改进的正交遗传算法及其在函数优化中的应用

提出了一种新的正交遗传算法(OBGA),算法的特点是利用正交数组产生初始种群,它比随机产生的初始种群更均匀分布在解空间中,而且在正交设计的基础上提出了一种新的杂交算子,与高斯变异算子相结合,提高了种群的多样性和算法的局部搜索能力,最后对6个多峰函数进行了测试.数值实验结果表明,新算法正确高效,稳定性好.     

基于正交试验设计的区域分解遗传算法

论文根据区域分解的特点,将正交试验设计应用于区域分解遗传算法中,提出了一种基于正交设计的遗传算法。该算法利用正交试验设计来进行区域组合,通过较少的区域组合达到全局搜索的目的,解决区域分解遗传算法由于区域组合所带来的工作量大的问题,从而达到提高区域分解遗传算法的效率,改善算法的性能的目的。文中最后通过数值仿真计算,验证了算法的实用性。     

正交遗传算法在网络优化设计中的应用

利用正交实验法的全局思想,提出一种采用多点正交交换的遗传算法。算法通过正交表安排遗传算法的交换运算,并在所产生的多个子代中选择适应度大的个体进入下一代进化,这样既加快了算法的收敛速度又保证了种群的多样性。并将该算法应用在计算机网络的容量分配与路由选择优化上。实验证明,该算法较之传统遗传算法,在种群规模较小的情况下,仍然可以以较少的搜索次数,收敛到近似最优解。     

Agent的遗传算法研究

Agent是指具有智能的人,或其它智能物或相当于智能物体的实体,以及能进行种种工作的软件等。这种Agent对给定介质环境中的事件变化能迅速作出反应,具有自治、推测、反响、协作、自学习和相互学习等能力。鉴于Agent的这些特点,借助Darwin自然进化论与Mendel遗传变异理论来研究Agent是科学的、合理的。我们知道,在生物的演化过程中,生命期模式在个体的成长中占据十分重要的地位;生态环境中的生物个体在进化时,即使在它自己的局部环境,也是有生命周期的。个体在不同的局部环境和生命期的各个不同阶段具有不同的成长特性,并在生命期模式的控制下体现出实际成长的特点。关于Agent遗传理论的研究,目前还未见诸文字。综上所述,本文抓住Agent类似于生物的特性,从遗传变异和生物演化两个生物的本质属性方面给出Agent的遗传算法与演化模型,真正从本质上刻画Agent的智能本能行为,填补了这方面的工作。     

基于BP网络和遗传算法的正交实验分析

传统的实验设计与分析方法为首先进行正交实验设计,然后对实验结果进行回归分析和方差分析以确定最佳工艺条件。文章提出的基于BP网络和遗传算法的正交实验分析方法,利用BP网络的高度非线性拟合特性对复杂的多输入多输出问题进行较高精度的回归,运用遗传算法优越的全局并行随机搜索及对适应度函数广泛的适应性等特性进行最优工艺条件的搜索,克服了传统分析方法系统模型辨识困难、后续实验工作量大以及最佳工艺条件搜索困难等缺点,大大提高了实验工作的效率和质量。     

遗传算法的一种特例——正交试验设计法

简要介绍正交试验设计法与遗传算法的基本原理,分析它们之间的内在关系,指出正交试验设计法可以认为是遗传算法的一种特例,即它是一种初始种群固定的、只使用定向变异算子的、只进化一代的遗传算法.计算结果表明,正交试验设计法可以解决一般遗传算法中的最小欺骗问题.     

遗传算法函数寻优性能影响因素分析——基于正交试验的方法

遗传算法在函数寻优领域得到了广泛应用,选取合适的参数对提高遗传算法寻优性能至关重要。以四个经典函数为例,基于正交试验原理分析了遗传算法五个参数对其寻优时间和迭代次数的影响。结果表明：对寻优搜索时间影响最大的参数为变异概率,其次为种群大小,交叉算子的选择、交叉概率和编码长度影响相对较小;对寻优迭代次数影响较大的三个参数为变异概率、种群大小和编码长度,而交叉概率和交叉算子的选择影响相对较小。分析了使遗传算法性能最优时参数组合的原则。     

混合量子遗传算法及其性能分析

首先比较了带量子门更新和群体灾变的量子算法(QA)以及加入对量子位的交叉和变异操作的量子遗传算法(QGA);然后结合量子搜索和传统遗传搜索提出了混合量子遗传算法的框架,并给出了基于二进制编码的混合量子遗传算法(BQGA)和基于实数编码的混合量子遗传算法(RQGA).基于典型问题的数值仿真和比较表明,RQGA的性能明显优于其他算法,对参数和初值具有较好的鲁棒性.     

