基于自适应小生境遗传算法的物流配送路径优化研究

针对遗传算法具有早熟的缺点和小生境遗传算法比遗传算法更费时的问题,将自适应小生境技术引人遗传算法,构建自适应小生境遗传算法,用以解决带时间窗的车辆路径优化问题.实验结果表明该算法具有更好的搜索能力和收敛速度,能有效地调和种群多样性与算法耗时的矛盾,解决物流配送车辆路径优化的问题.     

取消变异的小生境遗传算法及应用

为提高算法寻优能力,提出取消变异的小生境遗传算法.算法在寻优过程中采用最优保持子代种群产生策略,通过对种群中个体适应值惩罚机制的小生境操作,加速淘汰适应值低的个体,实现种群基因多样性,克服了遗传算法中随进化代数的增加种群个体趋于相似而造成全局搜索能力下降的缺点,增强了遗传算法在解决多变量多峰值优化方面的能力.将小生境遗传算法用于典型测试函数进行寻优测试,与取消变异改进遗传算法和基本遗传算法比较,证明了其在多变量、多峰值优化问题中的有效性和收敛性.     

基于小生境混沌遗传算法的水资源优化调度

水资源调度具有多目标、大规模和不确定性等特点,利用混沌遗传算法求解水资源调度问题,在一定程度上避免了局部优化并提高了求解速度,但由于损坏了种群多样性导致求解精度较低.为此提出了基于小生境的混沌遗传算法(NCGA),该算法通过小生境技术保留源中心个体的方法保护了种群多样性,同时利用混沌的随机性、遍历性及规律性与遗传算法的快速收敛性相结合,从而使该算法提高了求解速度和求解精度.将该算法应用到水资源优化调度模型中,仿真结果验证了该算法比混沌遗传算法能更合理高效地分配水资源,达到了综合效益最大化.     

基于小生境粒子群的属性约简算法

遗传算法（GA）及蚂蚁算法（ACO）等进化属性约简算法,具有全局寻优的优点,但存在算法时间复杂度高,搜索空间大等不足;粒子群（PSO）属性约简算法,虽然可提高求解效率,但易陷入局部最优.本文引入小生境技术,提出基于小生境粒子群的属性约简算法,利用小生境技术造就种群的多样性,使解保持多样化,以此避免粒子群属性约简算法易早熟收敛的缺点.理论分析及实验结果表明,该算法是有效可行的.     

基于小生境改进的遗传算法求解多序列比对问题

基于多核平台设计了一个求解多序列比对问题的改进遗传算法。该算法采用一致性函数作为个体的适应度函数,引进小生境技术,维持种群进化的多样性,以改善算法的整体搜索能力。考虑遗传算法本身具有较好的并行性,对其各算子针对多核平台进行了并行化设计。通过对BAliBASE中的测试例进行测试,与已有的算法相比取得了更优的结果,证明该算法是有效的。并行化设计使算法在多核平台的运行时间显著缩短,加速效果明显。     

改进的基因表达式编程算法在演化建模中的应用

为了克服传统基因表达式编程易早熟收敛、种群多样性难以保持、演化效率不高、拟合度不高等缺陷,给出了基于表现型的种群多样性测度,并提出了基于排挤小生境的改进基因表达式编程算法. 该算法将小生境半径内的早熟个体通过罚函数排挤出去,使其它优良个体得以更大概率进化,并使各个个体之间保持一定的距离. 分别对一元函数和多元复杂函数进行演化建模实验. 结果表明,改进的算法能在演化过程中能保持丰富的群体多样性,能够有效避免过早收敛,具有更高的成功率、更高的收敛速度和拟合精度.     

基于竞争协同进化的改进遗传算法

针对标准遗传算法中的早熟收敛现象,提出一种基于竞争协同进化的改进遗传算法.该算法根据个体与对手竞争的表现来衡量个体的生存能力,生存能力由个体所击败对手的数量和优秀程度决定,个体在击败更多更优对手的努力中逐步进化.函数优化实验结果表明,该算法收敛速度快,且能有效保留种群多样性,与标准遗传算法及其他多种群遗传算法相比,能有效减轻早熟收敛现象.     

