遗传算法与多Agent遗传算法操作与性能比较

该文主要介绍遗传算法及其改进的混合算法多Agent遗传算法在操作和性能上的差异,分析并证明了了遗传算法求解高维函数优化问题的局限性。通过实验证明了多Agent遗传算法的执行性能上较遗传算法具有很大的优越性,特别是在求解不高于400维的优化问题时。     

并行遗传算法在软件可靠性优化中的应用

基于并行遗传算法将软件系统的可靠性优化问题表达为一类带约束条件的组合优化问题,并采用并行遗传算法中的岛屿模型和迁移策略,较好地改善了搜索性能。模拟实验表明：并行遗传算法有效地提高了运行速度和求解质量。     

多属性修正遗传算法适应度在专家系统中的应用

遗传算法算法原理简单明了,在计算极值方面有其竞争优势,可以方便地逃离局部最优解达到全局最优解。算法运行的核心是适应度函数,起引导算法优化指向的作用。提出一种多属性遗传算法适应度描述算法,从而使得现实中的推理问题可以利用遗传算法的求优能力来解决,试验证明它具有很强的可行性和实用性。     

并行遗传算法在并行多机调度中的应用

GA是一类基于自然选择和遗传学原理的有效搜索方法,它从一个种群开始,利用选择、交叉、变异等遗传算子对种群进行不断进化,最后得到全局最优解。但随着求解问题的复杂性及难度的增加,提高GA的运行速度便显得尤为突出,采用并行遗传算法(PGA)是提高搜索效率的方法之一。本文分析了并行遗传算法的四种模型,最后将其应用于多机任务调度中。     

Agent和遗传算法在个性化远程组卷系统中的应用

对传统遗传算法做了改进.并提出一种新的基于学生模型的智能组卷方法.并采用移动Agent技术设计了一种新的个性化远程组卷系统.     

基于遗传算法的多连接表达式进行查询优化

多连接表达式的并行查询优化是提高数据库性能的关键问题之一，提出了使用遗传算法来解决多连接表达式的并行查询优化问题。为了提高查询处理器的执行效率，采用启发式规则来搜索最优的多连接表达式并行调度执行计划。文中给出了详细的测试结果和性能分析。实验结果表明，结合启发式知识的遗传算法是解决多连并行查询优化的有效途径，对提高数据库 的性能起到重要作用。     

基于Agent的多属性决策模型及其在高校实验教学中的应用

商务智能中,基于Agent的自动谈判利用Agent的各项人工智能优势模拟人们进行实际商务谈判,日益受到重视,其中的多属性决策尤为重要.针对现有研究对其中权重及感知价值研究不够的现状,采用犹豫模糊数,给出新的属性分类,建立相应的犹豫模糊评价矩阵并进行评价值规范后构建相应主观权重算法;结合目标优化模型和拉格朗日函数,构建相...     

遗传算法在神经网络优化中的应用

把遗传算法和神经网络结合起来,形成以遗传算法与神经网络相结合的进化神经网络。介绍了遗传算法的基本原理。讨论了用遗传算法优化网络结构和基于遗传算法的神经网络权值优化问题。并通过实验仿真将该算法与BP算法进行比较,从而验证了该算法的可行性与有效性。     

基于多Agent的多属性拍卖系统研究

通过对现有网上拍卖系统的深入分析,指出多属性网上拍卖系统的研究是最为薄弱的环节。依据网上交易的需求和分布式人工智能迅速发展,提出了一种基于多Agent的多属性网上拍卖系统,着重对多属性拍卖协议和策略,以及系统构架进行了探讨,给出了集成式的多属性网上拍卖系统的算法,并对今后的研究方向进行了展望。     

一种自适应遗传算法在粗糙集属性约简中的应用

属性约简是粗糙集理论中的一个核心问题,为获得有效的最小相对属性约简,利用自适应遗传算法实现粗糙集属性约简。自适应遗传算法根据个体适应值动态调整个体的交叉概率和变异概率,提高了遗传算法的寻优能力和收敛速度。     

一种基于粗糙集理论的快速并行属性约简算法

将并行计算的思想融入基于粗糙集理论的快速属性约简中,提出了一种基于粗糙集理论的快速并行属性约简算法.该算法在保证约简结果是Pawlak约简的情况下,将属性约简任务划分到多个处理器中同时处理,从而大大提高了属性约简的效率.仿真实验结果说明了该算法的高效性.     