一种新的正交多目标最优化遗传算法

文章首先构造了一个新的适应值函数,它以标准化后的目标函数的加权极大值作为个体的适应值,通过独特选取多组权重向量和正交试验方法,保持了种群的多样性,使得搜索方向在目标空间中均匀指向有效界面。该算法的显著特性是不管有效界面是否凸,都能找到足够多均匀分布的有效解。数值实验也表明了该算法非常有效。     

用于全局优化的混合正交遗传算法

为提高正交遗传算法收敛速度和搜索精度,在正交遗传算法的基础上引入局部搜索策略,提出一种新的聚类局部搜索算子。利用正交算子初始化种群,保证初始群体分布的均匀性和多样性。通过正交算子在全局范围内进行全局搜索,使算法能在全局范围内收敛。采用聚类局部搜索算子对群体进行局部搜索,以增强算法的收敛速度和搜索精度。对7个高维的Benchmark函数进行测试,仿真实验结果表明,与其他算法相比,该算法具有更好的搜索精度、收敛速度和全局寻优的能力。     

基于多智能体遗传算法的战术航段优化

针对飞机战术飞行要求和威胁规避目标的问题,采用优势函数和战术规避相结合的原则,将战术航段优化问题转化为路径搜索问题,提出了基于多智能体遗传算法来解决此问题.采用自适应交叉和变异算子,改进自学习算子获取子代的算法,实现了全局最优的结果.通过和传统遗传算法进行仿真比较,相比之下,基于多智能体的遗传算法可以有效利用地形,实现战术飞行.     

基于模拟退火遗传算法的多agent系统任务分配

针对标准的遗传算法在任务分配中收敛速度慢的问题,对多agent系统中的任务分配进行形式化描述的基础上,融合模拟退火算法的优化思想,提出了一种基于模拟退火遗传算法的任务分配方法,详细阐述了该算法的基本思想和关键步骤,并通过仿真实验进行验证。仿真实验结果表明,基于模拟退火遗传算法比标准的遗传算法具有更快的收敛速度和寻优效果。     

多智能体遗传二维Otsu法SAR图像变化检测

提出一种基于多智能体遗传二维最大类间方差法的合成孔径雷达图像变化检测方法。采用阈值分割的思想,利用对数比值法构造差异影像;通过多智能体遗算法寻找变化和非变化类之间距离测度函数最大的全局阈值,得到变化检测结果。实验结果表明,与遗传算法、免疫克隆选择算法、多智能体遗传一维最大类间方差法、二维最大类间方差法相比,该算法可以快速、准确地得到变化检测结果。     

正交U变换及其快速算法

采用递推方法构造一种正交变换,称之为U变换,该变换含有分段常数基向量、分段一次多项式基向量以及分段二次多项式基向量,是对Walsh变换、斜变换的推广。根据递推方式,可以得到相应的快速算法。利用平移复制算子和Kronecher积的性质,推导基于Kronecher积的快速算法和正交U变换的直接分解算法。将该变换应用于图像压缩中,构造基于人类视觉系统的量化表,实验结果表明,正交U变换的图像压缩性能明显优于斜变换的图像压缩性能,与DCT变换的图像压缩性能相当,为图像压缩提供了一种新的选择。     

多Agent系统安全性分析与设计

全面分析了多Agent系统的安全特性、安全风险和安全需求.在此基础上,研究了多Agent系统多层安全模型及安全多Agent系统需要提供的基础安全服务.基于FIPA-OS框架,设计并实现了一个面向Agent的二级认证PKI系统,同时提出一组安全服务Agent,为FIPA-OS框架增加了的身份鉴别、证书管理、安全审计、资源访问控制及Agent社区管理等多种安全机制.     

紧致遗传算法及其在武器目标分配中的应用

介绍了紧致遗传算法的基本原理,并对其进行了改进,通过仿真验证了算法的有效性。针对武器-目标分配（WTA）问题,提出利用紧致遗传算（CGA）法求解该问题,通过验证并与其它方法比较,证明该方法可行。由于紧致遗传算法的编码简单,运行时占用的内存较小,所得到的结果较为稳定并且运行速度较快。     

基于正交试验法的小生境混合遗传算法

在简单遗传算法应用过程中 ,为了解决早熟现象、收敛缓慢和解的精度差等问题 ,提高遗传算法的优化性能 ,借助正交试验法的全局均衡设计思想和自然界的小生境思想 ,在引入了一些高效进化操作的基础上 ,提出了一种基于正交试验法的小生境混合遗传算法 ,并进行了性能分析和实例研究 .研究结果表明 ,该算法能够有效地增强遗传算法的全局收敛性 ,加快进化速度 ,同时算法稳定性也得到了一定的提高     

基于分裂算子的遗传算法和自适应遗传算法

针对遗传算法所存在的早熟和收敛速度慢等问题,基于低等生物的分裂生殖现象,提出了分裂算子的概念,并将该算子引入到传统遗传算法和自适应遗传算法中,对这两种遗传算法进行了改进。通过一系列多峰函数测试实验,将改进算法分别与基本遗传算法和自适应遗传算法进行比较,证明引入分裂算子后的遗传算法和自适应遗传算法不仅有效地收敛到全局最优解,而且提高了收敛速度。     

遗传算法理论及其应用研究进展

首先阐述遗传算法的原理和求解问题的一般过程;然后讨论了近年来从遗传算子、控制参数等方面对遗传算法的改进,并对遗传算法在计算机科学与人工智能、自动控制以及组合优化等领域的应用进行陈述;最后评述了遗传算法未来的研究方向和主要研究内容。     

MAGAD-BFS: A learning method for Beta fuzzy systems based on a multi-agent genetic algorithm

This paper proposes a learning method for Beta fuzzy systems (BFS) based on a multiagent genetic algorithm. This method, called Multi-Agent Genetic Algorithm for the Design of BFS has two advantages. First, thanks to genetic algorithms (GA) efficiency, it allows to design a suitable and precise model for BFS. Second, it improves the GA convergence by reducing rule complexity thanks to the distributed implementation by multi-agent approach. Dynamic agents interact to provide an optimal solution in order to obtain the best BFS reaching the balance interpretability-precision. The performance of the method is tested on a simulated example.