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。     

协同进化遗传算法及其应用

介绍了协同进化遗传算法及其实际应用,大量的实验数据表明,它的性能明显优于传统的遗传算法,而且对不同的协同进化方法进行了对比。由此本文提出用协同进化遗传算法来解决入侵响应问题,以提高响应的速度和效率,最后预测了协同进化遗传算法的发展方向和应用。     

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。     

自动区域划分的分区域搜索狭义遗传算法

用数学方法难以解决函数优化中的区域划分问题．为此,提出了用狭义遗传算法实现区域划分的方法．实现了基于自动区域划分的分区域搜索的狭义遗传算法,阐述了分区域搜索的控制策略。从理论上分析了基于自动区域划分的区域搜索的狭义遗传算法是全局收敛的,并具有收敛速度快、搜索过程稳定性高、可控制性强、便于并行实现等特点．最衙提出了有待研究的问题。     

基于协同进化遗传算法的神经网络优化

人工神经网络的结构设计没有系统的规律可循,而基于梯度的神经网络参数优化又易于陷入局部最优解.该文研究了用带退化的协同进化遗传算法来优化神经网络结构,同时优化网络参数.将网络参数作为实数编码基因进行遗传选择,参数个体的受损率超过退化阀值时发生结构退化.退化进程由协同进化的控制个体动态控制.实验证明,该方案能够有效简化神经网络的结构和得到最优网络参数,收敛速度比常规遗传算法快.     

基于协同进化遗传算法的自动谈判

提出了基于协同进化遗传算法的自动谈判算法,模拟了有限期轮流出价谈判协议中的策略学习机制。实验结果表明,基于协同进化的自动谈判能够生成近似于子博弈完美均衡的策略组合,具有良好的应用前景。 自动谈判;协同进化;遗传算法;轮流出价     

双精英协同进化遗传算法

针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elite coevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高.     

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。     

一种结合Tabu 搜索的非线性遗传算法研究

利用Tabu搜索的强大局部搜索性能,提出一种新的非线性遗传算法．该方法将Tabu搜索技术内嵌于遗传算子中,构造了基于Tabu搜索的非线性杂交及变异算子,它能有效地提高算子的局部搜索能力,通过实例仿真证明了该算法的有效性;同时,以“平均截止代数”和“平均截止代数分布熵”作为评价指标,对该方法的优化效率进行研究,定量评价了该方法的优化效率,通过与实数遗传算法进行比较,说明了该方法的优化效率高于实数遗传算法．     

基于遗传算法和禁忌搜索的混合优化策略

将禁忌搜索和遗传算法相结合,给出了一种求解优化问题的混合策略--禁忌遗传优化算法.该算法一方面为禁忌搜索找到了较好的初始点,减少了调用禁忌搜索的次数,另一方面也可以克服遗传算法爬山能力差的缺点,从而加快了收敛速度,提高了解的质量.通过实例验证了该优化算法的有效性和可靠性,并将其用于网络拥塞控制的研究中,为进一步实施网络拥塞控制提供了一种有效的途径.     

一种分层协同进化学习方法及其在机器人追踪中的应用

本文在分析了密歇根方法和匹茨堡方法的基础上,提出了一种新型分层协同进化学习方法。该方法由上述两类 种群构成,此两类种群分别属于不同的智能层次,进行协同进化来实现智能,种群内部各自独立地采取不同的遗传操 作,种群之间使用交互算法进行交流。实验表明：该方法能改善分类器系统的短视特性并提高其智能。     

基于递阶嵌套GA 的空-地武器靶场效能大规模总体优化

针对大规模优化问题，其大系统分解协调算法存在收敛速度慢、计算时间长、易导致组合爆炸等不足，以空-地制导武器大规模火力规划问题为背景，提出一种递阶嵌套GA．其基本思想是通过分层降低计算复杂性，从而有效解决大规模火力规划问题求解的可计算性问题．递阶嵌套GA由内外两层构成。内层GA实现对各子模型的求解，并将求解结果传送给外层GA；外层GA则通过遗传操作对内层GA发生干预．仿真算例验证了算法的有效性．     