基于均分法的小生境遗传算法

为了避免遗传算法种群中个体过早陷入局部最小,在以往随机初始种群的基础上提出一种均分法,使得初始种群随机平均地分为若干个子种群,形成小生境,这样既维持了种群的多样性,也使得种群中的个体不会过早出现早熟现象,更提高了算法的收敛速度.同时采用了自适应技术控制交叉和变异的概率,使得算法能更快速地找到最优解.仿真结果表明,与传统的遗传算法优化RBF网络相比较,新算法的迭代次数更少,精度更高,大大提高了收敛速度.     

改进的基因表达式编程算法在演化建模中的应用

为了克服传统基因表达式编程易早熟收敛、种群多样性难以保持、演化效率不高、拟合度不高等缺陷。给出了基于表现型的种群多样性测度,并提出了基于排挤小生境的改进基因表达式编程算法．该算法将小生境半径内的早熟个体通过罚函数排挤出去．使其它优良个体得以更大概率进化,并使各个个体之间保持一定的距离．分别对一元函数和多元复杂函数进行演化建模实验．结果表明,改进的算法能在演化过程中能保持丰富的群体多样性,能够有效避免过早收敛．具有更高的成功率、更高的收敛速度和拟合精度．     

基于NicheAGA-CGA的暴雨强度公式优化算法

为了寻求精度更高的暴雨强度公式,提出嵌入共轭梯度的自适应小生境遗传优化算法,该算法基于绝对均方差最小准则和相对均方差最小准则构建暴雨强度公式参数优化模型.通过标准遗传算法中引入小生境技术提高了种群多样性,同时与共轭梯度算法相结合增强了算法的局部搜索能力,使得遗传算法全局搜索能力强和共轭梯度法局部搜索能力强这2个优势有效结合,并应用于暴雨强度公式参数的优化计算.以北京、广州和郑州的降雨资料为基础进行暴雨强度公式优化研究,并将本文算法与传统方法和标准遗传算法进行比较.结果表明:运用本文算法对暴雨强度公式参数进行优化时,优化结果较好且能满足规范要求.与传统方法和标准遗传算法相比,优化结果具有更高的精度,为暴雨强度公式的推求提供参考依据.     

一种基于信息熵的自适应遗传算法

为解决传统遗传算法容易早熟及收敛速度慢的缺陷,在分析了多样性的重要性后,提出了一种新的基于信息熵的遗传策略,该策略在保留最优个体的基础上,根据当前种群个体熵与种群熵的变化自适应调整遗传算子的各项参数,将种群的内部状态与遗传操作有机地结合起来,使得种群多样性得到保证,提高算法的全局搜索能力.试验结果表明了该方法在运行过程中能避免早熟的发生,在处理复杂问题时表现出较高的性能.     

一种混合高维目标进化算法及其收敛性分析

现代多目标进化算法在高维目标空间中遭遇性能危机,提出一种混合高维目标进化算法(Hybrid Many-Ob-jective Evolutionary Algorithm,HMOEA)以改善算法的解题性能.新的算法使用了新定义的w-支配关系替代Pa-reto支配关系;其次,为使算法在收敛性与多样性之间保持适当均衡,下一代种群个体的构成随当前进化世代动态调整;最后,算法使用了改进的拥挤距离赋值机制评估解个体密度以实施多样性保持操作.新算法在DTLZ2问题上进行测试,结果表明该算法可以获得很好的性能,而且新算法在收敛性和多样性之间也取得了较好的均衡.最后,从一般意义上分析了HMOEA算法的收敛性,分析结果表明HMOEA算法能够以概率1收敛.     

基于混沌优化和网格筛选策略的多目标分布估计算法

为了解决多目标分布估计算法中进化速度慢、解精度和分布不佳等问题,提出一种基于混沌优化和网格筛选策略的多目标分布估计算法.该算法首先利用混沌模型进行种群的初始化,以获得较理想的初始化结果;然后运用混沌的局部优化策略对每代产生的非支配个体进行寻优,加速种群向Pareto最优前沿的逼近;最后利用简单的网格筛选策略保持个体的均匀分布,从而增强精英种群的多样性.3种评价标准在8个测试问题上的实验表明:与目前最具代表性的RM-MEDA算法相比,该算法不仅在接近真实的最优前沿和保持种群的多样性方面具有一定优势,而且在进化速度上也有较大提高.     

