基于共同进化计算模型的基因连锁问题求解

针对传统单种群进化类算法(conventional evolutionary algorithms,简称CEAs)求解基因连锁问题的不足,基于生物界共同进化机制提出求解NK基因连锁问题的合作式共同进化算法(Coevolutionary algorithm,简称CoEA),探讨其子种群的合作方式与个体适应值的计算方法,并从数学上分析该算法的性能,指出共同进化算法中高于平均适应值模式的递增指数高于传统单种群进化算法.仿真结果证实了理论分析.结果表明,共同进化算法比传统单种群进化算法对求解基因连锁问题的效力和效     

基于进化策略的线性变分不等式求解算法

基于在求解变分不等式过程中存在着传统数字计算机的迭代算法很难满足并行性要求的问题,提出了求解一类线性变分不等式问题的进化策略算法.将进化策略算法用于求解线性变分不等式的数值方法,充分发挥了进化策略算法的全局收敛和并行搜索的特性,满足了工程技术中并行求解变分不等式问题的要求.数值计算结果表明,该算法收敛速度快、精度高,稳定性好,是一种解决线性变分不等式问题的有效方法.     

基于最大最小蚁群算法的TSP问题求解

TSP问题是一类经典的组合优化问题,为典型的NP-Hard问题.本文考虑574城市的TSP问题求解,采用最大最小蚁群算法,蚁群算法在求解路径优化问题方面较其他智能优化算法显示了优越性.由于基本蚁群算法容易陷入局部最优和早熟现象,本文采用最大最小蚁群算法进行求解.由于问题规模过大,最大最小蚁群算法在进化后期,也陷入了局部最优中.为了克服均不最优,在进化的后期需要进行随机扰动,提高求解的质量和效率.     

进化策略算法在矩阵特征值求解中的应用

工程实践中多种振动问题的求解常常归纳为求矩阵特征值问题,另外一些稳定性分析问题及相关分析问题也可以转化为求矩阵特征值问题.为了有效求解此类问题,提出了一种新的求解矩阵特征值的进化策略算法,该算法可用于求解任意矩阵的特征值.实验结果表明,这种基于进化策略算法求解矩阵特征值的方法,与传统方法相比,表现出求解精度高,收敛速度快等优点.     

求解SAT问题的退火遗传算法

提出一种将遗传算法与模拟退火算法相结合的SAT问题求解算法SAT-SAGA.该算法以遗传算法流程为主体,并把模拟退火机制融入其中,用以调整优化群体,防止陷入局部最优和出现早熟;在进化过程中算法采用了最优染色体保存策略,防止进化过程的发散.实验表明:该算法在求解速度、成功率和求解问题的规模等方面都有明显的改善.     

多进制概率角复合位编码量子进化算法

针对量子进化算法求解二进制编码问题比较有效,而求解多进制编码问题则比较困难的情况,本文提出了一种多进制概率角复合位编码量子进化算法.该算法将量子进化算法中量子位的概率幅表示法转化为复合位的概率角表示法,采用随机观测方法得到观测个体,采用概率角增减对个体进行更新.该算法适用于采用任意进制编码的问题.实验表明,与量子进化算法和传统遗传算法相比,多进制概率角复合位编码量子进化算法在适用范围、搜索能力和运算速度上具有较明显优势.     

求解混合整数非线性规划问题的改进差分进化算法

针对混合整数非线性规划问题的特点,在差分进化算法的变异操作中加入取整运算,提出了一种适合于求解各种混合整数非线性规划问题的改进差分进化算法.同时,采用时变交叉概率因子的方法以提高算法的全局搜索能力和收敛速率.用四个典型测试函数进行了实验研究,实验结果表明,改进的差分进化算法用于求解混合整数非线性规划问题时收敛速度快,精度高,鲁棒性强.     

基于阈值统计学习的差分进化引力搜索算法

为了改善基本差分进化算法在求解复杂优化问题时易出现早熟收敛、求解精度低以及进化后期收敛速度慢等缺陷,结合引力搜索算法的优点,提出一种基于阈值统计学习思想的混合差分进化引力搜索算法.该算法通过阈值统计学习的方式,充分利用差分进化算法的全局优化能力与引力搜索算法在进化后期的种群开发能力,在进化过程中根据2种策略在先前学习代数的成功率自适应选择较优策略生成下一代群体,保证种群在解空间中的探索与开发能力之间的平衡,以提高算法的全局寻优能力.对几个经典复杂测试函数的仿真结果表明:改进算法求解精度高、收敛速度快、鲁棒性强、能够有效避免早熟收敛问题.     

一种具有双重进化空间的扩展粒子群优化算法

为了使粒子群优化(PSO)适于求解更多类问题,提出一种由动力空间和制导空间共同进化的改进粒子群优化算法-具有双重进化空间的扩展粒子群优化算法(简记EPSO).在EPSO中,在演化转换映射的作用下,首先将动力空间中对粒子辅助位置的进化转换为制导空间中对主导位置的进化,然后基于对主导位置的择优选择操作实现算法的进化过程.EPSO克服了PSO仅适于求解连续域最优化问题的缺陷,也非常适于求解离散组合优化问题.对于随机3-SAT问题、背包问题和TSP问题,通过与PSO、ACO和GA等算法的计算对比表明:EPSO是一种继承了PSO优点的高效、扩展演化算法.     

