基于自适应遗传算法的数字混沌加密技术研究

研究优化网络信息安全问题.传统的加密技术存在一些安全系统可部署性较差,加密技术自身造成的安全漏洞容易导致效率下降、可靠性较低等安全和稳定性隐患,依据网络业务加密特点自适应调整交叉概率Pc和变异概率Pm值,提出了一种自适应遗传算法数字加密技术,算法基于信息混沌迭代模型,建立混沌数字映射8制,最后在加密过程中将明文分组为数据流,依据自适应遗传算法,每次加密一个数据包,其加密方式由数字混沌映射函数确定.仿真结果表明,该加密技术具有自适应优化全局、计算复杂度低和可靠性高等优点.     

一种基于混沌领域搜索的自适应遗传算法*

提出一种基于混沌领域搜索的自适应混沌遗传算法,该方法在遗传进化的过程根据种群相对多样性对每代个体引入混沌领域方法搜索有效基因,并有效地结合遗传算法善于全局优化和混沌局部搜索能力强等特点。计算结果表明,该算法可以显著提高计算效率,具有较大的实用价值。     

求解矩形件优化排样的自适应模拟退火遗传算法

矩形件优化排样是一个NPC问题,在工业界有着广泛的应用.针对该问题,提出一种自适应模拟退火遗传算法.采用一种基于环形交叉算子和环形变异算子的自适应遗传算法来自动调整交叉和变异概率;同时引入模拟退火算法对个体适应度大于平均适应度的个体进行退火处理.自适应模拟退火遗传算法充分发挥了自适应遗传算法与模拟退火算法各自的全局搜索能力与局部搜索能力.对比实验表明,该算法结合改进的最左最下布局算法解决矩形件优化排样问题更加有效.     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法.进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络模型.利用所建立的混合神经网络模型对渤海某海域年极值冰厚进行训练预测,并将模型预测结果与实际数据以及动态拓扑预测的结果进行对比,表明基于混沌免疫遗传算法的神经网络模型具有很高的预测精度和工程适用性.     

基于自适应混沌粒子群优化的防空目标分配

粒子群优化算法存在早熟收敛和搜索精度较低的问题.为此,提出一种基于自适应混沌粒子群的优化算法.采用自适应权重和遗传算法中的交叉、变异操作更新粒子群,增加种群粒子的多样性,运用早熟判断机制判断粒子的当前状态,当粒子处于早熟状态时,利用混沌搜索的方法引导群体快速跳出局部最优.仿真结果表明,该算法可以有效解决粒子群算法的早熟问题,提高搜索精度和收敛速度.     

一种结合Tabu搜索的自适应遗传算法研究

针对标准遗传算法（SGA）在全局优化问题中容易出现早熟和收敛速度慢,提出了一种TS-AGA算法。新算法通过将禁忌搜索（TS）和自适应遗传算法（AGA）相结合。以自适应遗传算法（AGA）为基础,用遗传算法进行全局搜索,用禁忌搜索法（TS）作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优。测试函数仿真结果表明,新算法能很好的抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法。     

一种基于混沌迁移的伪并行遗传算法及其应用

为了解决遗传算法寻优过程中的早熟收敛问题 ,本文提出了一种基于混沌迁移策略的伪并行遗传算法 ,该算法针对实时性要求不高的优化问题采用串行的算法结构实现分解型并行遗传算法的“独立进化、信息交换”思想 .在并行进化的个体异步迁移过程中 ,引入了混沌迁移序列引导个体迁移过程 ,利用其遍历性和随机性 ,保证了子种群之间能够进行充分高效的信息交换 .仿真研究和在库存优化方面的应用研究表明 ,这种算法具有很强的全局搜索能力 ,寻优效率高 ,有效克服了标准遗传算法的早熟收敛问题 .     

基于混沌思想模糊自适应参数策略的粒子群优化算法*

粒子群优化算法是一种进化计算技术。提出一种基于混沌思想的模糊自适应参数策略的粒子群优化算法,它利用模糊策略较强的适应能力及混沌运动遍历性、随机性等特点,对标准粒子群优化算法进行了改进,并证明了算法的收敛性。对几种典型测试函数的测试结果表明,模糊自适应参数策略的引入,有效提高了算法收敛的速度,且混沌思想改善了对多维空间的全局搜索能力,能有效避免早熟现象。     

一种新的遗传混沌优化组合方法

在分析了遗传算法与混沌优化方法的优缺点的基础上, 提出了一种新的遗传混沌优化组合方法. 该算法能克服混沌优化在大范围内失效的缺点, 并能提高遗传算法的局部搜索能力和搜索精度. 同时证明该算法能以概率 1收敛到全局最优值. 应用该方法对 6个测试函数进行优化计算得到了比较满意的结果.     

一种新的遗传混沌优化组合方法

在分析了遗传算法与混沌优化方法的优缺点的基础上,提出了一种新的遗传混沌优化组合方法.该算法能克服混沌优化在大范围内失效的缺点,并能提高遗传算法的局部搜索能力和搜索精度.同时证明该算法能以概率1收敛到全局最优值.应用该方法对6个测试函数进行优化计算得到了比较满意的结果.     

