基于优育子群迁徙策略的多模态遗传算法研究

通过分析小生境遗传算法（NGA）的不足，提出了用于优化计算时多模态遗传算法的完全收敛性问题．结合传统梯度进化技术，设计了基于优育子群迁徙策略的遗传算法（MBGA），并分析了其运行机理和完全收敛特性．采用新算法与NGA进行了对比仿真实验，不仅验证了所提算法的完全收敛性结论，同时验证了其求解多模态问题的有效性、完全收敛能力及其收敛的稳定性。     

基于初态学习的非仿射非线性系统的开闭环PD型迭代学习控制

针对非仿射非线性系统,提出了新的学习控制算法,即初态未知情况下系统的输入和初态都需要进行学习的开闭环PD型迭代学习控制,并给出了该算法的收敛性充分条件.初态学习允许系统在每次迭代开始时有一定的定位误差,不严格要求其初态与期望初态重合或固定于某一具体位置上.该算法允许初态在收敛性条件范围内任意设置,从而保证了学习控制系统具有初始定位误差的鲁棒收敛性.依据此收敛性条件,可确定输入学习律及初态学习律的学习增益.利用压缩映射分析方法,证明了系统在任意初始状态下经过迭代后,其输出能够完全跟踪期望轨迹.该算法解决了初始值未知情况下的收敛性问题,且放宽了收敛条件,并通过仿真结果验证了所提算法的有效性.     

改进遗传算法柔性作业车间调度

提出一种新的遗传算法(NGA)解决FJSP的完工时间最小化问题。采用新染色体表示和不同交叉操作和变异操作策略,依据基准数据集和测试数据验证了NGA算法。     

遗传算法中"免疫算子"的构造与性能

文章在研究了遗传算法的编码方式、控制参数和算子操作之后,针对其全局收敛性不足的问题,在基本遗传算子的基础上采用免疫遗传算子和保优策略来防止交叉变异中的个体退化,保证遗传算法尽快收敛到全局最优解.阐述了“免疫算子”的构造及运行机理,分析了算法的性能.以25杆桁架结构可靠性优化问题作为例子说明该算法的优越性.结果表明该方法具有较好的收敛性和收敛效率,因此是一种可行的基于可靠性的结构优化策略.     

欧拉型光线寻优算法

针对光线寻优算法的收敛性及其推广到高维收敛速度慢的问题,利用变分法和微分方程理论,对二维连续可导介质中的光线方程欧拉数值解法与光线寻优算法迭代公式的关系进行了研究.在光线寻优算法迭代公式中加入一项来改进算法,不仅使得精度提高一阶,而且加快了收敛速度,同时也为光线寻优算法的收敛性证明提供了新思路.6个标准测试函数的仿真结果表明:与光线寻优算法、保留精英遗传算法、标准粒子群算法相比,改进算法收敛速度较快,收敛成功率较高,其求解Rosenbrock的成功率高达98％,远高于保留精英遗传算法和标准粒子群算法.     

多模态遗传算法研究及其进展

在对多模态遗传算法（MGA）的研究历史和经典算法进行综述的基础上,展望了MGA的研究进展,重点对笔者提出的几种适于多峰值求解的遗传算子及其构成的算法特性进行了分析和比较,指出了多模态遗传算法在工程实践中的重要作用。     

改进的群集智能优化算法在任务排序中的应用

针对集成设计过程中用遗传算法进行任务排序的执行效率、收敛性等问题,考虑任务之间耦合关系对任务执行结果的影响,对遗传算法进行改进,并结合粒子群算法,提出了一种优化算法。并用实例进行了验证,结果表明该算法收敛速度快,结果稳定。对于不同的初始种群,结果都能找到全局最优解。     

基于混合自适应遗传算法HEV系统参数的优化

选择优化算法是混合动力电动汽车系统参数优化的一个重要内容.针对基本遗传算法存在着易早熟、收敛速度慢的缺陷,提出了一种混合自适应遗传算法.测试结果表明,该算法既具有良好的全局收敛性,又具有较快的收敛速度.将该算法应用到混合动力电动汽车系统参数优化问题中,取得了较为满意的优化结果和收敛效果.根据优化结果,对一辆串联式混合动力中巴的发动机/发电机组进行了优化设计.     

基于动态搜索轨迹的混合遗传算法设计及实现

遗传算法是应用比较广泛的一种随机优化算法,针对其在全局优化问题中容易出现早熟和收敛速度慢,不利于在实时控制中应用的问题,提出了一种基于DST的混合遗传算法,该算法利用遗传算法的全局搜索能力,同时采用DST算法来提高收敛速度及预防早熟.将该混合遗传算法应用于求解复杂多峰函数的优化问题,通过与简单遗传算法的比较,可发现该方法明显地提高了搜索效率和成功率,从而验证了该算法的有效性.     

多目标遗传算法的收敛性研究

基于群体搜索的遗传算法求解多目标优化问题具有独特的优势,多目标优化算法已有的研究大多为算法的设计和数值实验效果的比较,理论研究则很少,本文作者给出了一种求解多目标优化问题的新遗传算法（RMOGA）,并用Markov链的理论对RMOGA的收敛性进行了研究,其结果表明RMOGA依概率收敛到问题的Pareto前沿面.     

