双精英协同进化遗传算法

针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elite coevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高.     

一种改进的双精英协同进化遗传算法

提出一种改进的双精英协同进化遗传算法。在该算法中,种群被划分为两个精英小队,二者协同进化;精英是小队中的最优个体,并且两个小队的精英具有较高的差异度。精英分别与被选的个体进行交叉,增强了种群个体和全局最优解的亲和度;同时,当精英小队中的个体间的差异度下降到规定的预警值时,引入变异操作,有效地保持了种群的多样性,避免了早熟问题。算法中还给出一种δ-表现型多样性测度计算方法,使之可以对个体适应值为实数的群体多样性进行准确计算。针对参数多、大范围的复杂计算环境,算法的搜索能力明显提高。     

基于精英种群策略的协同差分进化算法

针对差分进化算法在处理函数优化时存在的过早收敛和易陷入局部最优的问题,提出了一种基于精英种群策略的协同差分进化算法。在优化过程中,首先对种群进行适应度值评估和排序,提取前N个优秀个体组成精英种群,其余个体随机分为3个等大的子种群,每个子种群采取不同的进化策略,以此来保证种群的多样性;然后每隔一定代数,根据新的适应度值更新精英种群和其余3个子种群,这样可以有效地避免算法陷入局部最优;最后,将所提出的算法与4个先进的差分进化算法在CEC2014的30个标准测试函数上进行对比实验。实验结果表明,所提出的算法能够有效提高收敛速度,具有较高的收敛精度和较好的优化性能。     

基于模拟退火机制的精英协同进化算法

为了获取更好的全局寻优性能,同时保持较快的收敛速度,文中结合精英策略、协同进化思想和模拟退火机制,提出了一种基于模拟退火机制的精英协同进化算法( SACEA)。算法维持三个种群：精英种群、普通种群和随机种群。精英个体组团,并和其他组员个体协作或对其引导来达到进化目的。 SACEA算法在精英组团过程中引入随机种群以增加种群多样性,同时随机个体和精英个体的合作采用快速模拟退火机制来实现,使算法获得了更好的全局寻优性。通过对15组标准测试函数的仿真,并和已有的算法进行对比,很容易得出：SACEA算法具有更强的全局寻优能力,同时收敛速度也有所提高。     

一种基于蜜蜂双种群进化的遗传算法

提出了一种基于蜜蜂双种群进化的遗传算法（BDPGA）。算法共有两个种群,一个是通过迭代进行遗传操作得到的,一个是在每代进化过程中随机引入的。每个种群中的最优个体作为蜂王分别以概率与其它个体（雄蜂）进行交配操作。既能增强对种群最优个体所包含信息的开采能力,又能提高算法的勘探能力,从而避免算法过早地收敛。实验结果表明,该算法对于改进和提高遗传算法性能是有效可行的。     

基于双种群的进化策略算法

针对进化策略算法收敛速度较慢、容易早熟的问题,提出一种新的基于双种群的改进进化策略算法。将种群划分为规模较小的精英子群和规模较大的普通子群。精英子群用于存放种群中最优秀的个体,普通子群用于存放种群中的普通个体。对不同的子群采用不同的变异策略,使种群在解空间具有尽可能分散的全局搜索能力的同时在局部具有尽可能精细的局部搜索能力。通过理论分析证明了算法的正确性,对几个典型的函数应用该算法进行模拟进化实验,也取得了良好的效果。     

基于连接识别的协同进化种群分割算法研究

针对已有协同进化算法种群分割方法的不足,借鉴连接识别思想,提出用分段间隔相关迭代连接识别进行种群分割的算法,并给出算法的思想、步骤及具体实施方案．将其应用于典型的复杂函数优化问题,简要分析算法在搜索效率、计算复杂性等方面的性能以及相关参数对算法性能的影响,说明算法的可行性．     

基于多精英协同进化遗传算法的云资源调度

传统的遗传算法(GA)在解决云资源调度问题时会随着问题规模的增大而出现早熟收敛、搜索效率低下、寻优能力差等现象.为了克服这些缺陷,提出一种基于多精英协同进化的遗传算法(MECGA).该算法通过多精英保留技术将适应度值大的个体选入精英子种群,通过与普通子种群进行协同交叉操作,可引导整个种群向最优解的方向移动;通过定义个体...     

M-精英协同进化数值优化算法

为了解决高维无约束数值优化问题,借鉴协同进化和精英策略的思想,提出了M-精英协同进化算法.该算法认为,适应度较高的个体群(称为精英种群)在整个种群进化中起着主导作用.算法将整个种群划分为由M个精英组成的精英种群和由其余个体组成的普通种群这样两个子种群,依次以M个精英为核心(称为核心精英)来选择成员以组建M个团队.若选中的团队成员是其他精英,则该成员与核心精英利用所定义的协作操作来交换信息;若团队成员选自普通种群,则由核心精英对其进行引导操作.其中,协作操作和引导操作由若干不同类型的交叉或变异算子的组合所定义.理论分析证明,算法以概率1收敛于全局最优解.对15个标准测试函数进行的测试显示,该算法能够找到其中几乎所有被测函数的最优解或好的次优解.与3个已有的算法相比,在评价次数相同时,该算法所求解的精度更高.同时,该算法的运行时间较短,甚至略短于同等设置下的标准遗传算法.此外,对参数的实验分析显示,该算法对参数不敏感,易于使用.     

