基于遗传粒子群的图像融合算法及应用

为改善传统图像融合方法对细节信息的丢失,提出了一种基于遗传粒子群算法（geneticalgorithmofparticleswarmoptimization,GAPSO）的图像融合方法,该算法应用于像素级的图像融合,使图像融合问题归结为最优化问题．该算法结合遗传算法和粒子群算法的优点,对标准粒子群算法进行了改进,将交叉与变异算子引入到标准粒子群算法,提高了该算法的收敛性能和全局求解能力．实验结果表明,该算法获得的评价指标都优于遗传算法和PSO算法,且融合图像较好地从源图像中提取了有用信息,提高了融合质量．     

基于遗传算法的逻辑电路测试生成的研究

本文提出了一种基于遗传算法的逻辑电路测试生成算法，利用遗传算法的全局寻优特点进行集成电路的测试生成，并与确定性算法进行了比较，所得到的实验结果表明，遗传算法可以在比较小的测试矢量集下得到比较高的故障覆盖率，是一个有效的测试生产算法．     

时序电路SACO和PSO混合算法的测试矢量生成

提出了一种新的测试矢量生成算法，其使用SCOAP测度对蚁群算法进行参数调整，并在粒子群算法的框架下进行测试矢量生成，再使用调整后的蚁群算法进行测试矢量优化。该算法不仅克服了粒子群算法的容易陷入局部最优等缺点，而且利用电路本身的特性来确定蚁群算法的参数。以国际标准电路为例，实验验证本文的算法，结果表明本算法应用于时序电路的测试矢量生成时，相对于粒子群算法提高了其收敛性，提高了故障覆盖率；相对于蚁群算法压缩了测试矢量集，减少了测试诊断时间。     

文化算法在有人/无人机协同作战目标分配中的应用

针对有人/无人机协同作战目标分配问题,基于文化算法提出一种遗传算法和离散粒子群算法相结合的目标分配方法。根据有人/无人机协同目标分配问题的特性,结合文化算法的基本框架,建立了遗传算法和离散粒子群算法的交互机制,充分利用遗传算法和离散粒子群算法对优化问题的搜索能力,改善了2种算法易陷入局部最优的缺点,对约束条件下的有人/无人机协同作战目标分配问题进行了有效求解。实验结果表明,基于遗传和离散粒子群相结合的文化算法优于遗传算法和粒子群算法,收敛速度更快,能够快速找到目标分配问题的最优解。     

求解带约束投资组合模型的量子粒子群算法

针对量子粒子群算法(QPSO)在迭代后期出现种群多样性缺失和容易陷入局部最优的问题,提出了一种基于交叉操作的改进算法;在改进算法中,考虑了粒子的历史最优位置和次优位置,用以扩大粒子的搜索范围;同时,将遗传算法的交叉操作运用到位置的更新中,以增加种群的多样性,进而提高算法的收敛性;在性能测试中,将改进算法与原始的量子粒子群算法、基于差分进化的QPSO和基于黑洞探索的QPSO在收敛精度和鲁棒性方面进行了比较;最后,运用改进算法对一类具有投资数量限制的投资组合问题进行了求解,并与遗传算法、粒子群算法和标准的量子粒子群算法的寻优结果进行了对比。     

基于微分进化算法的电力系统最优潮流

将微分进化算法（Differential Evolution,DE）应用到电力系统最优潮流（Optimal Power Flow,OPF）问题中,以系统总发电成本为目标函数,除平衡节点外发电机节点有功功率、发电机节点电压幅值和可调变压器变比作为控制变量,建立了DE-OPF的数学模型．基于增广拉格朗日函数法,将状态变量约束考虑入优化的目标函数中．以IEEE30节点测试系统进行了测试,仿真结果表明,与两种遗传算法和一种改进的粒子群算法：传统遗传算法（canonical genetic algorithm,CGA）、自适应遗传算法（adapive genetic algorithm,AGA）和全面学习粒子群算法（CLPSO）相比,DE算法具有较好的全局寻优能力和较快的收敛速度,能有效地解决最优潮流问题．     

基于粒子群的改进智能算法在载荷识别中的应用

针对粒子群优化算法(PSO)无法处理反求问题中的病态问题,基于粒子群优化算法,通过遗传算法对粒子群优化算法进行改进,提出一种改进的粒子群优化算法(GAPSO),通过载荷识别对该方法进行验证,并应用于静态载荷识别和动态载荷识别算例中。研究结果表明:改进后的粒子群优化算法既能使粒子群优化算法处理病态问题,又提高了反求问题的求解精度。     

粒子群算法与遗传算法设计四阶状态变量滤波器的比较

用粒子群算法和遗传算法设计四阶状态变量滤波器, 并对两种算法得出的滤波器电路进行Pspice仿真及实际电路测试, 同时, 对两种算法得出的数据进行统计比较. 结果表明, 在平均收敛时间、 平均收敛效率和收敛精度上, 粒子群算法均明显优于基本遗传算法.      

