一种基于构建基因库求解TSP问题的遗传算法

传统的遗传算法通常被认为是自适应的随机搜索算法．该文在分析其特点后针对TSP问题提出了一种将建立基因库(Ge)与遗传算法结合起来的新算法(Ge-GA)．该算法利用基因库指导种群的进化方向，并在此基础上使用全局搜索算子和局部搜索算子增强遗传算法的“探测”和“开发”能力．Ge-GA算法大大加快了遗传算法的收敛速度和寻优能力．作者测试了TSPLIB中的多个实例(城市数目从70～1577)，试验结果与最优解的误差都不超过0．001％．特别是对于难求解的TSP问题，如att532和fl1577，都能够在理想的时间内找到最优解．     

不等式约束的非线性规划混合遗传算法

针对带不等式约束的非线性规划问题,提出了一个混合遗传算法。该算法分为全局探测和局部开采两个阶段,全局探测阶段是通过在有潜力的小生境内嵌入单纯形搜索,快速确定有前景的区域;而局部开采阶段则是在最有前景的区域进行单纯形搜索。该算法增强了局部搜索能力并同时保持种群的多样性,有效地解决了遗传算法的过早收敛和局部搜索能力弱的问题。典型非线性规划算例验证了混合算法的效率、精度和可靠性。     

多方法协作免疫进化算法研究

为提高免疫进化算法的全局寻优能力并降低计算复杂度,提出了多方法协作免疫进化算法。对免疫进化算法进行了改进。考虑抗体个体差异性,将抗体种群划分为精英、普通和劣等子群,对其分别执行高斯变异、均匀变异和消亡更新等差别化操作,增强了算法全局搜索能力。模式搜索法的探测和模式移动策略由单步交替改为贪婪下降,加快了算法收敛速度。将模式搜索法作为局部搜索工具嵌入免疫进化流程,同时采用免疫进化信息指导模式搜索法的初始点和参数设置,实现多方法协作优化。采用经典测试函数和某星载电子设备布局优化问题对算法进行了测试,测试结果表明算法寻优能力和收敛速度优于免疫进化算法,计算复杂度有显著下降。     

一种速度改进型粒子群优化算法及应用

针对一般粒子群算法收敛速度慢易发散的缺点,提出一种速度改进型粒子群优化算法。该算法对速度的最大值进行动态改变．可以使粒子群算法在前期保持快速而又全局范围的探测搜索,而在后期,也可以将粒子限定在局部的重点区域的探测搜索。采用速度改进型粒子群优化算法对典型的多峰函数进行优化,仿真结果表明方法的有效性,并通过与一般粒子群算法进行比较,表明方法能够加快粒子群算法的收敛速度,具有更好的优化性能。     

人工鱼群与微粒群混合优化算法*

针对人工鱼群算法局部搜索不精确、微粒群优化算法易发生过早收敛等问题,提出一种新的人工鱼群与微粒群混合优化算法。算法的主要思想是先利用人工鱼群的全局收敛性快速寻找到满意的解域,再利用粒子群算法进行快速的局部搜索,所得混合算法具有局部搜索速度快,而且具有全局收敛性能。最后,以五个标准函数和一个应用实例进行测试,测试结果表明,提出的算法在一定程度上避免了陷入局部极小,加快了收敛速度且提高了搜索精度。     

混合粒子群优化算法研究

提出将Hooke Jeeves模式搜索方法嵌入粒子群优化算法中，以此构建混合粒子群优化算法．此外，在搜索过程中还加入变异操作来增加种群多样性，以避免早熟收敛．其中，局部搜索增加了算法的开发能力，而变异操作提高了算法的探测能力．探测与开发的折中则通过两个域值变量来完成．大量的测试函数研究表明，混合粒子群优化算法局部搜索能力有显著提高，且搜索到全局最优的概率更高．     

