基于轮盘赌反向选择机制的蜂群优化算法

针对人工蜂群算法易陷入局部最优的不足,考虑到基本蜂群算法中个体选择大多基于贪婪选择的思想,从而使算法快速向适应度值高的个体进化而陷入局部停滞。为此,提出一种基于轮盘赌的反向选择机制,以保持蜂群个体的多样性而使算法保持较好进化能力。通过对经典测试函数的仿真实验表明,改进的蜂群算法有更快的收敛速度和更好的收敛精度,且改进的蜂群算法对群体规模有很强的鲁棒性。     

基于人工免疫系统的数据简化

针对数据简化中的实例选择问题,基于抗体克隆选择学说提出了一种免疫克隆数据简化算法.利用马尔可夫理论证明了该算法能以概率1 收敛.通过对7 个具有代表性的标准UCI 数据集的简化实验证明了该算法的有效性.通过实验分析了权值参数λ的取值变化对算法性能的影响,确定了其最佳取值区间.针对海量数据集简化时算法收敛较慢的问题,引入分层编码策略.通过对7 个大规模及海量数据集的简化实验表明了在进化代数不变的情况下,新的编码方式能够极大地提高算法的收敛速度,得到更为理想的结果.通过对Letter 和DNA两个数据集的实验给出了分层编码中层数t的最佳取值区间.     

动态调整路径选择的蚁群优化算法

针对蚁群算法收敛速度慢和存在停滞现象的缺点,提出对比度增强的路径选择规则以增强其全局搜索能力,选择规则加强了对反馈信息的利用,能加快算法的收敛速度,通过信息熵来动态控制对比度增强的方向,在避免算法停滞的同时加快了算法的收敛速度。将改进后的蚁群优化算法与传统的蚁群优化算法进行比较,仿真实验结果表明,改进算法具有较好的稳定性和全局优化性能,且收敛速度较快。     

遗传算法中自适应的比例选择策略

基于适应度比例的选择策略是遗传算法的基本选择方法,但采用该策略易出现未成熟收敛和随机漫游现象。通过实验分析了两种现象的成因,提出采用自适应的比例选择策略来依据种群性状的改变而动态地调整选择压力,进而调整算法求精和求泛能力的平衡。分析和对比实验证实,新的选择策略可有效克服未成熟收敛和随机漫游现象。     

基于加权二叉树的自适应遗传算法研究

为改进传统遗传算法局部搜索能力较差、收敛速度慢等缺点,提出一种基于加权二叉树的遗传算法.通过构建遗传基因二叉树,对种群染色体进行编码,根据子代基因的适应值挑选优秀基因替换弱势基因,采用蚁群信息素对不同的遗传基因进行加权操作,依权重择优进行交叉操作,利用自适应排序选择最优解,并通过对比实验对该算法和基本遗传算法进行了全方位的比较.试验结果表明该算法大大提高了遗传算法的局部搜索能力,加快了算法的收敛速度.     

基于基因重组的克隆选择算法

借鉴生物免疫系统的克隆选择机制,利用生物工程中基因重组技术,提出一种基于基因重组的克隆选择算法。根据抗体亲和力大小对抗体进行选择,获取优秀抗体的优秀基因片段,对抗体进行不同程度的基因重组,实现高频变异过程中的定向控制,避免种群退化,加快收敛速度,提高全局搜索范围,防止局部收敛。通过对复杂函数优化问题的仿真实验表明,基于基因重组的克隆选择算法(GRCSA)具有良好的收敛速度和较高的问题解的精度,证明新算法的有效性。     

精英自适应混合遗传算法及其实现

传统的基本遗传算法在全局搜索和收敛速度上存在不足,而自适应遗传算法可以较好地控制算法的全局搜索能力和收敛速度。提出精英选择算法,将父辈和多个子辈组成“家庭”,选择家庭中的优秀个体进入遗传群体。将自适应思想与精英选择算法结合起来提出精英自适应混合遗传算法,保证了样本多样性,同时大大加快了收敛速度,采用一个多峰值函数验证了混合算法的性能。     

用于函数优化和特征选择的翻筋斗觅食海鸥优化算法

针对基本海鸥优化算法（SOA）在处理复杂优化问题中存在低精度、慢收敛和易陷入局部最优的不足,提出了一种基于翻筋斗觅食策略的SOA算法（SFSOA）。该算法首先采用基于倒S型函数的控制参数A非线性递减策略更新海鸥个体的位置,以改善个体的质量和加快收敛速度;引入一种基于翻筋斗觅食策略的学习机制以增加海鸥个体位置的多样性,避免算法在搜索后期陷入局部最优值。选取八个基准函数优化问题进行数值实验,并与基本SOA、灰狼优化算法和改进SOA进行比较,结果表明,所提算法具有较高的解精度、较快的收敛速度和较强的全局搜索能力,能有效地处理复杂函数优化问题。最后,将SFSOA用于求解特征选择问题,获得了满意的结果。     