基于最优解收集的扩展式并行遗传算法

在扩展分布式遗传算法(EDGA)的基础上提出了一种新的基于最优解收集的扩展式并行遗传算法(EPGA)。在该算法中,群体被划分为子群分配给各子处理单元(PE)计算,根处理器则在采用全局搜索策略进行搜索的同时,不断地从各子处理单元上收集局部最优解替换当前群体以获取较好的最优解。该算法采用子群的概念去获得较好的加速比,采用全局搜索策略的概念去获得较好的最优解,同时具有EDGA不具有的许多优点。给出了该算法针对经典的TSP问题的非阻塞MPI实现。实验表明该算法可以有效地提高遗传算法的加速比及增加获得最优解的概率。     

并行遗传算法在工程智能优化中的实现策略

遗传算法在工程智能优化中的应用较为广泛,但遗传算法的运算效率却直接影响了其在工程中的应用,该文分析了用并行遗传算法提高遗传算法运算效率的策略,并将其应用到工程智能优化中,取得了较为满意的效果,得出了有意义的结论。     

基于变量转换的并行优化算法

针对大规模边界约束优化问题,现有并行变量转换(PVT)算法不适于直接求解。基于此,采用内点法和逐步下降的思想,提出一个并行求解边界约束最优化问题的可行算法。在下降方向满足梯度相关、步长满足Goldstein规则的条件下,证明该算法的收敛性。当约束失效时,该算法退化为求解无约束的PVT算法,从而成为原有算法向约束优化问题的一个推广。     

基于遗传算法的QoS路由优化算法

研究了带宽、时延等QoS路由问题,提出了一种基于遗传算法的QoS路由选择优化算法。算法采用网络资源消耗和负载分布为目标函数,目的是在消耗网络资源最小的基础上,使负载均衡分布,合理利用网络资源,降低网络拥塞。仿真结果表明,该算法是有效的、稳定的。     

基于遗传算法的多方法协作优化方法

采用遗传算法、模式搜索法和Powell法进行多方法协作构成多方法协作优化方法,进行多方法协作优化方法的结构设计,分析多方法协作优化方法的优化性能。实例证明了多方法协作优化方法相对于遗传算法的优越性。     

基于遗传算法的多智能体协作行为研究

协作问题一直是多智能体系统研究的关键问题之一,该文给出了用遗传算法来实现多智能体协作的一种方法。该方法利用遗传算法来解决当多智能体系统无法得到环境信息或得到这些信息代价过高时,如何有效地产生它们的协同运动。利用该方法,对三个智能体协作把箱子搬到目标点,然后改变目标点,让智能体继续完成协作任务进行计算机仿真,结果表明遗传算法在动态环境下实现多智能体协作方面的可行性和有效性。     

基于粗粒度模型的蚁群优化并行算法

为了改进蚁群优化算法的收敛速度,研究了一种基于粗粒度模型的并行蚁群优化算法,该算法将搜索任务划分给q个子群,由这些子群并行地完成搜索,可使搜索速度大幅度提高。实验结果表明,用该算法求解TSP问题,收敛速度比最新的改进算法快百倍以上。     

多宇宙并行量子衍生遗传算法研究

将量子的多宇宙特性和遗传算法相结合,提出了多宇宙并行量子衍生遗传算法。算法中将种群分成若干个独立的子群体,称为宇宙。给出了不同宇宙数量下的并行拓朴结构,提出了宇宙内采用量子旋转门演化和量子变异,宇宙间采用移民和量子交叉的两种信息交互方式,能有效克服早熟收敛现象,使得搜索效率和搜索能力得到更进一步提高。典型函数优化实验验证了该文所提算法的有效性。