基于混合遗传克隆算法的关联规则挖掘

针对在数据挖掘应用中关联规则挖掘的问题,给出一种基于混合遗传克隆算法的关联规则挖掘方法,该算法将遗传算法和克隆算法优点相结合,通过克隆操作来产生一组新的个体,独立地对所产生的各个体进行变异,交叉操作,同时采用自适应方式动态选取交叉和变异概率,有效地克服了遗传算法容易陷入局部最优的缺点,从而求得问题的最优解。实验结果表明,该方法能高效地解决关联规则挖掘问题。     

基于数据仓库的多目标优化遗传算法

基于数据仓库的多目标优化遗传算法为解决多目标优化问题提供了有效的途径。其基本思想是:为求Pareto最优解的多目标优化遗传算法建立一个数据仓库,将进化过程中所产生的每一代Pareto最优解放入数据仓库中,在每一代先对数据仓库中的所有个体进行求Pareto最优解运算,淘汰掉劣解,再进行个体间的欧氏距离运算,将小于指定值的其中一个个体作为劣解处理。大量的计算机仿真计算表明,这种算法不仅能够有效地避免交叉或变异操作对Pareto最优解产生的破坏,而且进化速度极快,算法稳定,一般只需20￣40代的运算,即可得到分布广泛的Pareto最优解。     

基于数据仓库的多目标优化遗传算法

基于数据仓库的多目标优化遗传算法为解决多目标优化问题提供了有效的途径。其基本思想是：为求Pareto最优解的多目标优化遗传算法建立一个数据仓库，将进化过程中所产生的每一代Pareto最优解放入数据仓库中，在每一代先对数据仓库中的所有个体进行求Pareto最优解运算，淘汰掉劣解，再进行个体间的欧氏距离运算，将小于指定值的其中一个个体作为劣解处理。大量的计算机仿真计算表明，这种算法不仅能够有效地避免交叉或变异操作对Pareto最优解产生的破坏。而且进化速度极快，算法稳定，一般只需20-40代的运算．即可得到分布广泛的Pareto最优解。     

改进的蜜蜂进化型遗传算法

提出一种改进的蜜蜂进化型遗传算法.在该算法中,种群的最优个体作为蜂王与被选的每个个体(雄蜂)以一定概率进行交叉操作,从而增强了对种群最优个体所包含信息的开采能力;同时,为了避免过早收敛,算法在种群次优解周围进行局部搜索,引入新的随机个体,增加算法的多样性.实验结果表明,该算法能有效地提高遗传算法性能的求解精度和收敛速度.     

改进的模糊交叉算子及其在CGA中的应用

基于标准化适应值信息,提出改进的模糊交叉算子,并应用到细胞状遗传算法(CGA)中。在具有局部搜索倾向的交叉操作中,该算子能使后代更偏向于适应值高的父体。在具有全局搜索倾向的交叉操作中,能使较差个体在更大范围内进行搜索,有效地引导CGA算法向全局最优解的方向收敛。仿真实验结果表明,基于改进模糊交叉算子的CGA算法性能更好。     

一种多模态单亲遗传算法

遗传算法在处理复杂的、多模态优化问题时常不十分有效,很难同时搜索多个峰点.这主要是由全局选择机制和交叉算子引起的.针对上述不足,本文提出了一种多模态单亲遗传算法,目标不是发现一个最优解而是多个最优或次优解的集合.主要是对交叉算子和选择机制作了改进,群体中个体能较好地保留自己的遗传特性,大大增强了种群个体的分散性.该方法不仅易实现并行或分布计算,且群体规模可以任意选取.仿真结果验证了算法的有效性.     