动态变异遗传算法

遗传算法是根据达尔文生物进化理论而提出的一种优化算法。该文提出了一种新的遗传算法,理论分析显示,它不仅能保持遗传种群的多样性,而且能快速收敛。计算机仿真实验证明了改进后的遗传算法能够有效地克服不成熟收敛、进而搜索到全局最优解,并将这种新遗传算法用于BP网络的拓朴结构的优化和连接权值的训练,实例表明了该算法的有效性和可行性。     

基于膜计算的多模态图像配准算法研究

图像配准是图像融合的前提,具有重要的研究价值。传统的基于智能进化的优化算法在进行图像配准时,存在配准精度低,收敛速度慢的问题。利用膜计算的并行协同进化特性,提出一种在膜计算框架下的多模态图像配准算法,即GA-MCIR算法。设计一种细胞型P系统的膜结构,细胞膜中1个对象表示1组浮动图像变换参数,每个基本膜采用遗传算法进化对象获得最优变换参数,并将最优对象转运到上层膜中,同时所有基本膜之间随机进行最优对象转运操作。通过以上2种转运操作,上层膜保留本膜中本次进化的全局最优对象,并将其转运到各子膜中,参与各子膜的进化。最终,整个P系统的最优变换参数保留在表层膜中。将CT脑部图像和可见光与红外光图像等多模态图像进行配准实验,其结果表明,所提算法相比于基于GA和PSO的图像配准算法具有更高的配准精度、更好的全局收敛性。       

基于变电站多模图像的自动集成配准方法

针对采集的变电站多模图像,提出了一种改进的多模态图像的自动集成配准方法。变电站多模图像的尺寸不同,所以先对其进行小波变换,以变换后得到的两幅概貌图像为待配准图像,以六种配准方法中的每一种作为一个适应度函数。使用遗传算法进行搜索,分别寻找两幅概貌图像的最佳配准位置,再映射回小波变换前的多模图像,最后使用动态可信度进行集成。实验结果证明,该方法能实现不同尺寸的多模态图像的自动配准,速度较快,鲁棒性强,比单一的配准方法准确性高,并且可以不断地修正可信度,具有较强的适应性。     

偏亚高斯语音信号有效分离ICA方法研究

针对扩展Infomax语音分离算法仅只对无偏信号的概率密度分布进行建模的不足,提出了一种有效分离的有偏亚高斯信号ICA算法。通过修改扩展Informix算法所基于的Pearson混合模型,使修改后的模型既能较好地逼近对称的概率密度分布,又能逼近非对称的概率密度分布,从而在源信号是非对称分布的情况下,能获得更好的分离质量和较快的收敛速度。     

一种高维多模态优化的量子粒子群优化算法

为求解实际工程中的高维多模态优化问题,提出了基于动态邻域的多策略进化的量子粒子群优化算法(QPSO).针对QPSO算法存在的粒子"早熟"问题,首先定义了一种动态邻域选择机制以保持种群的"活跃性";然后结合动态邻域机制,定义了三个不同策略的局部吸引子更新方程以保持种群进化的"多样性".为了防止算法的进化方向不发散,对收敛到全局最优解的局部吸引子更新策略赋予了较大权重;最后为了拓展最优解空间引入了狼群优化算法中的综合评价方法.通过对不同类型的高维多模态基准测试函数的仿真实验结果表明:相比于其余四种优化算法,本文提出的优化算法在收敛精度和稳定性方面具有明显优势,并且随着测试维度的增加,这种优势更加凸显,展现出了较好的解决高维多模态优化问题的性能.文中引入的综合评价方法在所有的测试函数中均具有较高的生效次数,综合评价生效意味着为下一次的进化找到一个更加有利的进化方向,这样能够减少算法找到最优解的次数,也能进一步提升算法的收敛精度.     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

一种基于量子染色体的遗传算法

将进化理论和量子理论结合,提出一种基于量子计算概念和理论的量子遗传算法．算法借鉴量子比特的叠加性。采用量子编码来表征染色体,能够表示出许多可能的线性叠加状态．模拟量子坍塌的随机观察可带来丰富的种群,量子染色体的进化也能够简单方便地引导进化．因此,它比传统遗传算法具有更好的种群多样性。更快的收敛速度和全局寻优的能力．从理论上证明了它的全局收敛性,仿真计算也表明了此算法的优越性．     

一种基于协同进化方法的聚类集成算法

针对单一聚类算法存在的不能泛化的问题,将集成学习技术应用于聚类算法中,集成学习技术可以显著提高学习系统的泛化能力。提出了1种基于粒子群和遗传算法的协同进化聚类集成算法,粒子群算法保证算法快速收敛,遗传算法全局搜索扩大搜索范围,提高了聚类的性能和收敛速度。将本研究提出的算法在多个UCI数据集上进行试验验证,结果表明该算法是有效的。     

基于种群成熟度的修正遗传算法

提出了一种基于种群成熟度的修正型遗传算法.在该算法中,提出一种新的对个体选择进行交叉的方法.同时分析了遗传算法出现早熟情况的机理.为了避免遗传算法的过早收敛问题,在遗传算法的进化过程中计算和判断种群的成熟度,为种群提供了双进化模式.实验结果表明,新算法不仅提高了算法的精度,而且能克服GA算法中出现的"早熟"现象,是一种提高遗传算法性能的有效改进算法.