人工鱼群算法在求解非线性方程组中的应用*

针对传统非线性方程组解法对初始值敏感、收敛性差、精度低等问题,提出了一种用于人工鱼群算法求解非线性方程组的进化算法.该算法求解精度高、收敛速度快.数值仿真结果表明,该算法对求解非线性方程组非常有效,既克服了传统方法对初值敏感和收敛性差,又解决了非线性方程组多解的求解难点等问题,为非线性方程组提供了一种进化求解的方法.     

新的线性遗传程序设计方法

受其他多种线性编码的遗传程序设计算法的启发,提出一种新的编码方式的遗传程序设计——符号遗传程序设计。该编码方式具有简单、无语法限制并且能够在不增加计算量的情况下将染色体翻译成多个表达式等特点。分析与实验表明该算法具有较高的效率和较强的稳定性。     

一种新型GEP解码方法

基因表达式编程（Gene Expression Programming）是进化算法的最新成果。它继承了遗传算法（GA）编码简单与遗传程序设计（GP）有巨大空间搜索能力的优点。提出一种新的GEP解码方法：GEP的非物理树解码算法。其在不影响原算法其他性质的情况下极大地提高了传统解码算法的运行速度,在一定程度上解决了GEP进化过程中表达式树（Expression Tree,ET）建立和释放消耗巨大时空资源的瓶颈。     

OFDM系统中同步偏差的联合估计算法

研究基于IEEE 802.11a的正交频分复用(OFDM)系统,分析同步偏差对该系统的影响,提出一种联合估计算法。利用导频序列估计频域中OFDM系统的同步偏差,包括符号定时偏差、载波频率偏差和采样时钟频率偏差。仿真结果证明,该算法的误包率较低,能较好地应用于OFDM系统。     

多符号差分检测的低复杂度球形译码设计

在多符号差分检测系统中,深度优先的球形译码是一种典型的次优的检测算法。然而从复杂度角度来说,它仍有较高的计算复杂度,且存在流水线和并行操作困难等缺点。针对这些问题,目前主要从两个方面对该算法进行改进：一是通过选择合适的约束半径来降低复杂度;二是与K-Best（M）算法结合来解决并行操作问题。主要研究前者,并在现有的理论基础上,提出了两种半径选择方法,即线性半径和非线性半径。仿真结果表明,两种半径约束下的球形译码在复杂度上低于最大似然检测却同时能保证它们的性能损失小于0.5 dB。     

线性规划ν-支持向量机的牛顿法

基于线性规划的ν-支持向量机(ν-LPSVM)是在基于二次规划的ν-支持向量机(ν-QPSVM)的基础上提出的。ν-LPSVM和ν-QPSVM模型中的参数ν都可以控制支持向量的数目和误差,但ν-LPSVM的模型更为简单,应用前景更广。讨论了这种新型支持向量机的线性规划问题的最小2-范数解,在此基础上给出了一个快速、有限步终止的牛顿算法。数值实验表明,ν-LPSVM的牛顿算法快速而且有效。     

混沌优化的仿射尺度搜索算法研究

为了求解单目标线性规划问题,提出了基于混沌优化（COA）算法的仿射尺度搜索（AFS）算法,即混沌AFS算法。使用混沌优化算法以迭代方式从随机初始点中得到优化的初始点;将得到的初始解点作为仿射尺度搜索算法的起始点来提高仿射尺度搜索算法的性能;通过搜索单目标线性规划决策变量域得到可行的近似最优解。实验结果表明,相比传统的AFS算法,在求解单目标线性优化问题时所提混沌AFS算法明显降低了目标值的偏差,同时大大地减少了迭代次数及CPU运行时间。     

Efficiency improvement of genetic network programming by tasks decomposition in different types of environments

Genetic Programming and Evolvable Machines - Genetic Network Programming (GNP) is a relatively recently proposed evolutionary algorithm which is an extension of Genetic Programming (GP). However,...     

基于GEP的任务指派问题的求解算法

任务指派问题是典型的组合优化问题,得到了广泛的研究。基于基因表达式编程的思想,设计了任务指派问题求解的算法,并用C#实现了该算法。结合人力资源任务分配的实例进行了实验分析和研究,获得了人员与岗位配置的最优解。实验表明算法设计是正确和有效的,从而为企业人员安排提供参考。     

基于遗传算法的战略供应链集成研究

在战略供应链研究中,考虑供应链的三个主要阶段,采购、生产、配送和它们之间的相互作用,不同客户需求,设施配对关系,供应商优先权以及现有供应链设计模型的局限性,建立了混合整数非线性规划（MINLP）模型。为有效地解决这种大规模混合整数非线性规划模型的约束,采用自适应遗传算法（AGA）对该模型进行求解优化。实验结果表明,所提混合整数非线性规划模型能够有效解决战略供应链设计中的供应链协同优化问题,并能得到较优的供应链设计方案。     

基于协同进化基因表达式编程的函数发现研究

基因表达式编程（GEP）算法是一种具有强大函数发现能力的新型进化算法。GEP在函数发现时如何确定合适的数值常量对算法的性能具有很大影响。提出了一种基于协同进化基因表达式编程的函数发现算法（GEP-DE）,该算法的最大改进在于一种新的常量优化方法：在每一代中将函数发现的过程分为两个阶段：第一阶段,由标准GEP算法结合固定常量集确定函数结构;第二阶段,使用差分进化算法（DE）对第一阶段得出的函数结构的常量进行优化。实验结果表明,GEP-DE算法比重要文献中的常量处理方法其效果有较大提升,并且算法的综合性能也优于最新重要文献提出的GEP算法。