基于改进的选择算子和交叉算子的遗传算法

为了有效解决遗传算法中收敛速度与局部最优解的矛盾,文中提出了一种具有改进的选择算子和改进的交叉算子的遗传算法。使用文中改进的选择算子,能够增加算法收敛于全局最优解的概率,从而不容易陷入局部最优,也就增加了找到最优解的概率,使用文中改进的交叉算子可以加快算法的收敛速度,从而缩短寻找最优解的时间。实验证明,这两种改进算子的结合能以较快速度收敛于全局最优解,因此能很好地解决遗传算法中收敛速度与局部最优解之间的矛盾。     

基于改进的选择算子和交叉算子的遗传算法

为了有效解决遗传算法中收敛速度与局部最优解的矛盾,文中提出了一种具有改进的选择算子和改进的交叉算子的遗传算法。使用文中改进的选择算子,能够增加算法收敛于全局最优解的概率,从而不容易陷入局部最优,也就增加了找到最优解的概率,使用文中改进的交叉算子可以加快算法的收敛速度,从而缩短寻找最优解的时间。实验证明,这两种改进算子的结合能以较快速度收敛于全局最优解,因此能很好地解决遗传算法中收敛速度与局部最优解之间的矛盾。     

基于遗传交叉改进粒子群算法的充电站布局

为了合理地规划城市电动汽车充电站布局,采用一种基于遗传交叉改进粒子群算法的寻优处理方案。在传统粒子群算法的基础上,引入局部极值对速度更新公式进行优化,采用自适应惯性权重,并且对当前种群的最优解和每个粒子最优解进行交叉操作产生新解。最后通过改进后算法对城市算例进行求解。结果验证了模型的有效性和准确性,表明改进算法在保持全局最优解的同时能提高70%收敛速度,有效降低总成本、提高便利性。     

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。     

求解作业车间调度问题的改进遗传算法

使用遗传算法求解作业车间调度问题时,为了获得最优解,提高算法的收敛速度,提出了改进遗传算法.算法以最小化最大完工时间为优化目标,初始化时将种群规模扩大为原来的两倍以增加种群多样性;迭代时使用新的适应度函数让染色体间更易区分;通过轮盘赌法完成染色体选择;用POX(Precedence Operation Crossover)交叉算子完成交叉操作;用互换法完成变异操作;通过具有自我调节能力的交叉和变异概率不断地调整概率值来提高算法寻优能力和收敛速度.仿真结果表明,改进后的遗传算法收敛速度快,寻优能力强,获得的最优解优于标准遗传算法,更适用于作业车间的加工生产.     

基于遗传学的改进蚁群算法研究

为了进一步提高蚁群算法的收敛性能和搜索能力,利用遗传学的交叉和变异操作提出了一种改进的蚁群算法—G-蚁群算法,在每一代的搜索中对当前解和最优解进行交叉变异,以扩大解的搜索空间。通过对解决TSP(Traveling Salesman Problem)问题的实验表明,G-蚁群算法在收敛速度和解的全局性上有更优的性能。     

前向神经网络交叉覆盖算法的一种改进

对前向神经网络交叉覆盖算法进行了分析,在此基础上提出了一种改进的交叉覆盖神经网络模型,并给出其算法。实例表明这种改进算法不但可以进一步提高交叉覆盖算法的训练速度,而且可以减少拒识样本数,提高识别的精度,对样本分布较稀疏的模式识别问题具有较强的实用价值。     

基于惩罚机制的自适应交叉粒子群算法

粒子群算法存在容易陷入局部收敛的问题,尤其在求解约束条件优化问题时。提出一种基于惩罚机制的自适应交叉粒子群算法,其分3个层次克服局部收敛,获得最优解。首先引入交叉操作,根据粒子群进化过程中的种群多样性模型得到全局最优解。其次为求解约束优化问题,提出了基于惩罚机制的交叉粒子群算法,改进了H策略和简化了P策略惩罚机制。验证了所提算法在算法复杂度没有明显增加的情况下,性能得到了提高。最后分析得出在解决约束条件优化问题时,根据问题本身单峰和多峰的不同特性,粒子群算法的参数对收敛速度和最优解有关键影响。提出用通用公式计算参数,使算法得到最优解,从而推广粒子群算法的应用。     