用改进蚁群算法求解函数优化问题*

提出将蚁群算法用于求解函数优化问题的新方法。使用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁觅食的方式,更新搜索路径上的信息素,按照转移概率来决定搜索方向,即通过信息素来指引搜索,最后搜索收敛于各个全局最优解。给出了基于此思想的具体算法,并通过计算示例仿真说明了该算法的有效性,表明该算法可以同时快速收敛发现多个全局最优解,并保持稳定。     

基于AHGA+BP的神经网络混合学习策略

在自适应递阶遗传算法(AHGA)中融入BP操作可以在对神经网络结构进行优化的同时,充分利用遗传算法的全局寻优能力在大范围内搜索可能的误差极值区域,并利用BP算法沿误差最速下降方向在极值点附近快速搜索,从而达到全局最优和快速搜索的有机结合。通过对混沌时序信号的预测,表明了混合学习策略在较大程度上改进了神经网络的学习性能和泛化能力。     

b人工神经网络学习策略自适应递阶遗传算法BP算法

在自适应递阶遗传算（AHGA）中融入BP操作可以在对神经网络结构进行优化的同时，充分利用遗传算法的全局寻优能力在大范围内搜索可能的误差极值区域，并利用BP算法沿误差最速下降方向在极值点附近快速搜索，从而达到全局最优和快速搜索的有机结合。通过对混沌时序信号的预测，表明了混合学习策略在较大程度上改进了神经网络的学习性能和泛化能力。     

基于锦标赛选择变异策略的改进差分进化算法及函数优化

针对差分进化算法传统变异策略在全局收敛鲁棒性和搜索效率上不能达到一个很好的折衷,并且算法的操作算子固定,导致搜索效率低、易早熟收敛等问题,文中在差分进化算法变异策略性能分析的基础上,提出了一种基于锦标赛选择的变异策略。该策略采用“锦标赛选择”对随机选取的变异向量排序选出基向量,差分向量选择有利于搜索的方向并对其 “强化”,以提高收敛速率和维持种群多样性;同时操作算子采用随机正态缩放因子F和时变交叉概率因子CR,以平衡局部搜索和全局搜索;最后,利用4个典型Benchmarks测试函数对改进算法进行测试。实验结果表明,该改进型差分进化算法能有效避免早熟收敛,较好地提高算法的全局收敛能力和搜索效率。     

扩散遗传算法及其应用研究

针对遗传算法在局部搜索能力方面的缺陷,提出了一种基于扩散算子的遗产算法(简称扩散遗产算法)。该算法中包含的扩散算子是变异算子,其主要作用是在遗传搜索中进行局部搜索。用扩散遗传算法和实数编码遗传算法分别训练用于解XOR问题的神经网络,对比结果表明,论文提出的算法兼具强的全局搜索能力和局部搜索能力,因此,该算法可以不借助其它局部搜索算法而单独作为神经网络训练算法,从而简化训练算法,提高训练效率。该算法对提高遗传算法搜索效率和求解精度具有重要的意义。     

An Improved Prototype Pattern Selection Algorithm

［1］Wang Hai Long,Qi Feihu. The Learning Algorithm Based on Superposition of Information. Journal of Infrared Millim. Waves,2000,19(6) ［2］H. Haken. Synergetic Computers and Cognition, Vol. 50 of Springer Series Synergetics. Springer,Berlin, 1991 ［3］Wagne     

基于混合的GA-PSO神经网络算法

粒子群优化(PSO)算法是一类随机全局优化的技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出了一种基于GA和PSO混合的算法(GA-PSO)用于神经网络训练。算法在产生下一代时,结合了交叉、变异算子和粒子群算法中的速度—位移公式,充分利用了遗传算法的全局寻优和粒子群算法收敛速度快的优点。经GA-PSO训练的神经网络应用于三元奇偶问题和IRIS模式分类问题,与BP、GA和PSO算法相比,该算法在提高训练误差精度的同时加快收敛速度,并能有效避免早熟收敛。仿真结果表明,GA-PSO算法是有效的神经网络训练算法。     

