基于免疫遗传算法的煤与瓦斯突出预测研究

根据影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂的非线性映射关系,建立了突出强度预测的BP网络模型.针对BP网络收敛速度慢和易陷入局部极小值及基于遗传算法的BP网络易出现未成熟收敛问题,提出了一种基于免疫遗传算法(IGA)的BP网络,即利用IGA实现对BP网络的优化.IGA在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.结果表明:将基于IGA的BP网络应用于煤与瓦斯突出强度预测,该算法设计的BP网络具有较快的收敛速度和较强的全局收敛性能,在煤与瓦斯突出预测中取得了良好效果.     

基于种群动态分群策略的改进遗传算法无人机基站调度优化算法

面向构建应急通信网络中的无人机基站调度问题,提出一种基于种群动态分群策略的改进遗传算法,以实现无人机基站快速灵活调度。针对传统遗传算法性能对初始种群质量依赖性较强的问题,设计基于约束条件筛选的初始种群随机生成方法;针对传统遗传算法收敛速度较慢且当初始种群过度聚集容易陷入局部最优解的问题,提出种群进化动态分群策略,按适应度将种群划分为两个子种群,并分别设计动态交叉及变异概率。仿真实验结果表明,改进后的遗传算法收敛速度和全局寻优能力都有显著提高。     

一种基于遗传算法的S盒优化设计

针对基本遗传算法"爬山"能力弱,有"早熟"特征,寻优效率比较低的不足,提出一种基于遗传算法的S盒的优化设计。在初始种群的生成过程中加入由先验知识产生的部分性能较优的S盒,在一定程度上提高收敛速度和收敛效果;在遗传算子操作中采用最优个体保存法选择策略,可以大大减少额外的计算量;采用Davis顺序交叉法进行交叉操作,引入进化逆转变异法进行变异操作,补偿群体中多样性易损失的不足,同时能够提高算法的搜索效率,加快收敛速度。仿真实验结果表明,本算法构造的S盒在密码学性能、收敛速度和适应度值方面都有很好的改善。     

免疫遗传网络在涡流无损检测中的应用

针对传统的遗传BP算法存在过早收敛的缺点,在涡流无损检测的缺陷快速识别中,提出采用免疫遗传算法(IGA)作为神经网络的学习算法.结果表明,与遗传BP神经网络相比,免疫GA(IGA)神经网络的收敛性能和推广能力都有了显著提高.     

基于改进GA的云计算任务调度策略

针对传统遗传算法在云计算任务调度过程中的收敛速度慢和易早熟等问题,提出了一种基于遗传优化算法的双适应度函数改进算法.该算法采用任务完成时间和任务完成成本为双适应度函数,引入个体相似度概念来提高种群质量;采用并列选择法进行选择操作,并且采用自适应规则约束交叉和变异操作,提高种群个体质量,加速进化策略可以有效地避免早熟.结果表明,改进的遗传算法有效地加快了云任务作业调度的收敛速度,并改善了易早熟等现象.     

改进自适应遗传算法在函数优化中的应用研究

为了改善传统自适应遗传算法的收敛速度以及局部收敛问题,根据种群适应度的集中程度,以种群的最大适应度、最小适应度以及适应度平均值这3个变量为基础,设计了改进的自适应交叉概率和变异概率来调整整个种群的交叉概率和变异概率,提出了一种基于种群适应度集中程度的改进自适应遗传算法.将该算法应用于函数优化中,仿真结果验证了其具有"快速收敛"的特点,且在很大程度上可避免遗传算法的早熟现象.     

基于改进型遗传算法的AUV路径规划

针对基本遗传算法求解AUV路径规划问题时存在收敛速度慢等缺陷,提出一种基于改进型遗传算法（IGA）的路径规划方法,该方法采用改进的遗传算法、具有明确物理意义的适应度函数,提高了算法搜索的速度和优化的程度,解决了AUV多目标优化的路径规划问题。仿真试验结果证明：该方法是正确有效、稳定的,并且比基本遗传算法得到的路径更优,收敛速度得到显著提高。     

基于变异算子的云计算任务调度算法

为了高效调度云计算中海量的任务,提出一种改进遗传算法（IGA）,将变异操作分为两种：变异操作a和变异操作b变异操作a为随机位置的基因值变异,而变异操作b则是先找出满足一定条件的基因位置,再将该位置的基因值变异成目标基因值,使得每次变异后的染色体都优于变异前的染色体.在算法的前期使用变异操作a,在算法后期即将收敛于最优解时,采用变异操作b以加快收敛的速度 为了避免改进变异操作使算法陷入局部解,在种群初始化时,采用染色体匹配率的方式选择初始化种群,使其均匀的分布在整个解空间上.实验仿真结果表明,改进算法不但使最终完成时间更短,收敛效率更高,而且可以在一定程度上均衡负载,能更有效地实现任务调度.     