前向神经网络交叉覆盖算法的一种改进

对前向神经网络交叉覆盖算法进行了分析,在此基础上提出了一种改进的交叉覆盖神经网络模型,并给出其算法.实例表明这种改进算法不但可以进一步提高交叉覆盖算法的训练速度,而且可以减少拒识样本数,提高识别的精度,对样本分布较稀疏的模式识别问题具有较强的实用价值.     

基于多变异个体的多目标差分进化改进算法

针对多目标差分进化算法在高维函数下收敛速度慢和易早熟的问题,提出一种基于多变异个体的多目标差分进化改进算法。通过在多目标差分进化算法的个体变异及交叉操作中,引入多个变异个体,使得在高维多目标函数情况下,多目标差分进化算法种群可以更好地保持多样性,减少种群陷入局部最优解的可能性,从而提高该算法在高维多目标优化问题环境下,最优值解的搜索速度及全局最优值解的查找能力。实验结果表明,在高维多目标环境下,与标准多目标差分进化算法相比,该算法可以更快速地找到多个目标函数组的非劣最优值解集。     

基于遗传算法优化神经网络的多用户检测

利用遗传算法全局搜索能力强和反向传播(BP)算法局部搜索速度快的特点,采取两段式训练方法,既避免陷入局部最小,又加快收敛速度。提出基于遗传算法优化神经网络权值的多用户检测算法。采用实数编码方式,将传统神经网络的能量函数作为适应度函数,选择算子选用轮盘赌算子,交叉算子选用单点交叉算子,变异算子选用正态变异算子。仿真结果表明,该算法的误码率、信干比和信道跟踪能力等方面的性能与传统前馈神经网络多用户检测算法相比均有一定的改善。     

改进遗传算法优化BP神经网络的语音情感识别

语音情感识别技术在人类生活中正扮演着越来越重要的作用。为了更为有效识别语音信号中的情感类型,提出一种改进遗传算法优化BP神经网络的识别算法（IAGA-BP）。该算法一方面改进了自适应遗传算法中的选择算子,另一方面更改了自适应遗传算法中的交叉和变异概率公式。通过对自适应遗传算法的改进,提升了遗传算法的寻优性能,并以此对BP神经网络初始的权阈值进行优化。在与BP、GA-BP和AGA-BP网络比较中,实验结果表明,IAGA-BP网络能够有效提高语音情感识别率,并加快了网路收敛速度。     

SEFNN:一种基于结构进化的前馈神经网络设计算法

遗传算法是一种模拟自然选择和进化的随机搜索算法,它的搜索能够遍及整个解空间,容易得到全局最优解．目前主要的编码方式都是将结构和连接权值等信息编码成串式的基因,这不利于在遗传过程中保留个体的子结构信息,也难于设计兼顾基因型与表现型的遗传算子;在前馈神经网络的进化中引入BP训练方面,也不分良莠对所有后代进行训练,形成资源浪费．为克服这些问题,提出了一种基于结构进化的前馈神经网络设计算法SEFNN,该算法使用一种紧缩矩阵编码、新型结构化交叉算子、修订的变异算子和精英训练法则,充分考虑了基因型与表现型之间的关系,适当加大变异搜索速度,并采用选拔训练方式,从而提高了进化神经网络的效率．实验表明该算法获得的解无论在网络规模还是测试精度上都有优越的性能表现,并已应用于肺癌早期细胞病理诊断系统,具有良好的效果．     

