多核CPU环境下小生境混合遗传算法的研究*

为克服遗传算法的缺点,利用小生境的启发作用,引入改进的模拟退火操作,构造了一个兼顾全局搜索与局部探测的混合遗传算法。针对该算法内在的良好并行性及串行计算难以发挥多核CPU计算优势的问题,将遗传操作和模拟退火操作设计成并行计算形式,利用OpenMP将其线程化。对TSP的求解验证了该算法的有效性,并行算法的加速比和计算效率随着TSP规模的增加而显著提高。     

DNA遗传算法的QoS多播路由优化

针对网络中的QoS多播路由问题,提出一种基于DNA的混合遗传算法,以遗传算法为框架,采用DNA编码方式,对交叉算子和变异算子进行改进,同时把小生境技术和模拟退火融入框架中,使小生境中的个体独立进行模拟退火操作,达到维护种群多样性和增强局部搜索能力的目的。实验结果验证了该算法的有效性。     

基于混合遗传算法的数据挖掘

随着数据库应用的不断深化,数据库的规模急剧膨胀,人们需要对这些数据进行分析,从中发现有价值的信息。但是数据库管理系统本身却没有提供有效的工具和方法来利用这些数据,因此数据挖掘成为当今研究的热点。本文即以混合遗传算法为基础对数据挖掘中的算法问题进行系统研究。     

基于模拟退火的混合遗传算法研究

针对常规遗传算法会出现早熟现象、局部寻优能力较差等不足,在遗传算法运行中融入模拟退火算法算子,实现了模拟退火的良好局部搜索能力与遗传算法的全局搜索能力的结合。经验证,该混合算法可以显著提高遗传算法的运行效率和优化性能。     

基于DNA的连续优化算法

用遗传算法进行函数优化已得到了较好应用。与遗传算法相比,DNA的编码更具丰富性,译码更具多样性,基因级操作更灵活,且更容易用DNA计算机实现。鉴于基于DNA的函数优化研究还较少,提出了一种基于DNA的连续优化算法。该算法用表示DNA的基本元素符号进行碥码,用其对应的密码子表征变量参数,用DNA的复制、重组、变异和倒位等操作实现对解空间的搜索。在这些过程中,参考了精英保留策略和模拟退火算法等思想方法,采取了若干加快收敛、同时满足搜索多样性要求的措施,以使算法加快收敛且不易早熟和陷入局部最优。计算机仿真实验表明该算法具有收敛快,精度高等特点,效果令人满意。     

基于聚类小生境遗传算法的DNA编码优化

DNA编码优化问题是DNA计算中的核心问题。分析DNA编码优化的约束条件,在单链DNA序列集合上引入h距离,将聚类小生境技术应用于小种群遗传算法的构造,对DNA编码优化问题进行求解。基于h距离定义DNA序列间的相似函数,将碱基字母编码为4进制整数、DNA编码序列作为个体编码为4进制整数向量、种群编码为4进制整数矩阵,基于模4算术运算,构造相应的遗传算子,并给出DNA编码序列的具体计算结果。实验结果表明,与现有DNA编码序列优化结果相比,该算法可得到更好的DNA编码序列且计算效率较高。     

基于单纯形的小生境混合遗传算法

总结单纯形搜索算法的核心思想.然后提出单纯形交叉方向算子和最优小生境、次差小生境与最差小生境3个概念.在最优小生境中采用单纯形搜索算法得到局部极值,在最优小生境与次差小生境之间用单纯形交叉方向算子产生优秀个体,而在最差小生境中采用受限单纯形搜索产生优秀个体,从而构成基于单纯形的小生境混合遗传算法SimplexNich-HGA.最后用SimplexNiche-HGA、单纯形混合遗传算法Simplex-HGA 以及基本遗传算法SGA求函数Rosenbrock的极值,并进一步用SimplexNiche-HGA和Simplex-HGA 求多峰值函数Shubert的极值,验证算法的正确性和求多峰值函数的极值的效率.     

基于混合遗传算法的车间生产调度问题研究

解决车间生产调度问题的目的不仅仅是为了缩短生产周期,更重要的是为了提高生产效率,降低生产成本。现大部分国有制造企业在车间生产过程中采用的是人工调度,调度时主要依赖于调度经验,调度效率不高且易出错。将遗传算法和模拟退火算法相结合,提出了解决车间调度问题的混合遗传算法,并给出了一种编码方法以及建立了相应的解码规则。遗传算法的引入保证了解的全局最优性,仿真后表明了该混合算法的可行性和有效性,且能够有效地提高搜索效率,改进了收敛性能。     

DNA计算研究的现状与展望

最近,采用ＤＮＡ计算的可能性引起了人们的广泛兴趣。本文在简要介绍ＤＮＡ是之后,探讨了ＤＮＡ计算及其模型,并将其与遗传算法、模糊控制、神经网络、混沌系统等软件计算技术进行集成,指出了ＤＮＡ计算的优点及目前存在的问题。最后我们对它们的前景进行展望。     

