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．     

基于种群年龄分层模型的线性遗传编程算法

针对常规线性遗传编程算法易发生早熟收敛与膨胀的不足,提出了一种改进的线性遗传编程算法——种群年龄分层模型的线性遗传编程算法。算法采用种群年龄分层模型对种群进行分层提高种群的整体多样性,并进一步采用双层锦标赛提高各分层子种群局部的多样性,以种群多样性的提高减少算法早熟收敛的发生频率;算法采用种群分层的方法限制长度较长个体的数量,从而减轻种群的膨胀程度。在5个符号回归基准函数进行测试的结果表明,所提方法能够有效减少早熟收敛的发生频率,同时有效控制种群的膨胀程度。     

CEA:基于弱势种群保护抗早熟的聚类淘汰算法

传统基因表达式编程算法(GEP)决定个体遗传权时过分依赖适应度,忽略了个体间相互关系,造成GEP算法易早熟而影响进化效率.为克服该问题,从理论上研究了造成GEP早熟的原因,并根据研究结果提出弱势种群保护抗早熟的聚类淘汰算法CEA(cluster-elutriate Algorithm);定义β-cluster及相关概念;用种群所含不同簇的数量来度量种群的多样性达到保护弱势种群.利用概率手段详细分析了个体参与下一代的机率.实验表明,基于CEA的算法能很好的防止GEP函数发现时的早熟现象,且极大地提高了函数发现效率.     

一种小生境遗传算法研究

改进的小生境技术遗传算法因其较好地保持了种群多样性,显示出更优的性能,但它存在操作复杂、比简单遗传算法更费时的缺陷,针对此问题提出一种基于群体间共享的小生境遗传算法.该算法在多模函数的优化中能够保持种群多样性的稳定性,获取合适的子种群规模,从而以更快的收敛速度获得更优的解.研究结果表明,该算法不但可以有效地克服标准遗传...     

基因表达式编程在函数挖掘中的应用研究

基因表达式编程（GEP）是一种基于基因型和表现型的新的自适应演化算法,为克服GEP在保持种群多样性和保护最优解方面的缺陷,对经典GEP进行了改进,提出了一种基于头、身、尾三段结构和自适应变异算子的改进的基因表达式算法（GEP-FM）,并从理论上对算法的复杂度和收敛性进行了分析;同时将GEP—FM算法应用于函数挖掘．多个数值实验结果表明：该方法挖掘的模型优于传统算法及经典GEP算法,具有更高的拟合度和预测精度,     

一种基于排挤机制的改进遗传算法

为解决遗传算法求解具有多个极值点的函数时容易出现的早熟的弱点,根据排挤机制,提出了一种改进的遗传算法。该算法采用分组选择的方式,首先按适应度大小进行分组,然后根据个体间相似度来淘汰种群中相似个体,以此维持种群的多样性,避免算法未成熟收敛。用典型函数对算法进行测试,结果表明该算法性能优于基本遗传算法。     

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.     

种群多样性的GEP算法在预测中的研究和应用

针对传统的基因表达式编程(Gene Expression Programming,GEP)算法在函数发掘时容易陷入过早收敛和局部最优问题,提出了一种基于种群多样性的GEP(GEP based on population diversity,PD-GEP)算法。该算法提出了简单云改进GEP策略,利用简单云改进了常数创建方法,并设计了云变异算子和云交叉算子动态调整其变异和交叉概率,以保证种群的多样性。同时提出了种群的有效交叉策略,引入新个体更新种群,避免早熟收敛,提高进化效率。最后将其应用于工程实例中,并将其结果与传统GEP算法结果进行比较。研究结果表明:该算法提高了预测精度和收敛速率,具有更好的收敛性。     

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。     

基于改进GA的云计算任务调度策略

针对传统遗传算法在云计算任务调度过程中的收敛速度慢和易早熟等问题,提出了一种基于遗传优化算法的双适应度函数改进算法.该算法采用任务完成时间和任务完成成本为双适应度函数,引入个体相似度概念来提高种群质量;采用并列选择法进行选择操作,并且采用自适应规则约束交叉和变异操作,提高种群个体质量,加速进化策略可以有效地避免早熟.结果表明,改进的遗传算法有效地加快了云任务作业调度的收敛速度,并改善了易早熟等现象.     