基于改进遗传模拟退火算法的BP神经网络的畸变校正研究

针对相机所采集的图像大多都存在畸变现象的问题,设计了基于改进遗传模拟退火算法的BP神经网络校正算法。该算法针对传统遗传算法易于收敛局部最优的问题,提出分段选择策略与随机抽样相结合的选择算子,自适应交叉与变异算子。在畸变校正中,该算法通过网络的输入输出建立理想点与畸变点的关系,使用改进的遗传模拟退火算法来优化神经网络中的阈值与权值,然后使用基于LM算法的BP神经网络进行局部优化,最后通过插值算法得到校正后的图像。实验表明,该算法能过较好的对图像进行畸变校正,同时与传统的BP神经网络算法相比精度更高,收敛速度更快。     

基于自适应进化神经网络算法的入侵检测

针对目前多数入侵检测系统的低检测率问题,提出一种自适应进化神经网络算法AENNA。基于遗传算法和BP神经网络算法,利用模拟退火算法的概率突跳和局部搜索强的特性对遗传算法进行改进,采用双种群策略的遗传进化规则实现BP神经网络权值和结构的双重优化;通过对遗传算法的交叉算子与变异算子的改进,设计一种自适应的神经网络训练方法。实验结果表明,基于AENNA的入侵检测方法能够有效提高系统的检测率并降低误报率。     

Optimisation With Real-Coded Genetic Algorithms Based On Mathematical Morphology

The goal of this work is to propose a novel approach to function optimisation by evolutionary techniques, in particular, real-coded genetic algorithms. A new genetic crossover operator, suitable for real codification, has been designed. This operator is called morphological crossover as it is based on mathematical morphology theory. The morphological crossover includes a new genetic diversity measure that has low computational cost. This operator is presented along with the resolution of a set of optimisation problems, including neural network training. The results are compared to other optimisation approaches as gradient descent methods or binary and real-coded genetic algorithms using different crossover operators. These tests show that the properties exhibited by the proposed operator when using real-coded genetic algorithms give higher convergence speed and less probability of being trapped in a local optimum.     

Summary of the interactive neocognitron: an environment for pattern classification performance enhancement

This paper considers the implementation of a neural network development environment, and describes a prototype that has been produced. The prototype has been targeted at pattern classifier applications, where human support can be beneficial. The initial aim of the system is to provide support for generating a neural network solution to a particular pattern classification problem. This takes the form of supporting the supervised training of a neural network. The support is designed to speed up the training process, by providing the operator with rapid indications of network performance, for the current configuration. The development environment currently supports the Neocognitron neural network paradigm, which is a versatile pattern classifier. The operation of the layers of this network can be presented to the operator, as an aid to setting up. A major consideration is the use of Graphical User Interfaces, and the use of X Windows and Motif for the development environment. In conclusion, the results of the work are considered, and future developments outlined.     

改进的自适应遗传算法在人体行为识别中的应用

为提高传统自适应遗传算法优化的BP神经网络对人体行为的识别率,提出了一种改进的自适应遗传算法优化的BP神经网络预测方法.该算法使用新的动态变化的交叉和变异分布指数计算公式来优化传统的二进制交叉和多项式变异操作,根据种群集中和分散的剧烈程度自适应地增大或减小交叉和变异的概率,极大地弥补了传统的交叉和变异操作所造成的破坏优...     

改进PSO优化神经网络的短时交通流预测

在短时交通流预测中,传统PSO优化神经网络预测模型对逃逸粒子直接取边界值且自身无相应的变异机制,这对于维持粒子群多样性、寻找最优解是不利的。为更进一步提高短时交通流预测精度,将在传统PSO优化BP神经网络的基础上,引入边界变异算子、自变异算子对粒子进行双重变异以优化网络配置参数。用实测的北京二环交通流数据对改进的预测模型进行验证,结果表明该模型更有利于搜寻全局最优解,且寻优时间更短,能有效改善短时交通流预测性能。