基于网格模式搜索的支持向量机模型选择

支持向量机的模型选择问题就是对于一个给定的核函数,调节核参数和惩罚因子C。分析了网格搜索算法和模式搜索算法,通过结合上述两种算法的优点提出了网格模式搜索算法。其核心原理是先用网格算法在全局范围内进行快速搜索,找到最优解的最小区间,再在这个最小区间内用模式搜索算法找到最优解。实验证明,网格模式搜索具有学习精度高和速度快的优点。     

基于蚁群粒子群的模糊神经网络交通流量预测

实时准确的交通流量预测是智能交通诱导和交通控制实现的前提和关键。针对城市交通流的特点,建立了模糊神经网络预测模型,并将全局优化的蚁群算法和粒子群算法组成递阶结构优化模糊神经网络的参数。算法中,主级为蚁群算法,进行全局搜索;从级为粒子群算法,进行局部搜索。仿真结果表明该模型能够取得比梯度下降法更高的预测精度。     

K最近邻算法理论与应用综述

k最近邻算法（kNN）是一个十分简单的分类算法,该算法包括两个步骤：（1）在给定的搜索训练集上按一定距离度量,寻找一个k的值。（2）在这个kNN算法当中,根据大多数分为一致的类来进行分类。kNN算法具有的非参数性质使其非常易于实现,并且它的分类误差受到贝叶斯误差的两倍的限制,因此,kNN算法仍然是模式分类的最受欢迎的选择。通过总结多篇使用了基于kNN算法的文献,详细阐述了每篇文献所使用的改进方法,并对其实验结果进行了分析;通过分析kNN算法在人脸识别、文字识别、医学图像处理等应用中取得的良好分类效果,对kNN算法的发展前景无比期待。     

双十字搜索算法的快速块匹配运动估计

在块运动估计中,不同形状、不同大小的搜索模型对搜索速度和搜索质量有很大的影响．通过运动矢量概率分布分析,发现了运动矢量概率分布具有除中心十字偏置特性以外的方向性特性,提出了一种快速的双十字搜索（DCS）运动估计算法．该算法首先根据运动矢量概率分布的中心十字偏置性,采用小十字搜索模型（SCSP）和大十字搜索模型（LCSP）对小运动矢量进行搜索,从而减少搜索点数．然后,根据运动矢量概率分布的方向性,使用非完全对称十字搜索模型（NFSCSP）对大运动矢量进行搜索,进一步提高了搜索速度．在保持相当搜索质量的前提下,双十字搜索算法与菱形搜索算法（DS）和十字-菱形搜索（CDS）算法相比,搜索速度分别可提高70％和40％．实验结果证明双十字搜索算法是非常有效的,且具有较强的鲁棒性．     

Pi-sigma神经网络混合学习算法及收敛性分析

将一种解决函数优化问题的混合遗传算法用于Pi-sigma神经网络的训练。这种混合算法充分利用遗传算法算法的全局搜索能力,又利用了单纯型法的局部搜索能力,因此该混合遗传算法可以使Pi-sigma神经网络更快的收敛到全局最优解,而且收敛速度比遗传算法更快。实验证明了这种算法的优越性。最后还证明了该算法可以以概率1收敛到全局最优解。     

基于变异算子的人工鱼群混合算法

把Hooke-Jeeves 模式搜索方法作为人工鱼群算法的一个局部搜索算子,嵌入到带变异算子的人工鱼群算法中,提出一种基于变异算子的人工鱼群混合算法。其中,Hooke-Jeeves的强局部搜索能力提高了人工鱼群混合算法的局部收敛速度,变异算子的引入增加了群体的多样性,避免人工鱼群混合算法陷入局部最优。通过基准函数和实例测试验证,表明了该算法是高效可行的。     

基于双起点十字搜索模型的自适应搜索算法

提出一种基于双起点十字搜索模型的自适应搜索算法。该算法采用大小十字搜索模型、八边形搜索模型和斜交叉十字搜索模型,根据不同情况,使用相应的搜索模型,同时采用中值预测及提前跳出策略,减少不必要的搜索。序列测试结果表明,与UMHexagonS算法相比,新算法在保持相当的峰值信噪比和比特率的情况下,运动估计时间平均节省了15.88%和15.94%。