排序方式: 共有112条查询结果,搜索用时 15 毫秒
31.
32.
提出了一种基于免疫克隆选择算法的基因表达式程序设计混合算法(CS-GEP).基因表达式程序设计(GEP)是一种新近提出的遗传程序设计方法,已逐渐成为演化计算新的分支.GEP最为重要的优点在于其具有很强的表达能力,而如何充分利用GEP易操作的特点,提高GEP的群体搜索能力是研究较少的一个重要内容.CS-GEP方法借鉴免疫克隆选择原理重新设计了一种克隆选择学习策略替代原GEP算法的遗传算法搜索策略,数值实验结果表明,CS-GEP较GEP具有更好的问题求解能力. 相似文献
33.
本文提出了一个演化算法的通用设计模型,并用UML详细说明了它的组成与结构.该模型以演化算法中的关键概念及其相互作用机制为核心,把这些概念合理分类并加以抽象,有效地实现了关注分离和封装实现细节.而应用设计模式来组织这些概念又使该模型具有灵活的体系结构.因此该模型具有可重用、可扩展、易理解、易使用、便于进行测试等优点.最后将该模型的实现应用到各类不同的问题来验证其通用性和有效性,并给出了函数优化和TSP问题的实验结果. 相似文献
34.
构建“基因库”求解TSP问题的混合遗传算法 总被引:4,自引:0,他引:4
该文设计了求解平面TSP的一种新算法,该算法首先构建一个“基因库”,在单亲演化中使用“基因库”中的基因,并将单亲演化所产生的最好解,作为群体演化中的一个个体,再进行群体演化。在求解TSPChina144问题实验中,不仅找到迄今最好的解,而且该算法具有高效的特点。 相似文献
35.
36.
37.
一种基于构建基因库求解TSP问题的遗传算法 总被引:23,自引:1,他引:23
传统的遗传算法通常被认为是自适应的随机搜索算法.该文在分析其特点后针对TSP问题提出了一种将建立基因库(Ge)与遗传算法结合起来的新算法(Ge-GA).该算法利用基因库指导种群的进化方向,并在此基础上使用全局搜索算子和局部搜索算子增强遗传算法的“探测”和“开发”能力.Ge-GA算法大大加快了遗传算法的收敛速度和寻优能力.作者测试了TSPLIB中的多个实例(城市数目从70~1577),试验结果与最优解的误差都不超过0.001%.特别是对于难求解的TSP问题,如att532和fl1577,都能够在理想的时间内找到最优解. 相似文献
38.
39.
多目标优化遗传算法的收敛性定义及实例研究 总被引:1,自引:0,他引:1
寻找非劣解集合是遗传算法求解多目标优化问题的目标,而标准的遗传算法收敛性分析方法对多目标遗传算法的分析并不合适。本文利用有限马尔科夫链给出了遗传算法求解多目标优化问题的两个收敛性定义,并给出了一个实例研究及进一步的工作计划。 相似文献
40.
基因评估基因表达式程序设计方法 总被引:4,自引:0,他引:4
基因表达式程序设计(Gene Expression Programming,简称GEP)与遗传程序设计(Genetic Programming,简称GP)相比,具有更强的搜索能力、更简单的编码表示方法和产生更高复杂性函数的能力.但是它也存在一些缺点,例如缺乏学习机制,搜索过于盲目.针对这一缺点,本文提出了一种新的自动程序设计方法:基因评估基因表达式程序设计(Gene Estimated Gene Expression Programming,简称GEGEP).与GEP相比,GEGEP主要具有如下特点:(1)改变了GEP的基因表达式结构,将原来的“头 尾”结构改成了“头 身 尾”结构,以利于其引进学习机制;(2)同源基因也采用“头 身 尾”结构,以利于增强其搜索能力;(3)引入了分布评估算法(Estimation of Distribution Algorithm,简称EDA)的思想,以利于增加其学习能力并且加快其收敛速度.实验结果表明,与GEP和GP相比,GEGEP具有更高的拟合和预测精度、更快的收敛速度. 相似文献