基于主动进化遗传算法的模糊聚类技术

为解决基于遗传算法的模糊聚类方法所存在的执行效率低的问题，将定向变异的思想引入到标准遗传算法领域，提出了一种基于主动进化遗传算法的模糊聚类技术，并将该技术应用到模糊聚类问题上．     

一种新型的基于遗传算法的进化模糊推理系统

介绍了遗传算法和进化模糊推理系统的融合方式及结构,应用一种新型的基于遗传算法的进化模糊推理系统动态自适应的在线学习和离线学习。使用进化聚类方法,模糊规则在系统执行过程中进行创建和更新,并且采用遗传算法优化进化聚类的结果,修改成员的隶属度函数,通过模糊推理系统计算系统的输出。     

基于改进遗传算法的D2D资源分配策略

针对D2D（Device to device, D2D）通信技术在蜂窝系统中的资源分配与干扰问题,提出一种基于改进遗传算法的D2D资源分配策略。首先,确定保证蜂窝用户和D2D用户通信质量的功率范围,然后提出一种改进的遗传算法来确定D2D的最佳发射功率,最大化系统吞吐量。该算法在保证蜂窝系统服务质量（Quality-of-service, QoS）的同时,让交叉算子和变异算子随进化代数进行自适应变化,从而达到全局最优。仿真结果表明,本文所提算法可有效提升系统吞吐量并提高D2D用户的信道利用率。     

一种基于并行遗传算法的网格资源分配方法

提出了基于并行遗传算法的网格资源分配方法,并采用粗粒度模型设计了该并行算法。为了评估该并行算法的性能,在PC集群上实现了该并行算法和一个串行遗传算法。通过比较两个算法的执行时间和解的质量,说明了并行算法极大地提高了求解的速度和质量,是一种高效的资源分配方法。     

基于主动进化的遗传算法

根据当前遗传学和生物进化论中对变异方式的研究成果．将定向变异的思想引入到标准遗传算法领域，提出了一种基于主动进化的遗传算法．这种改进的遗传算法，可以在很大程度上克服现有遗传算法执行效率低的问题．我们将这种方法应用到TSP问题中，取得满意的实验结果、     

基于进化遗传算法的优化计算

针对经典遗传算法在优化计算中存在的弊端,提出进化遗传算法.在染色体基因位编码方式、交叉与变异算子、适合度函数设计、候选解染色体选取方式及收敛准则等方面做了改进.通过对极难优化的Shekel类函数等的优化计算,说明该算法具有良好的全局搜索能力和较快的收敛速度.     

基于协同进化的自适应遗传算法研究

针对传统遗传算法易于陷入局部最优解,性能不稳定的问题,提出了一种基于协同进化的自适应遗传算法（CEAGA）。在协同进化的两层框架模型的基础上,引入一个自适应的变异策略,改进了协同进化遗传算法中的局部进化操作,加强了在上层中的局部搜索;在下层,在种群之间采用协同进化算法,克服未成熟收敛,在种群内部进化中引入自适应遗传操作,保护种群中的优秀个体。实验验证CEAGA既具有很快的收敛速度,又具有很好的全局搜索性能。     

基于混合思维进化计算的网格资源分配算法

分布式、异构的网格环境中独立计算任务的有效调度是一个关键问题。由于在这样的环境中找到一个最优的调度是一个NP难问题,通常运用各种启发式算法来找到近似最优解。本文将思维进化计算和禁忌搜索算法结合起来,充分发挥各自的优势,并用实验证明了运用混合思维进化计算进行网格资源分配的有效性。     

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。     

基于自适应遗传算法的OFDMA系统跨层资源分配问题研究

OFDMA系统中的跨层资源分配问题是目前的研究热点。本文提出了基于自适应遗传算法的OFDMA系统跨层资源分配算法,利用自适应遗传算法群体多样性的特点提高算法的全局搜索能力,较好地解决了跨层资源分配问题。仿真结果表明,在满足用户间公平性的前提下,本文提出的改进算法有效提高了系统的频谱利用率及吞吐量,减小了用户的平均等待时延,提高服务质量。     

引入进化梯度的改进小生境遗传算法

针对基本遗传算法易于早熟及局部寻优能力较差等不足,提出了一种引入进化梯度的改进小生境混合遗传算法(GNGA)。利用进化梯度信息调整个体向更优解进化,并根据进化代数自适应调整实数编码个体的交叉量和变异量,增强了局部寻优能力和解的精度。基于排挤的小生境算法的引入,保持了种群的个体多样性以克服早熟。在Shubert函数上的仿真结果表明,与小生境遗传算法相比该算法能有效提高解的精度及收敛速度,找到更多最优解。     