基于混合遗传算法的车间调度问题的研究

提出了在柔性生产环境下基于遗传算法与模拟退火算法混合的动态调度算法,充分发挥遗传算法良好的全局搜索能力和模拟退火算法有效避免陷入局部极小的特性,有很好的收敛精度,并且能够在扰动发生后提供新的调度计划;通过交叉,变异等遗传操作、得到目标的最佳或次优解,最后对算法进行了仿真研究,仿真结果表明该算法是可行的,与传统的调度算法相比,其优越性是明显的。     

基于免疫遗传退火算法的Web关联规则挖掘方法*

摘要：根据关联规则挖掘的要求与特点,结合免疫算法,遗传算法和模拟退火算法的优点,提出一个基于免疫遗传退火算法的Web关联规则挖掘方法。实验结果表明,与遗传算法和模拟退火算法相比,基于免疫遗传退火算法的关联规则发现在Web挖掘中具有一定的优势。     

基于遗传模拟退火算法的无线传感器网路由协议

在无线传感器网络中(WSNs)中,由于节点能量有限,为了延长整个网络的生存周期,提出一种基于遗传模拟退火算法的无线传感器网络路由协议.利用模拟退火(SA)算法具有较强的局部搜索能力并能以稳定的速度收敛,克服遗传算法(GA)局部搜索能力差并容易早熟收敛等缺点.该路由协议在簇头节点选举时充分考虑了节点的剩余能量,并根据网络中数据转发能量耗损和延迟时间建立个体适应度函数,采用遗传模拟退火算法找到簇头节点到基站的最优路径.仿真结果表明:与其他协议比较,该方法不仅可以均衡各个节点的剩余能量,还可以有效延长整个网络生存周期和提高网络的数据传输能力.     

分布式并行计算环境下混合遗传算法的研究

为提高混合遗传算法的计算效率和求解质量,提出一个并行混合遗传算法框架。该框架主要由遗传算法、小生境操作和单纯形3部分组成,遗传算法和小生境操作采用串行执行方式,单纯形采用分布式并行执行方式。分布式并行计算环境由4台计算机通过交换机连接构成,并设计了一个动态任务调度方案。一个典型工程算例验证了新算法的有效性,并且在分布式并行环境下取得了较好的加速比和并行效率。     

异步模拟退火的遗传算法研究

为克服遗传算法(GA)局部搜索能力差和混合遗传算法计算效率低的不足,提出一个异步混合遗传算法框架。该框架主要由遗传算法、小生境操作和模拟退火三部分组成,模拟退火相对遗传算法和小生境操作采用异步执行方式。并行计算环境由两台计算机通过交换机连接构成,一台计算机计算遗传算法和小生境操作,另外一台计算机计算模拟退火,两台计算机之间通过并行虚拟机进行数据交换。以旅行商问题(TSP)作为算例,实验结果验证了新算法的有效性和高效性。     

一种基于距离测度的自适应遗传算法

为了提高基于距离测度的自适应遗传退火算法的收敛概率和收敛速度,提出了一种改进的算法,定义基于距离密集度和适应度的自适应变异概率,采用改进的算术交叉操作和模拟退火操作,并在群体趋于一致时保留最优个体,重新产生其他新个体。利用改进的距离测度实数编码遗传算法对带边界约束函数优化问题进行了仿真计算,结果表明该算法收敛概率较高,收敛速度快,是一种有效的算法。     

改进的小生境混合遗传算法在函数优化上的应用

为了提高经典小生境遗传算法的收敛性能,加强局部寻优能力,设计了一种新的小生境混合遗传算法.通过判断算法的在线性能指标Xe(s),将模拟退火算法巧妙地融入算法的后期,并针对小生境遗传算法的特点选用格雷码编码,同时设计了自适应的遗传交叉算子.用一个Shubert多峰值函数对改进的算法进行验证,结果表明:新算法的收敛性能和进化效率得到提高,局部寻优能力也有加强.     

基于模拟退火遗传算法的关联规则挖掘

将模拟退火遗传算法加以改进,应用于关联规则挖掘,提出一种新的基于改进的模拟退火遗传算法的关联规则挖掘算法,并在该算法中,采用自适应方式动态选取交叉和变异概率,有效地抑制了早熟收敛现象,实验结果显示该方法能高效地解决关联规则挖掘问题。     

基于混合遗传模拟退火算法求解TSP问题

TSP问题是典型的NP-hard组合优化问题,遗传算法是求解此类问题的一种方法,但它存在如何较快地找到全局最优解,并防止“早熟”收敛的问题。针对上述问题并结合TSP问题的特点,提出将遗传算法与模拟退火算法相结合形成遗传模拟退火算法。为了解决群体的多样性和收敛速度的矛盾,采用了部分近邻法来生成初始种群,生成的初始种群优于随机产生初始种群。仿真实验结果证明,该算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高。     

遗传算法与模拟退火算法在最小权三角剖分中的比较

针对平面点集的最小权三角剖分问题,在实测的基础上．首先得出遗传算法和模拟退火算法的优良参数,然后在优良参数的条件下进行运行效率上的比较．所得结论为在点集规模较大时,模拟退火算法明显优于遗传算法。所得结论对于采用这两种算法解决其他问题也具有借鉴意义。