一种基于混沌搜索的自适应入侵遗传算法

将生物系统中“入侵”的概念引入遗传算法,提出了一种基于混沌搜索的自适应入侵遗传算法。该算法动态地引入入侵种群,并采用混沌搜索产生入侵个体。入侵种群的扩散使优良基因得以在个体间传播,优化了种群的基因构成,能够促使种群跳出局部最小,并向全局最优的方向进化,从而有效地避免了遗传算法的早熟现象。将该算法用于函数优化及解决模式分类问题的神经网络参数训练,实验结果表明,该算法具有较快的收敛速度和较强的寻优能力。     

基于遗传禁忌搜索的网格资源选择算法

资源是网格的主体,建立网格的目的就是要管理好的各种网格资源,最大程度地实现资源共享.把网格上的资源和用户请求进行匹配,把合适的可用资源提供给用户使用是网格管理的核心内容.分析了目前常用的资源选择算法,并在此基础上,提出了一种新的算法.该算法结合了遗传算法和禁忌搜索算法的优点,利用禁忌搜索中的禁忌列表来对遗传算法中交换进行有效的限制,避免进入局部搜索.最后通过试验将新算法与遗传算法进行比较.     

自适应搜索区域的微粒群优化算法

基于基本微粒群优化算法搜索后期,众多微粒都拥挤在历史最优位置周围进行重复性无效搜索这一现象,提出一种改进的微粒群算法--自适应搜索区域的微粒群优化算法,其主要思想为:每当搜索进行到当前设定的一个最大迭代次数时(即,微粒在全局历史最优位置周围徘徊进行无效搜索时),在原搜索区域的基础上,重新构造一个较小的搜索区域,并重新初始化微粒,继续进行搜索,最终获得最优解.对3个常用标准测试函数进行优化计算,仿真结果表明,该算法具有比基本微粒群优化算法更好的优化性能.     

一种基于遗传算法的进化计算模型

提出一种基于遗传算法的进化计算模型(ECM).在ECM的种群中,每个成员都根据其适应度值不同程度地影响着种群的进化.ECM定义了个体对进化的影响因子,并以个体的影响因子为参数定义了个体的形成算子.分析表明,ECM是采用算术交叉算子的两父辈遗传算法以及采用频率扫描交叉算子的多父辈交叉遗传算法的推广,形成操作是父代群体编码的凸组合.实验研究显示,ECM具有比经典遗传算法更强的优化计算功能.     

基于遗传禁忌算法结合解决排课问题

排课问题是一典型NP-Hard问题，通常可以使用遗传算法进行解决，把遗传算法与局部搜索方法禁忌算法有机结合起来，是改进遗传算法性能的一个卓有成效的方法。使用遗传禁忌算法解决排课问题，并且通过改变个体适应度的计算方法，避免了排课中课表的两极分化现象。通过实验，该方法可以取得较好的排课结果。     

A novel hybrid algorithm of gravitational search algorithm with genetic algorithm for multi-level thresholding

The multi-level thresholding is a popular method for image segmentation. However, the method is computationally expensive and suffers from premature convergence when level increases. To solve the two problems, this paper presents an advanced version of gravitational search algorithm (GSA), namely hybrid algorithm of GSA with genetic algorithm (GA) (GSA-GA) for multi-level thresholding. In GSA-GA, when premature convergence occurred, the roulette selection and discrete mutation operators of GA are introduced to diversify the population and escape from premature convergence. The introduction of these operators therefore promotes GSA-GA to perform faster and more accurate multi-level image thresholding. In this paper, two common criteria (1) entropy and (2) between-class variance were utilized as fitness functions. Experiments have been performed on six test images using various numbers of thresholds. The experimental results were compared with standard GSA and three state-of-art GSA variants. Comparison results showed that the GSA-GA produced superior or comparative segmentation accuracy in both entropy and between-class variance criteria. Moreover, the statistical significance test demonstrated that GSA-GA significantly reduce the computational complexity for all of the tested images.