一种改进并行遗传算法解决TSP

针对旅行商问题（Travelling Salesman Problem,TSP）的遗传算法的大规模操作,需要大量运算时间而且容易造成局部最优解,提出一种并行混合遗传算法。该方法基于MPI并行环境,利用种群中选择、交叉、变异操作的并行化,将种群中个体平均的分配到处理器中进行操作,有效地避免局部最优解的出现和减少算法的运行时间。实验证明该方法相对于简单遗传算法具有更强全局寻优能力以及耗费更少的操作时间。     

求解车辆路径安排问题的混合遗传算法

讨论了具有容量限制的车辆路径安排问题,设计了一个高效混合遗传算法。针对简单遗传算法易收敛于局部最优解的缺点,算法设计了交叉规则和选择策略。只有当两个个体的评价函数值满足一定条件时,才能进行交叉操作。采用优良个体保留策略执行选择操作,设计了保留函数。算法依据顶点间的位置关系,设计了优化策略,在每代进化中按概率选择一定数量的个体执行优化操作。数据实验表明,该算法是一个有效的求解车辆路径安排问题的混合遗传算法。     

基于自适应遗传算法的防空兵最优火力配置

基于遗传算法的防空兵最优火力配置,运用战场目标价值和防空兵火力配置情况建立。最大限度发挥武器火力单位效能并达到最大毁伤效果。步骤包括：采用实数编码,通过构建染色体,生成初始群种;计算适应度,检验初始群种;操作遗传算子并改进选择、交叉、变异等操作。最后求解最优解,找出最优的配置方案。在该算法中,提出了1种既考虑进化代数对算法的影响,又考虑到每代不同个体适应度作用的自适应交叉概率和变异概率。     

基于改进遗传算法的电气设备仓库货位优化

货位分配问题是自动化立体仓库优化的关键。针对传统遗传算法难以收敛至全局最优解的问题,提出了一种改进遗传算法的电气设备仓库货位优化方法。该方法根据优化目标构建了数学模型,使用拉丁超立方抽样法对算法初始化环节进行优化;为了克服遗传算法的局部搜索能力差和收敛速度慢问题,使用改进自适应交叉变异及逆转操作和模拟退火操作构成改进模拟退火遗传算法。实验结果表明,相比于传统遗传算法的求解结果,改进算法显著提高了对目标函数的优化,并且其收敛性和稳定性更佳,该算法在实际工程应用中提出了有效的解决方案。     

基于改进蜂群算法的K-means算法

针对标准人工蜂群算法搜索效率低、收敛速度慢等缺点提出一种改进的人工蜂群算法.通过引入算术交叉操作以及利用最优解指导搜索方向,增加算法收敛的速度.在7个基准函数上的测试结果表明了算法的有效性.在此基础上,针对K-means算法的缺点提出基于改进蜂群算法的K-means算法,并加入自动获得最佳聚类数的功能.在人工数据集和UCI真实数据集上的测试验证了所提出算法的性能.     

基于云遗传退火的贝叶斯网络结构学习算法

针对贝叶斯网络结构学习对算法高效性的要求,提出将云遗传算法和模拟退火算法相结合的云遗传模拟退火算法,以云遗传算法的选择、云交叉和云变异来完成模拟退火算法中的更新解操作;同时,针对算法在特定条件下陷入早熟收敛的问题,提出了改进的云交叉算子和云变异算子。仿真实验结果表明,所提云遗传模拟退火算法能有效提高贝叶斯网络学习的效率和准确性。     

基于图染色理论和遗传蜂群算法的并行测试任务调度

针对并行测试中任务优化调度这一关键性问题,提出了一种图染色理论和遗传蜂群算法相结合的任务调度优化算法.首先,建立了基于图染色理论的并行测试任务关系模型,用图来描述测试任务占用仪器资源的情况;然后, 在测试任务关系模型的基础上,将遗传算法特有的交叉、变异操作与人工蜂群(ABC)算法相结合搜索最优解,能够有效避免算法早熟并且加速算法收敛;最终得到并行度最大的任务分组方案.经仿真验证,所提方法能有效地实现并行测试,提高自动测试系统的测试效率.     

