基于演化算法实现多目标优化的岛屿迁徙模型

多目标演化算法(MOEA)利用种群策略，尽可能地找出多目标问题的Pareto最优集供决策者选择，为决策者提供了更大的选择余地，与其它传统的方法相比有了很大的改进．但提供大量选择的同时，存在着不能为决策者提供一定的指导性信息，不能反映决策者的偏好，可扩展性差等问题．本文提出了一个新的多目标演化算法(MOEA)计算模型…岛屿迁徙模型，该模型体现了一种全新的多目标演化优化的求解思想，对多目标优化问题的最优解集作了新的定义．数值试验结果表明，岛屿迁徙模型在求解MOP时有效地解决了以上问题，并且存在进一步改进的潜力．     

基于遥感数据的空间目标融合预测模型

提出了一种融合预测模型，把基于全局数据的径向基函数、人工神经网络与基于区域数据的空间采样插值相结合，并通过优化权重组合和修正误差，使得预测误差最小化。利用了多角度成像光谱辐射仪MISR，采集了从2002年—2003年美国大陆26个局部区域的辐射数据，对模型进行了2组气溶胶光学厚度的预测实验。地表特征因为反射能力的不同，导致了预测模型的不同复杂度。结果显示，融合模型能显著地减少陆地上的预测均方差。     

基于遗传算法的二叉树画树算法

用遗传算法设计了一种通用二叉树画树算法框架.在该框架下,可以根据应用的不同,通过设 计反映美观标准的不同目标函数来得到不同的画树算法,而且容易添加或减少美观标准以适 应不同用户的需要.与以前的算法相比,此算法具有算法统一、方法简单、容易实现和易于修 改的优点,并且具有自适应、自学习和易于并行化的特点.     

一种求解函数优化问题的新算法

1.引言遗传算法的基本思想来源于达尔文(Dorwin)的进化论和门德尔(Mendel)的遗传学说。达尔文的进化论认为:每一物种在不断的发展过程中越来越适应环境,在个体的生存与发展中那些适应环境的个体则被保留下来,体现了“适者生存”的原理。与此相应,门德尔的遗传学说则认为:遗传是作为一种指令码封装在每个细胞中,并以基因的形式包含在染色体中。通过基因杂交和基因突变可产生对环境适应强的后代,并通过优胜劣汰的自然选择,适应值高的基因则被保留下来。霍兰德(Holland)等人正是综合了上述两种学说的基本     

程序断言的半自动生成及证明逻辑

如何生成程序断言对于软件验证十分重要。传统方法要求既要对程序结构有深入地把握又要做繁复的Hoare三元式推演工作。为了摆脱这些琐碎事宜,将致力于探讨一种半自动的断言生成方法。为便于理解,讨论主要以XYZ/VERI系统为论述背景。XYZ/VERI 系统是一面向时序逻辑程序语言如XYZ/SE 的类Hoare逻辑交互式验证系统。该工作一定意义上完善了其验证功能。     

基于遗传算法的信息检索技术

随着万维网(WWW)中信息量呈指数的增长,人们可以使用许多的信息收集工具来获得网络中的信息。但要使检索到的信息在满足用户个性化需求方面,即具有高准确率又有高回收率,则是一件很困难的事情。为了解决以上问题,该文阐述了遗传算法在信息检索方面的应用。     

解约束多目标优化问题的一种鲁棒的进化算法

将约束条件与目标函数融合在一起,对有约束的多目标优化问题(MOP)建立了一种新的偏序关系,引入了约束占优的定义,并证明了在新的偏序关系意义下的Pareto最优集就是满足约束条件的Pareto最优集,从而在对种群中的个体进行评估或排序时,并不需要特别去关心个体是否可行,避免了罚函数选择参数的困难,尝试应用有限Markov链的有关理论证明了此进化算法的收敛性,用较复杂的Benchmark函数进行了大量的数值实验,测试结果表明新算法在解集分布的均匀性、多样性以及快速收敛性均较理想。     

一种基于正则化方法的准最佳图像复原技术

提出一种基于正则化方法的高效图像复原技术.正则化残量的能量越小,则恢复效果越好,基于此,利用小波变换定性地分析如何选取正则化算子,利用随机理论得到正则化残量的能量期望值,通过最小化这个期望模型确定正则化参数,从而得到正则化图像.定性分析表明,在通常情况下应选取低阻高通的正则化算子.实验结果表明,该恢复技术比传统方法的恢复性能要好,恢复效果接近最佳且性能稳定.     

函数优化的一种高效演化算法

提出了一个求解函数优化问题的高效演化算法,其设计思想由混合选择策略与分类变异簟略构成。该算法使用锦标赛选择、轮盘选择相结合的混合选择策略。变异运算分为三类进行：对最好个体实施模式搜索。对适应值排名靠前的三分之一的个体采用柯西变异,而其它个体使用普通变异算子。针对15个测试函数的实验取得了相当好的效果,实验结果表明该算法不仅收敛速度快．而且所求得的解达到或者以相当高的精度逼近最优解。     

求解动态组播路由问题的混合优化遗传算法

分析了具有网络时延和时延抖动限制的动态组播路由问题的数学模型。在此模型的基础上提出了一种基因库(GP)与传统遗传算法(GA)混合的优化算法GP-GA。该算法利用基因库保存进化过程中得到的解路径以指导后继进化过程,同时改进了交叉和变异算子来加快算法的收敛速度。考虑到问题可能陷入的局部最优情况,又构造了基于“保留和不保留”的进化控制策略来增强寻优能力,很大程度上避免了算法“早熟”现象的发生。大量的仿真实验表明：GP GA算法相对现有的遗传算法求得最优解的概率更高,相对于动态的组播环境也有很好的代价性能。