基于混合选择的多目标进化算法及其在优化设计问题中的应用

为解决实际工程中复杂的多目标优化设计问题,提出一种基于混合选择的多目标进化算法(HSMEA)。该算法首先采用融合角度与距离的动态选择策略对个体进行划分,随后采用基于两种不同机制的混合选择的策略对解进行进一步筛选,从而使最终选择的目标解在具有良好的收敛性的同时最大程度地保留解集的多样性。算法与4个多目标优化算法在一系列测试函数上的结果表明,算法具有良好的多目标优化问题处理能力。此外,通过在实际工程优化设计问题的对比实验与分析,验证了所提算法在处理实际工程优化设计问题上具有良好的性能与潜力。     

函数全局优化的改进实数遗传算法

针对有界区域复杂函数的全局优化问题,分析了一般实数遗传算法的不足,提出了一种新的改进实数遗传算法。在改进算法中,个体的适应度值直接按其目标值排序的方法获得,这可避免进化后期陷入局部极值;基于适应度的线性逼近交叉策略,随机遍历抽样选择、最优保存和子代淘汰父代选择结合的混合选择策略及变异概率动态变化的实值变异策略,可使算法以较快的速度收敛于最优值。对12个典型的复杂函数进行优化仿真,结果表明改进算法不仅收敛速度快,鲁棒性好,而且能得到较高的优化精度。     

基于ε占优的正交多目标差分演化算法研究

演化多目标优化是目前演化计算中热门研究方向之一.但是,要设计一种高效、鲁棒的演化多目标优化算法,使其找到接近最优和完整的非劣解集是一项很困难的任务.为了能有效求解多目标优化问题,提出了一种新的多目标差分演化算法.新算法具有如下特征:1)利用正交实验设计和连续空间量化的方法产生初始群体,使得初始群体中的个体可以均匀分布于搜索空间,并且可以使好的个体在演化过程中得到利用;2)采用Archive群体保存非劣解,并利用ε占优方法更新Archive群体,从而可以使算法较快获得分布很好的Pareto解集;3)为了加快算法收敛,提出一种基于随机选择和精英选择的混合选择机制.通过8个标准测试函数对新算法进行测试,并与其他一些多目标演化算法进行比较,其结果表明新算法可以有效逼近真实Pareto前沿且分布均匀,并且在收敛性和多样性的求解精度和稳     

基于MIMO-OFDM协作系统的中继混合选择合并算法

提出了一种基于MIMO-OFDM协作系统的多中继混合选择合并算法。算法原理主要是采用地理位置信息得到一个性能最优的AF（放大转发中继）中继节点,根据瞬时信噪比门限值或相对最小BER门限值选择符合要求的多个DF（译码转发中继）中继,所选择出来的最优AF中继和多个DF中继将协作MIMO-OFDM系统完成信号的转发,最后在目的节点处对直传链路信号和中继链路信号进行最大比合并（MRC）。对该算法进行了理论分析,并研究了该算法对系统误比特率性能的影响,并在MATLAB上进行链路级仿真分析比较。仿真结果表明所提出的多中继混合选择合并算法能有效提高空间分集增益,从而降低系统误比特率。     

基于混合选择和动态变异的基因表达式编程

基因表达式编程（GEP）是一种基于基因型和表现型的新型遗传算法,目前被广泛应用在函数发现、时间序列预测和分类等领域。传统GEP算法采用轮盘赌方式来选择种群个体,其择优强度过大,易导致个体多样性减弱,产生“近亲繁殖”;种群个体的变异概率固定,变异幅度不能动态地适应每代的进化结果,影响进化效率。针对上述两个缺陷,本文对传统GEP做出两点改进：作者采用混合选择策略,以维持进化过程中个体的多样性,避免“近亲繁殖”;引入动态变异思想,使种群在进化过程中能根据自身适应性的高低来动态调整个体的变异概率,以最大限度地保留高适应度基因片段,消除低适应度基因片段。通过实验,本文验证了两项改进的有效性。     

一种分布式智能推荐系统的设计

为提高支持向量回归算法的学习能力和泛化性能,提出了一种优化支持向量回归参数的混合选择算法.根据训练样本的规模和噪声水平等信息,确定支持向量回归参数的取值范围,用实数编码的免疫遗传算法搜索最佳参数值.混合选择算法具有较高的精度和效率,在选择支持向量回归参数时,不必考虑模型的复杂度和变量维数.仿真实验结果表明,该算法是选择支持向量回归参数的有效方法,应用到函数逼近问题时具有优良的性能.     

两个微胚乳超高油玉米群体粒重和含油率对混合选择的选择响应

利用合成的黄粒和白粒两个微胚乳超高油玉米原始群体（C0）,经过两年四轮回的混合选择改良,通过测定各轮回群体的5粒重、含油率和5粒油重三个性状,研究其选择响应。结果表明：黄、白两个群体,5粒重、含油率及5粒油重三个性状的原始群体及各轮回群体间都存在极显著差异。在第四轮混合选择（C4）后的5粒重最高,黄色群体C4y的5粒重的选择响应为0.048g,较C0y提高12.18%;白色群体C4w的5粒重选择响应为0.044g,较C0w提高10.16%。黄、白两个群体第三轮回群体（C3）的含油率的达到最高。黄色群体C3y含油率的选择响应为3.16%,较C0y提高11.89%;白色群体C3w含油率的选择响应为1.12%,较C0w提高4.03%。黄、白两个群体C4的5粒油重的达到最高。黄色群体C4y的5粒油重的选择响应为0.022 1g,较C0y提高21.25%;白色群体C4w的5粒油重的选择响应为0.016 1g,较C0w提高13.39%。经过四轮的混合选择,黄、白两个群体的5粒重、含油率和5粒油重都得到了显著提高,利用混合选择对微胚乳玉米早代群体这些性状的改良是有效的。     

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。