基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法

针对基于粒子群的属性约简算法易陷入局部最优、效率不高等问题,充分利用小生境技术在寻求最优解方面优势,提出一种基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法（NCNPSO-IAR）。该算法通过圆锥分层空间构造小生境半径邻域子集向量,避免过多地依赖于先验领域知识生成小生境半径和早熟收敛,始终保持种群多样性,提高算法收敛速度。另外粒子种群在圆锥解空间充分进行约简集子矢量的协同学习,使属性约简集较好收敛到最优集。相关仿真实验表明：该属性约简优化算法是高效和鲁棒的,适用于不完备、含噪音决策表的属性约简。     

基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法

针对基于粒子群的属性约简算法易陷入局部最优、效率不高等问题,充分利用小生境技术在寻求最优解方面优势,提出一种基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法(NCNPSO-IAR)。该算法通过圆锥分层空间构造小生境半径邻域子集向量,避免过多地依赖于先验领域知识生成小生境半径和早熟收敛,始终保持种群多样性,提高算法收敛速度。另外粒子种群在圆锥解空间充分进行约简集子矢量的协同学习,使属性约简集较好收敛到最优集。相关仿真实验表明:该属性约简优化算法是高效和鲁棒的,适用于不完备、含噪音决策表的属性约简。     

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.     

基于遗传算法的过程辨识方法实现与应用

简单遗传算法存在着收敛速度慢和容易早熟的缺点,针对这种情况,通过合理选择编码方式,改进初始种群选择策略、复制、交叉和变异策略提出一种综合的改进遗传算法,并将其应用于系统模型辨识。用基于排序法的新的选择算子和多个交叉、变异概率,能有效维持种群的多样性,克服算法早熟现象。在改进的算法中,同时用到精英保留策略和模拟小生境方法,保护优良个体,使算法的引导性增强。在系统辨识的过程中,结合系统先验知识,对模型的阶次辨识进行指导。最后通过几个系统辨识的实例验证了该算法的有效性。     

NCRS-GEP编程算法及其在统计建模中的应用

为了克服传统基因表达式编程算法容易陷入局部最优的缺点,在传统基因表达式编程(GEP)算法的基础上设计了一种基于IS插串和RIS插串的非编码区域插串算子NCRS插串,再根据NCRS插串提出一种改进的基因表达式编程算法NCRS-GEP。该算法针对基因表达式编程的非编码区域能带来无限搜索空间的特点进行了算子设计的改进,通过增加种群分布的多样性,克服了传统GEP算法容易陷入局部最优的缺点,提高了算法的建模精度。数据实验表明,与传统GEP算法相比,NCRS-GEP能够更准确地收敛到建模问题的全局最优解,从而使建模误差更小。     

一种改进的人工蜂群算法

从经典人工蜂群算法机制出发,针对原始算法在初始种群构造、子种群分组、步长更新和种群淘汰方面的不足进行了改进.新算法运用均匀设计理论构造初始种群,提出了一种种群交叉的Z型分组方法,设计了一种对数函数自适应步长代替原来的随机步长,引入了小生境技术及时淘汰陷入局部最优的个体.实验结果表明,改进后的算法有效地解决了人工蜂群算法早熟收敛、搜索速度较慢等问题,并提高了解的精度.     

基于小生境基因表达式编程的多模函数优化

为了解决传统基因表达式编程(GEP)无法发现多模函数的所有最优解的问题,将小生境概念引入到基因表达式编程中。分析了传统GEP算法在多模函数优化方面的不足,提出了小生境半径的自适应调整策略AMNR,提出了基于小生境基因表达式编程的多模函数优化算法NGEP-MFO。扩展了传统GEP的应用领域,实验表明,相对于传统GEP,NGEP-MFO能大幅提高发现所有最优解的成功率和判定最优解的准确度。     

基于动态权值的粒子群算法的多样性分析

种群的多样性是保证粒子群优化算法收敛的前提条件,基于此提出了一个概念清晰、运算量小的多样性定义,并从粒子在寻优过程中粒子聚合程度和速度进化程度出发分析粒子群的多样性。在此基础上,提出了一种基于动态权值的改进算法,算法能自适应的调整惯性因子以保持种群多样性,有效地避免了早熟收敛。仿真实验表明该算法不仅能加快种群的进化速度,而且还能增强算法的全局收敛性,收敛概率也从15％增加到100％。     

基于多粒子信息共享策略的PSO小波网络模型

针对粒子群优化算法在训练小波网络存在的早熟收敛问题,提出一种改进的粒子群优化算法.该算法通过引入多粒子信息共享策略,使种群中各粒子共享多个粒子的有用信息,以期增加种群多样性,减少各粒子在进化早期被吸引到最优粒子附近的可能性,提高小波网络的建模质量.仿真表明,相对于BP算法和标准粒子群优化算法,本文算法在训练小波网络方面估计精度更高,收敛速度更快,并有效解决了早熟收敛和局部最优问题.