基于改进精英机制的双种群蚁群算法

针对蚁群优算法在进化中容易出现早熟和停滞的现象,对基本蚁群算法进行了改进。借鉴生物群体的相互协作机理,将蚁群算法中的蚂蚁分成两个群体分别独立进行进化,并定期进行信息交换。同时,将遗传算法中排序的概念扩展到精英机制当中,形成基于优化排序的精英蚁群系统。两方法相结合,有效缓解了因信息素浓度失衡而造成的局部收敛,改进算法的搜索性能,计算结果也表明该算法有效性和可行性。     

基于证据理论数据融合的双效水印

提出一种新的基于证据理论的数据融合的双效水印算法.首先应用水印公式构造特殊的水印嵌入后条件,根据嵌入系数之间的定性分析提取鲁棒水印;利用嵌入系数之间的定量分析能提取脆弱水印,并能准确定位篡改的区域.其次在嵌入过程中还使用纠错码对水印信息进行调和,把水印重复嵌入到图像信息的不同位置,以便利用纠错码的辅助信息来估计出提取的...     

基于生殖策略的多模式进化算法

本文借鉴生物在生态环境中的生死策略,提出了一种多模式生态进化算法,该算法主要体现了生物面对同一生态压力可采用不同生殖策略的思想,反映了生物在生态环境中进化的多样性和多层次性,本文同时将该算法应用于典型优化问题求解实验结果表明此算法具有良好的性能。     

基于单亲遗传算法的管网优化

管网连通分析是管网空间分析中一个很重要的功能,即针对多种因素获取管网的连通路径,该问题可以抽象为求图的最小生成树问题,传统算法只能针对一种因素求出唯一的生成树.使用遗传算法进行最小生成树的求解,可以得出满足条件的一组解,从而便于对多种因素的综合考虑.结合管网的实际需求,采用单亲遗传算法提高个体的有效性,通过引入精英选择和自适应遗传算法,有效改善了早熟和过早收敛问题,并使用实例验证了其有效性.     

一种基于混沌优化机制的双粒子群优化算法

针对标准粒子群优化算法PSO(Particle Swarm Optimization)在处理高维复杂函数时存在收敛速度慢、易陷入局部最优和算法通用性不强等缺点,提出了一种基于混沌优化机制的双粒子群优化算法.它借鉴群体适应值方差的早熟判断机制,同时提出了一种逐步缩小搜索变量空间的新方法.典型数值实验表明,该算法效率高、优化性能好、对初值具有很强的鲁棒性.尤其是该算法具有很强的避免局部极小能力,其性能远远优于单一优化方法.     

求矩阵复特征值的双种群改进遗传算法

针对矩阵复特征值的特点,提出采用双种群改进遗传算法并行求解复特征值的近似值.该算法中双种群采用实数编码,在遗传过程中每个种群都根据适应度自动选择其交叉概率和变异概率,使个体对环境变化具有自适应调节能力.变异中采用了柯西变异,可以使个体很快跳出局部极小.仿真结果表明,此算法可以达到一定的精度,具有一定的通用性,并给求矩阵复特征值提供了一种快速的方法.     

基于空间分解并行策略的演化算法研究

在分析已有的演化算法并行化实现策略的基础上,基于自强3000高性能计算机,设计实现了一种基于空间分解并行策略的演化算法（SP-PEA）。SP-PEA采用可分解／可拼接编码方式,使用了多种杂交和变异算子,获得了较好的收敛性能和可扩展性。在自强3000上的试验结果表明,SP-PEA在处理多维函数优化问题时与基于群体分组并行策略的演化算法相比有较好的收敛性能,能够以更快的速度收敛到最优解。     

基于双重Hilbert扫描的数字水印算法

提出一种基于双重Hilbert扫描的数字水印算法。该算法先将原始图像各4×4块按Hilbert扫描顺序排列,再对4×4块内的像素按Hilbert扫描顺序转换为准均匀三次B样条曲线的控制顶点向量。然后对B样条曲线进行小波分解获得曲线的低分辨部分。通过调整Hilbert逻辑相邻的两B样条曲线低分辨系数关系来实现水印信号的嵌入。水印嵌入后重构新的B样条控制顶点,新的控制顶点经逆Hilbert重置得到水印图像。实验结果表明,算法对图像压缩、滤波、缩放等攻击具有较强抵抗力。     

采用双坐标系的指纹预处理方法

本文提出了一种基于双坐标系的指纹预处理方法，通过计算指纹图的局部方向矩阵而 非基于灰度分布来求解灰度方向.它包括获取方向图、基于方向的滤波、二值化与细化等步 骤，有效地减少了计算指纹图像的方向误差，去除干扰，得到更清晰准确的处理结果．     

基于双链量子遗传算法的多约束QoS组播路由算法

多约束QoS组播路由问题是NP完全问题。提出一种基于双链量子遗传算法的多约束QoS组播路由算法,该算法具有种群多样性、收敛速度快、并行性更高等优点,并对算法具体流程和实现方法进行了详细的描述。实验结果表明,与已有的遗传算法、量子遗传算法相比,该算法有搜索速度快、全局寻优能力强等优点。     

基于双近邻测度的半监督聚类方法

代价函数的设计既要考虑到主空间又要考虑到辅助空间,从而提出了一个新颖的基于双近邻测度的半监督聚类方法DMSC.该算法通过迭代优化,使得相应的代价函数最小化,最终得到有效的聚类结果.通过实验证实了DMSC的有效性和优越性.