敏感性问题的一种调查方法

基于调查数量特征的敏感性问题的随机变量乘法模型提出了一种改进模型,该模型比随机变量乘法模型有着更高的精度．由此,将此改进模型推广到最优分配下的分层抽样情形,在总体适合分层时,能提高总体估计量的估计精度;另外,由于在不同层中可以使用不同的随机化装置,这在实际的调查操作中有着更强的可行性．     

一种基于小生境技术的两阶段分布估计算法

针对分布估计进化后期种群多样性降低,算法出现局部早熟的问题,把小生境技术引入分布估计算法,提出了一种两阶段估计的分布估计算法,利用小生境概率与种群概率相结合的方法产生新个体。仿真实验表明,该算法能有效防止早熟收敛,较大的提高了算法的全局搜索效率。     

遗传算法在家纺企业生产调度中的应用

为解决家纺企业的生产调度问题,设计了一种新颖的遗传算法.算法采用自然的编码方式,能有效地反映实际调度方案,即清楚反映出每日每机器加工产品的顺序和数量,通过提出一种新的基于浓度的种群多样性更新选择方法,提高了种群多样性,且利用局部搜索算法对每子代得到的调度方案进行了局部调整,改善了种群质量,加快了收敛速度.仿真结果表明,此算法是有效的,适用于解家纺企业实际生产调度问题.     

协同进化免疫记忆克隆算法

为提高免疫克隆算法的收敛性能,基于协调勘探和开采的思想,提出一种新型协同进化免疫记忆克隆算法.将整个进化种群分为免疫克隆种群和免疫记忆种群,将免疫克隆种群又分为2个子种群,在每个免疫克隆子种群内部采用协同竞争模式,动态更新种群规模,并采用适应度共享、动态变异机制和浓度调节机制的克隆扩增以增加种群多样性;在免疫记忆种群中采用混沌精细搜索以及精英交叉机制,提高免疫记忆种群的开采能力.利用基准测试函数进行仿真并与相关方法对比分析,所提出的算法收敛效果优越,能有效地提高全局收敛性能.     

基于多峰优化Kriging模型与距离相关系数的高速列车动力学参数多输出灵敏度分析

高速列车动力学参数较多,其动力学性能的评价指标有多个。综合考虑这些动力学指标,进行参数灵敏度分析,对高速列车动力学参数的恰当匹配具有重要意义。已有单输出灵敏度分析技术难以准确度量参数对车辆动力学综合性能影响的大小。为避免已有方法的缺陷,本文引入了一种新的基于距离相关系数的多输出灵敏度分析技术。该方法通过求解单个输入与多个输出变量之间的距离相关系数,从而实现多输出全局灵敏度分析的目的。为提高灵敏度分析的效率,本文建立了多个动力学指标与输入参数的Kriging模型。为提高近似模型的精度,本文引入了一种新颖的多峰优化算法对Kriging模型的超参数进行全局寻优。与传统单目标智能优化算法不同,该优化算法通过引入种群差异指标,将单目标优化问题转化为双目标优化问题,从而增加了子代种群的多样性,避免了传统优化算法易于陷入局部最优解的问题。基于所提方法,本文以CRH动车组动车为例,研究了多个动力学指标的多输出全局灵敏度。结果表明：所提的超参数优化方法由于增强了种群多样性,从而对Kriging模型精度和稳定性提升效果明显;基于距离相关系数的灵敏度分析方法能够更加合理地识别出对车辆动力学综合性能影响较大的参数、排除几乎没有影响的参数。     

信号空间分集解码前传协同方法研究

在普通解码前传协同分集中,各协同用户之间的信道不对称性会对系统的性能产生一定的影响;同时,简单的重传信号并不是一种高效的利用协同分集的方式。该文提出了一种基于信号空间分集的解码前传协同方法,该方法的协同用户重传信号中包含自己的数据帧,并以信号空间分集的方法设计重传信号,这样既能够减小用户间信道的不对称性带来的影响,又提供了一种更为高效的信号分集方式。仿真实验结果证明该方法与非协同及普通解码前传协同方法相比能够获得更好的误码率性能。