求解JSP问题的改进遗传算法

作业车间调度是一类求解困难的组合优化问题，使用改进的遗传算法来求解。GA有新解产生盲目性的特点，以搜索效率为目标提出了一种改进的遗传算法，在解的搜索过程中，通过禁忌表操作来评价种群。改进的遗传算法在保持群体多样性的同时，加快了遗传算法的收敛速度，将该算法用于典型作业车间调度问题的测试，找到了已公布的最优解，对超大规模的问题还有待进一步研究。     

基于K-近邻域搜索的遗传算法求解旅行商问题

针对传统遗传算法在求解旅行商问题时存在容易陷入局部最优和运算时间较长的问题,着重考虑影响算法局部搜索能力和种群多样性保持两个方面的因素,提出改进策略.将交叉变异产生的新个体与父代种群合并后剔除重复个体,再选择优势个体作为新种群,防止种群中适应度值较低但具有优质基因的个体被剔除,促进种群多样性的发展;通过分析旅行商问题的内在特性,采用K-近邻域搜索的方式减少变异算子的无效操作,提高算法局部搜索能力及算法寻优效率.实验结果表明：与BLS算法相比,改进遗传算法的平均解误差降低了15.36%;相较于传统遗传算法,应用新型变异算子的改进遗传算法收敛速度明显提高.全精英选择法能较好地保持种群多样性,新型启发式变异算子在全局搜索的同时加强了局部搜索能力,对提高算法求解精度和寻优效率都有较好的效果.     

车用无刷直流电机转速控制系统设计及仿真

以新型4相24极车用无刷直流电动机为研究对象,采用改进遗传算法对其转速控制系统进行了优化设计.该遗传算法在相当程度上解决了标准遗传算法搜索效率低和早熟收敛的问题.仿真结果表明：相对于传统的3相6拍无剧直流电动机,采用改进遗传算法转速控制系统的4相24极无刷直流电动机具有转矩脉动较低、输出相应快速、稳态性能好以及抗干扰能力强等优点.     

基于满意域和禁忌域的交互式遗传算法

针对交互式遗传算法中用户易疲劳问题，提出求同算子与求异算子，基于此给出搜索空间的划分及演化方法，提出基于满意域和禁忌域的交互式遗传算法，该方法可以引导遗传算法在不断缩小的空间中产生新个体，从而提高收敛速度，减少进化代数，达到减轻用户疲劳的目的．利用此方法进行服装设计的实验结果表明，该方法可以有效解决用户疲劳问题。     

基于联赛评价和知识提取的交互式遗传算法

交互式遗传算法基于用户评价获得进化个体适应值,是解决性能指标难以(无法)显式描述的复杂优化问题的有效方法.为有效解决交互式遗传算法的用户疲劳问题,提高算法的整体性能,提出了一种基于有向图提取进化知识的高性能交互式遗传算法.首先,基于进化种群构造联赛评价对,并确定进化个体的占优关系;然后,建立有向图,利用有向图节点的出度和入度计算进化个体适应值,并确定优势个体和建筑块;最后,基于建筑块生成新个体,参与种群后续进化.在服装进化设计系统中的应用结果表明,本文算法可有效减轻用户疲劳,提高算法的搜索能力.     

现代物流信息管理中配送车辆路线优化研究

在分析车辆路线问题（VRP）现有启发式算法的基础上，提出了求解该问题的一种改进遗传算法（IGA）。该方法的核心在于针对遗传算法的局部搜索能力的不足，在选择、交叉、变异等遗传操作之后，引入逆转换位算子，根据适应度是否增加，对新产生的染色体进行多次逆转操作。模拟计算结果表明，该改进遗传算法明显增强了群体演化的质量，提高了算法收敛速度。     

机组负荷优化的遗传-禁忌混合算法

针对遗传算法“爬山”能力差的缺点，提出在遗传算法中引入禁忌搜索操作来提高局部寻优能力，并应用遗传-禁忌混合算法进行了火电机组负荷优化研究.在遗传算法每计算一定代数后，将每个个体作为禁忌搜索的初始解进行搜索，可以改善群体质量，加快搜索速度.混合算法有效地综合了遗传算法的全局搜索能力和禁忌搜索算法的局部搜索能力，从而避免出现“早熟”现象，改善了算法的收敛性.应用某实例进行负荷优化计算，结果表明混合算法大大改善了局部搜索能力和搜索速度，可以有效解决机组在线负荷优化难题.     

