统的串行遗传算法和并行遗传算法优胜.     

一种基于混沌迁移的伪并行遗传算法及其应用

为了解决遗传算法寻优过程中的早熟收敛问题 ,本文提出了一种基于混沌迁移策略的伪并行遗传算法 ,该算法针对实时性要求不高的优化问题采用串行的算法结构实现分解型并行遗传算法的“独立进化、信息交换”思想 .在并行进化的个体异步迁移过程中 ,引入了混沌迁移序列引导个体迁移过程 ,利用其遍历性和随机性 ,保证了子种群之间能够进行充分高效的信息交换 .仿真研究和在库存优化方面的应用研究表明 ,这种算法具有很强的全局搜索能力 ,寻优效率高 ,有效克服了标准遗传算法的早熟收敛问题 .     

伪并行遗传算法对PID控制器参数的优化仿真

在对PID控制器参数优化中引入了伪并行遗传算法,在一定程度上克服了常规遗传算法容易产生的“早熟”现象,收敛速度也进一步提高。由对PID控制器参数优化的计算结果及仿真来看,该算法和常规遗传算法比较起来,超调量减小,调整时间也减小,说明该法是可行而有效的,对其它控制如PI控制等的参数优化也有借鉴作用。     

基于复合形法的聚类遗传算法

针对标准遗传算法的未成熟收敛问题和局部收敛能力不佳等情况,提出一种基于复合形法的聚类遗传算法。通过使用复合形法结合聚类小生境技术对传统的遗传算法进行改进,得到基于复合形法的自适应聚类遗传算法（NCGA）。该算法使用FORTRAN语言进行编程,通过使用三种复杂的测试函数对其性能进行测试,并与自适应遗传算法（AGA）进行了性能比较,还分析了初始种群的优劣对算法性能的影响。测试结果表明：对于遗传算法的改进效果明显,在遗传算法中融入复合形操作能明显增强遗传算法的局部搜索能力,且聚类技术使得遗传算法的全局搜索能力得到显著增强,反向学习操作的添加能增强算法的稳定性。改进后的遗传算法的性能明显好于传统的遗传算法。     

基于免疫遗传的K-Means聚类算法分析

聚类算法是数据挖掘中的一个重要研究领域,在所有的聚类算法中K.Means算法应用得最为广泛.针对K-Means算法容易陷入局部最优解的缺点,提出了基于免疫遗传的K-Means聚类算法来避免这个问题.理论分析和实验表明,该算法比传统的K-Means聚类有更好的效果.     

一种基于并行遗传算法的非线性系统辨识方法

结合并行算法的运算能力和遗传算法的搜索能力，提出一种基于并行遗传算法的非线性系统辨识方法。其特点是通过并行遗传算法实现对RBF神经网络极值、宽度和中心位置等有关参数的估计，其速度快、精度高，从而通过RBF神经网络有效地完成了对非线性系统的辨识。最后给出了仿真结果，证实了该方法的有效性。     

基于遗传算法与密度及距离计算的聚类方法

为解决聚类中心选择困难和数据点密度计算泛化能力弱的问题,提出一种基于遗传算法与密度及距离计算的聚类方法.该算法通过指数方法计算数据点密度,降低参数对算法性能的影响;用遗传算法搜索最优密度和距离阈值,同时引入惩罚因子,克服算法搜索域偏移从而提高收敛速度,寻找最优聚类中心,并用归属方法完成聚类.通过4组人工数据集和4组UCI数据集实验证明,该方法在RI指数、聚类精度、聚类纯度、召回率等4个聚类评价指标上都达到与K-means算法、快速搜索聚类算法和Max_Min_SD算法相当或更好的效果,算法是有效的.     

分段组卷伪并行遗传算法的研究与实现

遗传算法组卷存在收敛速度慢和未成熟收敛问题,难以满足考核要求。已有较多算法采用了分段编码、分段进化的策略,以降低算法的复杂度,提高算法的性能,但均未实现分段组卷,没能从根本上提高算法的性能。为此提出分段伪并行组卷的方法,即:分段组成符合要求的试卷段,再组合成一份完整的符合用户需求的试卷。实验证明,该方法能够大大加快收敛速度,提高组卷质量。     

A pseudo genetic algorithm

Random individual initialization tends to generate too many eccentric and homogeneous individuals which cause slow and premature convergence. It needs many operations (selection strategy, incest prevention and mutation) to fix, which consume too much computation and lose many good genes. The proposed complementary-parent strategy initializes every other pair of parents with dynamically or statically complementary chromosomes (such as 010101…0101 and 101010…1010). Crossover of every generation is only performed between the offspring from the same parents, during which the parents are completely replaced by their own children. Higher population diversity is got without gene lost at all, by which search ability is enhanced. Incest prevention, selection strategies and mutation are unnecessary and consequently cancelled (so it is named pseudo genetic algorithm). As indicated by the simulation results, the speed of elitist search is accelerated greatly and computation complexity is reduced by half.     

基于量子遗传谱聚算法的聚类

在处理大数据集聚类问题上,谱聚算法因存在占用存储空间大、时间复杂度高的缺陷而难以推广,针对此问题,提出采用多次分割、向上向下双向收缩的QR算法求得特征值对应的特征向量来实现降维,并在此基础上构造映射空间上的样本来实现量子遗传谱聚算法的聚类。该方法通过映射为后续的量子遗传谱聚算法聚类提供低维的输入,而量子遗传算法具有快速收敛到全局最优并且对初始化不敏感的特性,从而可以获得良好的聚类结果。实验结果显示,使用该算法的聚类比谱聚算法、K-means算法、NJW算法等单一方法具有更好的收敛性、稳定性和更高的全局最优。     

基于佳点集遗传算法的聚类技术

提出了两种基于佳点集遗传算法的聚类新方法GAmeans和HgaMeans,适用于不同数据库下的聚类挖掘。GAmeans可用于发现指定簇数的聚类中心,具有对初始数据的弱依赖性、收敛快、精度高并可避免早熟的特点;而混合方法HgaMeans是利用k-means对GAmeans聚类结果的进一步提炼,实验表明它具有更好的聚类质量和综合性能。     

基于量子遗传算法的多任务联盟并行生成算法

提出一种基于量子遗传算法的多任务联盟并行生成算法,运用量子编码映射的方式将任务分配与资源组合合并为一个过程,使多任务联盟问题的复杂性得到降低。实验表明,该算法在面向多任务的领域中可以快速、有效地并行形成多个任务求解联盟;与遗传算法和蚁群算法的对比实验表明,该算法是正确、有效、可行的,在运行时间和解的性能上都优于前两种算法。