多交叉混沌选择反向小生境遗传算法

为提高小生境遗传算法的全局以及局部搜索能力,提出一种多交叉混沌选择反向小生境遗传算法。利用分段线性混沌映射函数生成一组混沌数序列,在每次进行交叉操作前,依据序列中对应元素的数值大小选择不同的交叉算子进行操作,通过小生境遗传算法产生较优的子代种群。针对子代种群,应用反向搜索策略获得反向种群,在子代种群和反向种群中进行精英选择得到最终新种群,以进一步加强算法的局部寻优能力。仿真实验结果表明,该算法在最优解及均值方面好于小生境遗传算法,从而证明其可行性和优越性。     

机械手三维操作空间建立与路径规划

针对传统路径规划算法在机械手路径规划中未考虑机械臂干涉、搜索效率低、路径不合理等问题,在建立了机械手空间模型,采用二次投影法分析和计算机械手操作空间的基础上,将障碍模型和操作空间栅格化,并提出了改进的遗传算法。在遗传算法的设计中,使用实数编码和三维坐标编码相结合的编码方式将栅格进行编码,改进交叉算子,定义最小基因交叉片段数量比,提高了搜索效率,简化了计算过程。通过Matlab建立了机械手仿真模型,验证了算法的有效性,且在实验条件和实验对象等各项参数相同的情况下,相对于传统路径规划算法,搜索效率,最优路径比等得到明显提升。     

一种新的混合遗传算法求解旅行商问题

提出一种改进的混合遗传算法来求解TSP问题。在传统遗传算法基础上,杂交算子部分引入郭涛算法,使得算法保持较好的多样性和全局搜索能力,从而克服了传统遗传算法过早收敛的缺陷;变异算子引入粒子群算法,以加速算法收敛速度并提高求解精度,使其更快地找到最优解。通过TSPLIB大量经典实例验证,该算法均能快速找到比现有最优结果更好的解。     

基于多路规划遗传算法的负载均衡方法

在负载均衡问题中,负载调度方法足核心,它的好坏直接影响均衡系统的性能.提出一种基于多路规划遗传算法的服务器端负载均衡算法.该方法借鉴生物界自然选择和自然遗传机制,模拟自然进化过程搜索最优解,为负载均衡问题提供了新的计算模型.同时,多路规划(多次交叉或变异)后取最优策略的应用,使得多路规划遗传算法的优化性能大为提高.该方法降低了服务器端请求的响应时间,提高了服务器端CPU的利用率,从而改善了系统性能.数据实例表明,该方法是可行的、正确的和有效的.     

求解背包问题的一种改进遗传算法

讨论了遗传算法在问题求解中的早熟现象,引进一个参数用以衡量种群中染色体的相似程度,用以增加种群的多样性;在杂交和变异运算过程中,混合了模拟退火思想作为新个体的接受准则;通常的变异算子需要扫描每一个染色体中每一个等位基因,提出一种新的变异方式,大大提高了算法搜索效率。通过实际计算比较表明,该改进遗传算法在背包问题求解中具有很好的收敛性、稳定性和计算效率。     

基于遗传交叉和多混沌策略改进的粒子群优化算法

为有效改进基本PSO算法的搜索能力,提出了一种基于遗传交叉和多混沌方式改进的粒子群算法。该算法为获得比当前群体更优的最优解,采用了以下四种措施：其一,对当前群体中的最优解和每个粒子最优解进行遗传交叉操作;其二,用混沌系统动态地调整PSO算法的惯性权重;其三,对整个解空间进行混沌全局搜索;最后,对当前群体中最优解进行多维和单维的混沌局部搜索。仿真实验结果表明：与其它三种算法相比,提出的算法在解决8个整数和混合整数非线性规划问题时不仅收敛速度最快,而且具有100%的成功率。     

一种基于有向交叉的遗传算法

从解空间的角度分析了交叉算子的作用,针对其盲目搜索的缺陷.提出一种有向交叉遗传算子.该算子通过优化控制交叉子代的落点位置.使交叉子代大概率地朝着最优解的方向进化.实验表明,该算子显著地加快了遗传算法的寻优速度.提高了遗传算法定位最优解的精度.