基于IAHP的生产系统作业疲劳模糊综合评价

针对传统作业疲劳评价方法存在的不足,构建了生产系统作业疲劳综合评价指标体系,使用区间层次分析法对各个指标赋予权重,建立作业疲劳模糊综合评价模型,通过算例分析验证了该方法能够有效反映作业的疲劳等级,从而在引发疲劳的影响因素中探寻改善生产系统作业疲劳的策略。     

基于共享学习策略的微分进化算法

针对传统微分进化算法易发生早熟收敛问题,提出基于共享学习策略的微分进化算法（SLDE）,引入共享个体和共享学习因子。共享个体覆盖整个种群,较优个体可引导算法朝希望方向进化,较差个体则能维持种群的多样性,向共享个体学习可避免丢失个体信息,实现整个种群间的信息交换,有助于算法跳出局部最优解,提高算法的局部开采和全局勘探能力。同时,算法充分利用个体的进化信息,根据个体适应值到最优适应值的距离自适应地调整共享学习因子,以弥补随机个体对进化带来的随机性和盲目性,增强算法的搜索能力。采用22个不同特性的Benchmark测试函数对算法进行性能测试,与7种改进DE算法进行性能对比,实验结果表明,SLDE具有较强的跳出局部最优解能力,能显著减少进化代数,大幅地提高算法的收敛精度、收敛速度和稳定性,SLDE的全局优化性能整体上远优于其他改进DE算法。     

关于生物免疫遗传算法收敛性的一般讨论研究

针对免疫遗传算法收敛性质的研究非常缺乏,提出了利用随机过程理论和引入遗传吸收率、散射率
参数进行分析的方法.通过数学建模证明了免疫遗传算法所形成的种群序列的强马尔可夫性, 利用遗传吸
收率和散射率的计算，证明了在时间趋于无穷的情况下，该免疫遗传算法的概率弱收敛性.采用遗传吸收
率、散射率和小生境技术对于防治早熟概率的详细计算和对混沌算子的分析，得到了该免疫遗传算法实际
收敛效果的量化表示.研究结果表明, 该方法能简化分析计算过程，对于算法效果的改善、算法运行时的
参数选择具有较好的指向作用.     

Improved gravitational search algorithm for shaped beam forming

In view of the adverse effect of the random initial value on the performance and convergence speed of the gravitation search algorithm, a quasi-oppositional gravity search algorithm (QOGSA) is proposed. The quasi-oppositional based learning OBL is embedded into the GSA algorithm, the number of iteration is divided into multiple learning cycle, the oppositional probability is adjusted according to the success rate of the past learning cycle, and an adjustable oppositional probability is designed to optimize the timing of the mechanism in the evolution, which improves the speed of the algorithm to search for the optimal solution greatly. On this basis, in order to improve the population diversity, elite particles are retained to the next generation population. They replace the particles with a poor fitness value and acquire a higher optimization accuracy. Compared with the existing algorithms in the literature, the optimization accuracy of the QOGSA for the average optimal value of the single-peak and multi-peak test functions can be improved by 1016. For the shaping results of different types of beam, the optimization accuracy of the improved algorithm for the sidelobe can be improved from 1.26dB to 5.99dB. On the premise of the fastest convergence speed, the QOGSA can greatly avoid the problem that other optimization algorithms tend to fall into local optimization, with the overall performance being the best.     

一种Spark作业配置参数智能优化方法

Spark的配置参数对作业运行性能有较大影响,针对配置参数种类多、参数搜索空间大、参数间相互影响导致人工配置参数调优效率低下的问题,提出了一种Spark作业配置参数智能优化方法。本文首先在Spark众多配置参数中选择对作业运行性能影响较大的关键配置参数,建立典型Spark作业的运行数据集,利用支持向量回归算法,构建作业性能预测模型,通过改变数据集的规模,对比分析了模型预测值和作业的真实运行时间,模型评估指标证明了作业性能预测模型的有效性和准确性。其次基于作业性能预测模型,设计并实现了基于爬山算法、模拟退火算法、递归随机搜索算法以及粒子群算法的配置参数优化算法,并对几种算法的求解质量进行对比分析,实验表明递归随机搜索算法在几种不同类型的作业上收敛结果较优且标准差较小,证明该算法对不同类型作业的适应性较强、稳定性较好。将本文的智能优化配置与传统经验优化配置相比,实验结果表明,智能优化配置为典型Spark作业分别带来了4%、15%、22%的平均性能提升,证明智能优化配置能够高效地获取到具备较好作业适应性的配置,提升作业运行性能。