基于局部搜索的人工蜂群算法

针对人工蜂群算法存在收敛速度慢、易早熟等缺点, 提出一种改进的人工蜂群算法. 利用随机动态局部搜索算子对当前的最优蜜源进行局部搜索, 以加快算法的收敛速度; 同时, 采用基于排序的选择概率代替直接依赖适应度的选择概率, 维持种群的多样性, 以避免算法出现早熟收敛. 对标准测试函数的仿真实验结果表明, 所提出的算法具有较快的收敛速度和较高的求解精度.     

基于局部搜索的人工蜂群算法

针对人工蜂群算法存在收敛速度慢、易早熟等缺点,提出一种改进的人工蜂群算法.利用随机动态局部搜索算子对当前的最优蜜源进行局部搜索,以加快算法的收敛速度;同时,采用基于排序的选择概率代替直接依赖适应度的选择概率,维持种群的多样性,以避免算法出现早熟收敛.对标准测试函数的仿真实验结果表明,所提出的算法具有较快的收敛速度和较高的求解精度.     

通信垃圾文本识别的半监督学习优化算法

在对非平衡通信文本使用随机下采样来提高分类器性能时,为了解决随机下采样样本发生有偏估计的问题,提出基于否定选择密度聚类的下采样算法（NSDC-DS）。利用否定选择算法的自体异常检测机制改善传统聚类,将样本中心点和待聚类样本分别作为检测器和自体集,对两者进行异常匹配;使用否定选择密度聚类算法对样本相似性进行评估,改进传统的下采样方法,使用NBSVM分类器对采样后的通信样本进行垃圾识别;使用PCA对样本所具有的信息量进行评估,提出改进的PCA-SGD算法对模型参数进行调优,完成通信垃圾文本的半监督识别任务。为了验证改进算法的优越性,使用不平衡通信文本等多个数据集,在否定选择密度聚类、NSDC-DS算法、PCA-SGD与传统模型上进行对比分析。实验结果表明,改进的模型不仅具有较好的通信垃圾文本识别能力,而且具有较快和稳定的收敛速度。     

面向多模态函数优化的回溯克隆选择算法

针对多模态函数优化问题,提出了一种基于回溯机制的改进克隆选择算法--回溯克隆选择算法（BCSA）,采用改进回溯机制和记忆库抗体抑制策略,保持了抗体的多样性,以增强算法的全局搜索能力;通过改进动态变异、选择与交叉操作提高算法收敛速度。典型的多模态函数测试结果表明：回溯克隆选择算法具有优良的全局搜索能力和搜索效率。     

改进的状态空间模型遗传算法及其全局收敛性分析

基于状态空间模型遗传算法(GABS)是一种新型实数编码进化算法, 在工程优化问题中取得良好的应用效 果. 针对GABS缺乏有效的数学模型及理论依据, 研究并建立了GABS的吸收态马尔可夫过程模型, 从可达状态集的 角度对GABS 进行分析并证明GABS 不是全局收敛的. 基于此提出了一种扩张可达状态集的改进型GABS (MGABS), 改进方法的两种变异策略不仅扩张了算法的可达状态集、提高了种群多样性, 而且加快了算法的收敛速 度与精度, 并证明了MGABS 具有全局收敛性. 最后利用经典测试函数验证了其综合性能明显优于其他三种算法, 为算法在工程中的应用提供了理论依据.     

基于差分和状态空间遗传混合算法的信号配时优化

为了最大限度地挖掘现有道路的承载能力,提出了一种基于差分进化算法和状态空间模型遗传算法的两阶段混合优化算法,建立以车辆平均等待时间最小为目标的数学模型进行优化。为了解决差分进化算法在后期收敛速度变慢,容易陷入局部最优的缺点,引入改进后的状态空间模型遗传算法形成一种混合算法。然后,用所提出的混合算法对5个经典测试函数进行寻优测试,并与定时控制、差分进化算法以及状态空间模型遗传算法进行对比,实验结果表明该混合算法不仅提高了收敛速度,并且在保证了算法收敛精度的前提下缩短了迭代次数。最后,以单交叉路口为例,验证该混合算法在求解信号灯配时问题时的优化效果。     

