利用双种群遗传算法进行数值试井自动拟合

遗传算法以随机化技术为指导，通过对整个解空间的高效搜索而得到全局最优解，当解空间较大时，常规遗传算法难以同时保证搜索速度和最优解的精度。针对这种缺陷提出了应用双种群遗传算法，即利用具有不同搜索策略的2个种群进行联合搜索，既保证了最优解的精度，又提高了搜索速度，将其应用于数值试井自动拟合解释，比常规遗传算法能节省50％以上的计算时间。     

机器人足球比赛系统中的机器人任务分配方法

针对基于遗传算法的多机器人任务分配方法中,由于初始种群是随机产生不能很好地表征整个解空间,而容易陷入局部最优解的问题,提出一种新的多机器人任务分配方法。该方法根据机器人效用函数值来确定个体基因,从而产生初始种群,并引进分层遗传算法来实现具有不同最优基因的群体分开演化。仿真实验表明,该方法比传统的遗传算法有更高的寻优效率和更快的收敛速度。     

基于种群多样性的自适应PSO算法求解VRPSPD问题

为有效求解逆向物流车辆路径(VRPSPD)模型,本文提出一种基于种群多样性的自适应PSO算法(SDAPSO)。在SDAPSO运行时,根据种群多样性,自适应地对种群中运行较差的粒子进行扰动操作,提升这些粒子向最优解收敛的能力;同时,对全局最优粒子进行概率扰动,以增加种群的多样性。标准检测函数的仿真结果表明SDAPSO算法是对基本PSO算法的有效改进。在对VRPSPD模型求解中,通过与其它粒子群算法相比,表明SDAPSO是求解该类问题的一种有效方法。     

四种碳源条件下城市污水处理厂尾水深度脱氮的性能与微生物种群结构

城市污水处理厂出水符合一级A排放标准,其中含有的硝酸盐氮仍可能引起敏感水域水质恶化,故仍需进一步开发尾水深度脱氮技术.研究采用乙酸钠、葡萄糖、甲醇、乙醇4种碳源作为外加碳源,探究序批式反应器(sequencing batch reactor,SBR)悬浮污泥系统进行城市污水厂尾水深度脱氮的可行性.试验结果表明:在进水硝酸盐质量浓度约为15 mg/L、硝酸盐氮容积负荷率为0.03 kg/(m3·d)的条件下,分别投加4种不同的碳源,SBR均能达到97.80％以上的NOx--N去除率,出水ρ(NOx--N)<1 mg/L.4个系统实现稳定深度脱氮所需的COD/ρ(N)分别为5、12、6和7,对应去除1 g NOx--N的碳源量分别为7.35、12.00、4.00和3.37 g,其中乙醇为碳源时投加量最低而葡萄糖为碳源时最高.使用原位全周期方法测得的4个系统平均氮去除速率分别为0.72、0.19、0.32和0.73 kg/(m3·d),其中乙醇和乙酸钠为碳源时反应速率最高而葡萄糖为碳源时最低.碳源种类对微生物种群组成具有显著影响.经过78 d的培养之后,乙酸钠和葡萄糖系统污泥与接种污泥相比种群结构简单,乙酸钠为碳源时微生物以Firmicutes门为主(94％),葡萄糖为碳源时微生物以Actinobacteria门(45％)和Patescibacteria门(44％)为主.与之相反,甲醇、乙醇系统中微生物种群的多样性比起种泥有所上升.     