基于协同进化遗传算法的地域选取方法

地域选取是基于GIS（Geographic Information System）的辅助决策系统的关键技术之一，多目标选取是其中的难点。协同进化遗传算法是传统遗传算法的改进，考虑了种群之间的相互作用。文中将协同进化遗传算法应用到了多目标地域选取中，采用了实数的染色体编码方式，改进了选择和变异算子。并在指挥所配置实验中运用该方法成功地解决了问题。     

基于协同进化遗传算法的地域选取方法

地域选取是基于GIS(Geographic Information System)的辅助决策系统的关键技术之一,多目标选取是其中的难点。协同进化遗传算法是传统遗传算法的改进,考虑了种群之间的相互作用。文中将协同进化遗传算法应用到了多目标地域选取中,采用了实数的染色体编码方式,改进了选择和变异算子。并在指挥所配置实验中运用该方法成功地解决了问题。     

数据聚类的共同进化方法

共同进化算法是一种新的进化算法,由于它采用了解空间分离编码,能有效地克服一般进化算法中固有的早熟收敛问题。该文针对数据聚类问题——当前数据挖掘与探查性数据分析中的一个重要课题——将数据聚类问题抽象成为一个赋值图的分割问题,应用共同进化算法来加以解决,使得聚类的结果不必依赖于初始聚类中心,并对该算法的性能加以分析。将该算法与一般的遗传算法相比较,通过实验证明了该算法的优越性能。     

逻辑承载网构建方法的研究

面向服务提供的一体化承载网(UCN)的提出,增强了网络的可扩展性和可升级性,为实现三网融合提供了新的思路.如何有效管理UCN资源信息并且在物理资源有限的条件下构建出满足用户需求的逻辑承载网(LCN),是UCN研究中亟待解决的重点.文中给出了UCN的管理体系结构;提出了解决UCN资源拓扑发现和信息一致性问题的方法;建立了LCN构建数学模型,在构建策略的若干重要原则基础上,提出了带迁移同时考虑网络均衡的LCN构建方法;通过仿真实验,从构建需求接收率和构建后的平均链路利用率两个方面验证了该方法的有效性.     

基于蜂王进化遗传算法的特征匹配方法

提出了一种新颖的基于蜂王进化遗传算法的特征匹配方法,采用改进版Harris角点检测器提取出特征点,设计了一种新的染色体编码方法对特征点间的匹配关系进行编码,并相应为其开发了有效的交叉和变异操作,考虑5种匹配约束条件,利用蜂王进化机制和线性排队选择以及优胜替换,迅速获得全局最优解。实验结果表明该方法实现了快速、准确的角点匹配。     

基于协同进化遗传算法的模型拟合研究

普通遗传进化算法在解决模型拟合问题中,建模与优化顺序结构时优化效果有限、拟合速度慢、稳定性低。针对上述问题,提出基于协同进化遗传算法的模型拟合算法。该算法将建模与优化问题抽象成多种群间协同进化,通过种群间整体的适应度值交换,将种群关联起来,扩大智能算法建模过程中参数优化的时空作用范围。各种群间含有不同基因表达,在解决局部问题时具有自包含性,有利于更好地发挥各智能算法(遗传算法、遗传规划)的优势。实验结果表明,该算法的稳定性和收敛速度优于传统遗传进化算法。     

容器云中基于改进遗传算法的资源分配策略

容器很容易针对Web应用程序提供包装、迁移和配置等服务,近年来已成为研究热点;提出了容器云中基于改进遗传算法的资源分配策略Double-GA;Double-GA是一种包括两个层次的资源分配策略:容器到虚拟机的资源分配和虚拟机到物理主机的资源分配;设计了容器云的两层资源分配的数学模型,以容器云中的整体物理主机能量消耗作为Double-GA策略的目标函数;Double-GA以遗传算法为基础,设计了双染色体的表达方式并处理好了遗传算法的初始化、进化、交叉、变异等操作;真实的实验实例数据结果表明:Double-GA双染色体算法明显优于普通遗传算法GA和递减最好适用算法。     

基于遗传算法的自适应文本模糊聚类研究

针对FCM聚类算法时初始聚类中心的选择敏感,以及聚类数C难以确定的问题,提出一种基于遗传算法的自适应文本模糊聚类方法.该方法首先将文档集合表示成向量空间模型,并采用一种新型的可变长染色体编码方案,随机选择文本向量作为初始聚类中心形成染色体,然后结合FCM算法的高效性和遗传算法的全局优化能力,通过遗传进化,有效地避免了局部最优解的出现,同时得到了优化的聚类数目和聚类结果.实验表明该算法是一种精确高效的文本聚类方法.     

基于遗传算法的图像压缩

用基于图像像素的遗传聚类算法分析图像压缩问题,要解决的主要问题是找到一种能有效地处理这种聚类的算法.如今用遗传算法来解决聚类问题正在被研究.用遗传算法得到一个有序的图像像素序列,然后进行聚类获得压缩.结果表明在图像压缩问题中,遗传算法是一种有效的、可靠的优化算法,具有一定的实用价值.