全局替换的自适应权重调整MOEA/D

当多目标问题的帕累托前沿形状较为复杂时,基于分解的多目标进化算法MOEA/D的解的均匀性将受到很大的影响. MOEA/D利用相邻子问题的信息来优化,但早期因为种群中的个体与子问题的关联是随机分配的,仅在邻居间更新会浪费优秀解的信息,影响收敛速度.针对这些问题,本文提出一种MOEA/D的改进算法(MOEA/DGUAW).该算法使用种群全局更新的策略,来提高收敛速度;使用自适应调整权重向量的策略来获得更均匀分布的解集.将MOEA/D-GUAW算法与现有的MOEA/D, MOEA/D-AWA, RVEA和NSGA-III算法在10个广泛应用的测试问题上进行了实验比较.实验结果表明,提出的算法在大部分问题上,反转世代距离评价指标IGD优于其他算法,收敛速度也快于其他算法.     

Immunodomaince based Clonal Selection Clustering Algorithm

Based on clonal selection principle and the immunodominance theory, a new immune clustering algorithm, Immunodomaince based Clonal Selection Clustering Algorithm (ICSCA) is proposed in this paper. Firstly, by introducing a new immunodomaince operator to Clonal Selection Algorithm (CSA), the gene of elites in antibody population can be extracted and generalized to ordinary antibodies so as to gain on-line priori knowledge and share information among individuals. Then, one iteration of Fuzzy C-means clustering algorithm (FCM) and adaptive updating mechanism of antibody population are utilized to improve the diversity of antibody population in order to speed up the convergence speed. The proposed method has been extensively compared with FCM, GA-clustering algorithm (GACA) and Clonal Selection Algorithm based FCM (CSAFCM) over a test suit of several real life data sets and synthetic data sets. Experimental results indicate the superiority of the ICSCA over FCM, GAFCM and CSAFCM on clustering accuracy and robustness.     

基于种内协同克隆选择的Otsu图像分割算法

传统二维Otsu算法存在计算复杂度高、实时性差等缺点。针对这一不足,受生物群体成员间协作关系的启示,对克隆免疫算法进行改进,提出了一种基于种内协同的克隆选择算法（Clonal Selection Algorithm based on Cooperation within Species,CSACS）,将其与克隆选择算法（Clonal Selection Algorithm,CSA）进行对比测试,将其应用于二维Otsu图像分割。测试实验表明：该算法能加快收敛速度,具有较好的实时性,且分割效果较为理想。     

粒子群与多种群元胞遗传混合优化算法

元胞遗传算法通过限定个体之间的相互作用邻域提高算法的全局收敛率,但在一定程度降低搜索效率。文中提出一种粒子群与多种群元胞遗传混合优化算法。首先将群体分割成多个相互之间没有邻域关系的元胞子种群,适度降低算法的选择压力,从而更好地保持种群的多样性。算法的变异操作被粒子群算法替代,使得局部搜索能力明显提高。元胞群体分割和粒子群变异较好地均衡全局探索和局部寻优之间的关系。分析混合算法的选择压力和多样性变化规律。实验结果表明,该算法在保证搜索效率较高的同时还显著提高元胞遗传算法的全局收敛率且稳定性得到明显改善。     

一种基于新型差分进化模型的MOEA/D改进算法

针对MOEA/D算法中差分进化操作收敛精度不高且速度较慢的不足,提出了一种综合基于可控支配域的向量差生成策略和基于主成分的动态缩放因子的新型差分进化模型,均衡显性与隐性搜索引导;并实现了一种基于新型差分进化模型的MOEA/D改进算法（MOEA/D-iDE）。新型差分进化是借助基于可控支配域的非支配排序对邻域进行分层,根据分层信息生成与不同进化阶段相匹配的向量差,实现对种群收敛速度的显性引导;同时对决策空间进行主成分分析,动态调整差分进化缩放因子,实现对种群收敛精度的隐性引导。实验选取ZDT、DTLZ和WFG等为测试问题,以IGD+,ER作为评价指标,将MOEA/D-iDE算法与6个同类算法进行对比实验,结果表明新算法在保证多样性的同时具有更好的收敛速度与精度,从而验证了新型差分进化模型的有效性。     

覆盖网络的链路优化问题研究

在综合考虑各个影响覆盖网络路由性能因素的基础上,提出针对覆盖链路选取问题(OLSP)的多目标优化模型,利用覆盖链路对物理链路的重用度因素使模型能以最少的维护代价获得最高的覆盖路由性能。采用Pareto占优理论和免疫克隆算法对OLSP进行求解,通过数字仿真实验验证该模型的合理性和ICA的有效性。