基于文化鲸鱼优化算法的特征权重优化分配方法

为了解决基于数据的预测模型中特征权重分配不合理的问题,将鲸鱼优化算法(whale optimization algorithm,WOA)纳入文化算法的种群空间中,获得了一种文化鲸鱼优化算法(cultural whale optimization algorithm,CWOA)以用于特征权重的优化分配.首先,将预测模型的均方根误差作为适应度函数;然后,采用WOA在种群空间中对特征权重进行迭代寻优;接着,通过接受函数将种群空间中的最优权重置于信仰空间中进行性能评价与双变异演化,以此形成形势知识和规范知识;最后,通过影响函数对种群空间中的权重进行更新指导,如此循环,从而得到特征权重的优化分配结果.以基于案例推理的预测模型为例,使用加州大学欧文分校(University of California Irvine,UCI)标准数据集对特征权重的不同分配方法进行了对比实验,结果表明该方法分配权重后的预测精度最优,在涉及特征权重分配的机器学习领域具有一定应用价值.     

一类随机蚊虫种群模型及其渐近性态

基于沃尔巴克氏菌影响下的确定性蚊虫种群模型,考虑受感染的蚊虫出生率受到环境中随机噪声的影响,建立了一类新的随机蚊虫种群模型,并研究了该随机模型的适定性和长时间渐近性态.首先,通过伊藤公式并选用适当的李雅普诺夫函数,证明了全局正解的存在唯一性;其次,定义此模型的基本再生数R0,证明了当R0<1时,受感染的蚊虫数将趋于灭绝;接着,给出模型随机平均持久的充分条件;最后,通过一个数值例子说明了定理的应用.     

带可变随机函数和变异算子的粒子群优化算法

标准粒子群优化算法的收敛分析表明,改变随机函数、个体历史最优,群体全局最优,有助于提高该算法的性能。为此,本文提出了一种带可变随机函数和变异算子的粒子群优化算法,即通过改变速度更新方程中的随机函数分布来调节粒子在迭代过程中飞向个体历史最优和群体全局最优的比重,通过对个体历史最优和群体全局最优进行变异来增强种群的搜索能力。实验结果证实了该算法的有效性。     

变邻域分解多目标自适应差分进化算法

分解方法是处理复杂问题常用的一种手段,而差分进化算法被广泛地应用于多目标优化问题(multiobjective optimization problems,MOP),为了克服经典差分进化算法和分解方法的缺陷,本文提出了一种自适应差分进化算法和变邻域分解方法相结合的新颖算法一ADEMO/D-ENS,该算法采用Tchebycheff方法将多目标优化问题分解成多维标量优化子问题,并利用邻域子问题的信息进行优化,基于邻域种群集依概率自适应选择邻域种群规模;同时采用概率匹配(]probability match,PM)自适应方法从差分策略池中选择差分进化策略;同时分析了算法的复杂度;最后,通过和经典的非支配排序遗传算法(non-dominated sorting genetic algorithmsⅡ,NSGA-Ⅱ)和多目标差分进化算法(multi-objective differential evolution algorithm,MODE)仿真对比,说明ADEMO/D-ENS方法可以更有效的处理多目标优化问题.     

农业害虫抗药性及其治理

世界卫生组织(WHO)对害虫抗药性的定义是：昆虫具有耐受杀死正常种群大部分个体的药量的能力并在其种群中发展起来的现象。从药剂的剂量角度来说，害虫抗药性即指某一品系害虫能忍受杀虫剂一定剂量的能力，这个剂量对同种正常害虫种群中大多数个体是足以致死的。抗性是害虫遗传性状改变的结果。交叉抗性指某类害虫对两种或两种以上的药剂产生抗性的现象。     

一种基于混合量子粒子群的快速运动目标跟踪算法研究

量子粒子群算法在优化过程中需要权衡局部探索性和全局开拓性,进化后期由于全局开拓能力的丧失使得种群多样性减少,设计了一种基于欧式距离的混合量子粒子群算法,通过计算粒子的种群多样性,当种群多样性低于阈值范围时加入基于欧式距离的种群划分策略划分子种群,从而保证获得全局最优解。利用标准测试函数验证提出的混合量子群算法有效性。提出了基于混合量子粒子群的Mean Shift算法(HQPSO Mean Shift)完成目标快速跟踪,克服传统Mean Shift算法的在跟踪快速移动目标时出现"跟丢"的问题。