基于PK模型的一种自适应遗传算法研究

遗传算法可以被理解为在逐代演化的过程中,适应性强的个体或种群具有更高的生存可能性的一种并行搜索算法。提出了基于PK竞争策略的遗传算法（Player Killing Genetical Algorithm,PKGA）,其核心思想在于通过PK赛式的竞争筛选,直至剩下一个全程最优的个体即为全局最优解。通过对全程最优解的即时检测,同时配合交叉率与变异率在个体粒度上自适应地动态调整,算法能很好地避开局部极值点并减少进化过程中的退化现象。这种PK竞争筛选策略保证了算法较高的搜索效率和较强的鲁棒性。仿真实验证明,算法在应对早熟问题和退化现象及收敛效率等方面明显优于传统的标准遗传算法。     

良性进化的自适应遗传算法及其仿真研究

为了搜索函数最优解,基于遗传算法基本理论,提出了良性进化的自适应遗传算法（AGA）。AGA从两个方面改进了标准遗传算法：一是交叉、变异率会自适应调节大小;二是交叉、变异具有方向性。通过对AGA的仿真研究,分析了AGA中参数取值对算法的性能影响。最后把AGA和标准遗传算法进行了仿真比较,结果表明AGA在求解函数最优解问题时具有较强的自适应性和收敛性。     

Performance evaluation of a two stage adaptive genetic algorithm (TSAGA) in structural topology optimization

Genetic algorithm with island and adaptive features has been used for reaching the global optimal solution in the context of structural topology optimization. A two stage adaptive genetic algorithm (TSAGA) involving a self-adaptive island genetic algorithm (SAIGA) for the first stage and adaptive techniques in the second stage is proposed for the use in bit-array represented topology optimization. The first stage, consisting a number of island runs each starting with a different set of random population and searching for better designs in different peaks, helps the algorithm in performing an extensive global search. After the completion of island runs the initial population for the second stage is formed from the best members of each island that provides greater variety and potential for faster improvement and is run for a predefined number of generations. In this second stage the genetic parameters and operators are dynamically adapted with the progress of optimization process in such a way as to increase the convergence rate while maintaining the diversity in population. The results obtained on several single and multiple loading case problems have been compared with other GA and non-GA-based approaches, and the efficiency and effectiveness of the proposed methodology in reaching the global optimal solution is demonstrated.     

基于混合遗传算法的自动组卷问题的研究

针对遗传算法(GA)容易出现未成熟收敛和进化后期计算效率低的问题,提出了一种基于混合遗传算法(HGA)的智能组卷算法.将自适应遗传算法(AGA)与位爬山法相结合,提高组卷性能.在进化前期采用AGA进行全局寻优,增强GA的收敛速度同时避免GA的未成熟收敛.在进化后期启动位爬山法增强AGA的局部搜索能力.试验结果表明,HGA相对于AGA在有效性、稳定性和计算效率三方面都有较大提升,更能有效解决自动组卷问题,具有较好的使用性能和实用性.     

基于遗传算法的K均值聚类分析

传统K均值算法对初始聚类中心敏感,聚类结果随不同的初始输入而波动,容易陷入局部最优值。针对上述问题,该文提出一种基于遗传算法的K均值聚类算法,将K均值算法的局部寻优能力与遗传算法的全局寻优能力相结合,在自适应交叉概率和变异概率的遗传算法中引入K均值操作,以克服传统K均值算法的局部性和对初始中心的敏感性,实验证明,该算法有较好的全局收敛性,聚类效果更好。     

一种可自适应调节参数的改进遗传算法

针对遗传算法在复杂问题应用中收敛速度十分缓慢的不足，本文引入收敛性因子和进程因子对种群进化的交叉概率和变异概率进行自适应调节，提出了可自适应调节参数的改进遗传算法．该算法很好地增强了遗传算法的全局搜索能力，提高了收敛速度．通过比较几个优化实例，验证了本文算法的有效性．     

遗传算法的运行机理分析

遗传算法是一种自适应启发工群体型迭代式全局搜索算法，正受到许多学科的重视。本文首先以函数优化为例分析了遗传算法的运行过程，然后着重探讨了遗传算法的全局收敛性和效率问题，提出了有效基因的新概念及有效基因突变操作，推导出每次遗传搜索产生Ｏ（２＾ｌ－１）数量级的新模式，最后给出了结论。     

改进的自适应免疫遗传算法在图像增强中的应用

针对传统图像增强方法中图像细节丢失、图像对比度不明显以及方法普适性差等缺点,提出了一种自适应免疫遗传算法用于图像增强。该算法与传统遗传算法的不同在于引入免疫算子抑制优化过程中出现的退化现象,根据个体适应度自适应调整遗传算子的概率值和基因变异位数,从而增强了种群多样性,提高了算法快速性和全局收敛性。实验结果表明：基于该算法的图像增强具有图像细节清楚、对比度强、方法普适性强等优点。     

基于云控制的混沌多种群自适应遗传算法

针对传统遗传算法存在的早熟收敛现象,提出一种基于云控制的混沌多种群自适应遗传算法。该算法兼顾全局性和个体差异性两方面平衡,通过云控制器实现交叉率和变异率的自适应调节。在种群正常进化时,对个体实行惩强扶弱措施,在发生早熟收敛或有早熟收敛趋势时,对劣质个体实行灾变,同时采用多种群优化机制实现种群之间的同步进化。实验结果表明,与标准遗传算法和自适应遗传算法相比,该算法能够有效地避免早熟收敛问题,具有较高的收敛效率。     

基于改进自组织临界优化的元启发式灰狼优化算法

针对新型元启发式算法灰狼优化(GWO)算法在寻优过程中易陷入局部最优这一问题,提升该算法获取全局最优解的能力。介绍了该算法的基本原理和建模过程,并在此基础上,结合自组织临界性理论的优点,提出了改进的极值优化(IEO)算法,将IEO融入到GWO模型中,构建基于自组织临界(SOC)优化的改进GWO算法(IEO-GWO)。通过与传统优化算法对于23个基准测试函数在寻优性能上的综合比较,验证了IEO-GWO模型在获取全局最优解性能上的优越性。