多目标组播路由的免疫优化算法研究

分析了当前带约束的单目标优化路由模型的局限性,构建了一个基于多目标优化的组播路由模型,在此基础之上提出了一个能够同时优化带宽、时延、代价等QoS参数的基于免疫原理的多目标组播路由算法,并对算法的收敛性和时间复杂度进行了分析.算法使用克隆选择作为主要的免疫算子,利用Pareto占优的思想进行抗体亲和度的定义,引入基因库的概念加快算法的收敛,通过局部竞争选择策略保证种群的多样性.仿真结果表明,该算法能够快速收敛于一组协调各QoS参数的Pareto最优解,是解决多目标组播路由问题、提高网络性能的有效途径.     

锂离子电池放电寿命的演化自适应建模

采用基于遗传程序设计思想的演化自适应建模算法建立了锂离子电池放电寿命模型，结果表明，该算法收敛速度快，１次可获得多个精确度较高的模型，模型经验验后的结果与实际情况能很好地符合，该真法具有较强的通用性，可快速有效地解决了广泛领域内的自动建模问题。     

基于遗传算法的智能机器人对抗策略设计

近年来,随着大型第一人称类的网络游戏风靡全球,游戏角色的智能性研究得以迅速发展.本文基于Robocode这样一个机器人战斗模拟系统,提出了针对不通的环境和对手,根据实战数据,通过遗传算法来为机器人寻找到一个最佳的战斗策略,利用该策略再与其它机器人进行实战的策略,并对战斗的数据结果做出了分析.     

并行算法简介(续)

四、同步并行算法 构造并行算法有两个原则:一个叫做“分而治之”(divide and conquer);另一个叫做“重新编序”(reordering)。分而治之是把一个问题分裂为一些可以独立地或相对独立地进行处理的小问题。这些小问题之间的“独立程度”越大越好,最好是它们都彼此无关,     

自收缩性的演化算法及其在布局优化问题中的应用

布局优化问题是现代工程应用中广泛存在的一类组合优化问题,但在理论上它却属于NPC(NP-Complete)问题,如果需考虑性能约束,则问题将更难于求解。论文基于演化算法自适应,自组织,自学习的特性,针对布局优化问题自身的特点,提出了一种自收缩性的演化算法(SCEA)。该算法采用浮点编码方式,定义了二元实向量类型的适应值及适应值间的严格偏序关系。算法借鉴日常生活中的一个简单事实—振动容器则装物更多,引入了三类自适应性的收缩算子(其中第三类特别适用于带性能约束的布局优化问题)。此外,文中使用了对带约束的函数优化问题特别有效的多父体杂交算子,并且针对带性能约束的布局优化问题,提出了“零性能约束初始化”过程。文后,引用了两个带性能约束的布局优化问题的已知例子和一个作者构造的较大规模布局优化问题的例子,实验结果表明,前两个问题对比目前已知最好结果无论在求解时间或结果的精度上均有较大突破,后一个问题也获得了相当好的结果,从而充分验证了算法的有效性和可行性。     

遗传算法求解完全欺骗性问题的平均计算时间

讨论了一类遗传算法求解完全欺骗性问题的平均计算时间,证明了这类算法的平均计算时间是问题规模的指数次方,同时指出存在一种基于多重结构的遗传算法,它求解这个问题的２计算时间是问题规模的多项式次方。     

基于正交设计的多目标演化算法

提出一种基于正交设计的多目标演化算法以求解多目标优化问题(MOPs)．它的特点在于：(1)用基于正交数组的均匀搜索代替经典EA的随机性搜索,既保证了解分布的均匀性,又保证了收敛的快速性;(2)用统计优化方法繁殖后代,不仅提高了解的精度,而且加快了收敛速度;(3)实验结果表明,对于双目标的MOPs,新算法在解集分布的均匀性、多样性与解精确性及算法收敛速度等方面均优于SPEA;(4)用于求解一个带约束多目标优化工程设计问题,它得到了最好的结果——Pareto最优解,在此之前,此问题的Pareto最优解是未知的．     

带微调参量的正则化方法及其在降质图像恢复问题中的应用

1 引言降质图像恢复问题就是图像处理领域里一类反问题。降质图像恢复中的解通常是病态的,利用正则化方法恢复图像取得了较好效果。然而,传统的正则化方法中正则逆算子只含正则化参数,它不能充分地融合其它信息,得到的正则解逼近真解的效果不很理想。为了取得好的恢复效果,各种各样融合其它信息的方法提出来了,以使正则化方法的恢复效果更好。例如,使用局部正则化参数,图像的边缘和纹理区域使用较小的正则化参数,平滑的区域使用较大的正则化参数,局部方差较小的区域正则化参数较大,局部方差较大的区域正则化参数较小,产生自适应正则化参数的正则化方法。人们根据图像的能量、导数的二次平均、曲率的二次平均等设计出各种各样的正则化算子,不同的正则化算子将导致不同的     

演化算法的收敛性分析及算法改进

文章利用马尔可夫随机过程刻画了演化算法,证明了标准演化算法是不收敛的,说明了演化算法收敛于最优解的必要条件:非完全遍历性。并论证了采取精华保留策略的标准遗传算法以概率1收敛于最优解,并据此分析了一个典型实例———GTGA算法的收敛性及其算法改进方案。     

Pareto强度值演化算法求解约束优化问题

提出了一种求解约束函数优化问题的方法.它不使用传统的惩罚函数,也不区分可行解和不可行解.新的演化算法将约束优化问题转换成两个目标优化问题,其中一个为原问题的目标函数,另一个为违反约束条件的程度函数.利用多目标优化问题中的Pareto优于关系,定义个体Pareto强度值指标以便对个体进行排序选优,根据Pareto强度值排序和最小代数代沟模型设计出新的实数编码遗传算法.对常见测试函数的数值实验证实了新方法的有效性、通用性和稳健性,其性能优于现有的一些演化算法.特别是对于一些既有等式约束又有不等式约束的复杂非线性规划问题,该算法获得了更高精度的解.