粒子群优化算法仿真及其应用

根据MATLAB仿真工具的特点，研究了粒子群优化算法的仿真方法，并对一种有约束多峰函数进行测试。仿真结果表明了该算法具有较快的收敛速度和较高的计算精度。基于矩阵运算的粒子群算法对处理高维非线性函数有着明显的优势。     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

基于分解等价的时序电路测试生成算法

针对集成电路的规模和复杂程度不断增加而相应的测试却越来越困难且费时的问题,提出了一种基于分解等价的时序电路测试生成算法。此算法通过引入分解等价以避免进入已搜索的测试码解空间,缩小了测试码搜索空间,大大提高了测试生成效率。在ISCAS’89国际标准电路上的实验结果表明了本算法的可行性。     

使用遗传算法对时序电路进行可测性预报

随着LSI/VLSI技术的发展,许多新的测试生成算法被开发出来 对于一个给定电路,快速而准确地选择最适合它的测试生成算法是一个具有很强现实意义的问题.本文提出了使用遗传算法(GA)找出逻辑电路的特性参数与测试生成算法可测性参数之间的关系,从而建立测试生成算法可测性参数(故障覆盖率,测试码个数)的模型,并对给定电路进行参数预报的方法。作者开发了遗传算法预报系统(GAFS),并使用该系统为常用的测试生成算法建立了直观的可测性参数表达式模型.用户可通过计算直接求得各测试生成算法对电路的可测性参数,然后通过比较选出最佳的算法.预报结果显示该系统具有较强的有效性和实用性.     

遗传算法在自动组卷系统中的应用

介绍了自动组卷算法的数学模型和主体思想，提出了一种基于遗传算法的试题抽取方案，重点阐述了组卷问题的染色体编码方法、适应度函数和遗传算法的设计与实现．实验表明，所设计的组卷方法性能好、效率高。是一种实用、有效的组卷方法．     

基于遗传算法的组卷策略

对试卷的评价指标做了相应的分析。在此基础上,着重对自动组卷算法进行了研究,通过建立自动组卷问题的数学模型,提出了一种基于遗传算法Genetic Algorithm解决组卷问题的新方法,该算法适应全局寻优且收敛速度快等特点,解决了传统组卷中编码长、适应度函数值计算困难等问题,较好地满足了自动组卷的要求,进而建立和描述了组卷问题的染色体结构和适应度函数,设计了问题的遗传操作。     

基于遗传算法的智能组卷研究

分析了智能组卷约束条件,建立了智能组卷系统的数学模型,并给出了改进的遗传算法求解智能组卷问题的新方法.实验结果表明所提出的新组卷算法相对于其他算法更能有效地解决自动组卷问题,组卷成功率高,组卷速度快,具有较好的性能和实用性.     

时滞测试能量函数极小化的自适应遗传算法

提出了一种自适应遗传算法并用来解决强健时滞测试生成的问题，基本思想是：充分利用强健时滞测试的启发信息来选取优良的初始群体，不断地根据进化程度调整群体大小以加速收敛，同时变异概率也采取自适应调整策略来抑制早熟收敛。实验表明，这种自适应遗传算法是有效和可行的。     

遗传算法在智能组卷系统中的应用研究

为更好地解决遗传算法在智能组卷过程中出现的早收敛问题,以及组卷质量和组卷速度呈负相关的问题,提出一种基于分段整数编码、多点交叉的遗传算法.通过大量实验,有针对性地对该算法中的编码结构、选择算子、交叉算子和变异算子进行优化设计;对相关控制参数进行合理调整,实验结果表明,该算法不仅有效地提高了组卷质量和组卷速度,而且具有很好的收敛性.     

基于改进的自适应遗传算法HCGA的测试数据自动生成

针对软件测试数据的自动生成,提出了一种自适应遗传算法和爬山算法相结合的改进算法HCGA. 通过设计自适应交叉和变异算子,加强了遗传算法的前期全局搜索能力;在进化后期嵌入了爬山算法,提高了局部搜索能力. 实验结果表明,该算法在测试数据的自动生成上优于遗传算法,提高了效率.     

基于最优神经网络的电路测试方法研究

在数字电路最优神经网络模型的基础上,研究基于该模型的电路测试生成方法.首先获得了多输入基本门电路的最优神经网络能量函数的一般表达式,然后对这种测试方法的原理、实现步骤、以及加速测试的措施等进行了详细研究.结果表明以最优神经网络模型为基础的电路测试方法在测试生成的速度方面快于其它类似方法,如基于Hopfield神经网络的电路测试生成,具有较好的应用潜力.