A rough set approach to feature selection based on scatter search metaheuristic

Rough set theory is an effective method to feature selection, which has recently fascinated many researchers. The essence of rough set approach to feature selection is to find a subset of the original features. It is, however, an NP-hard problem finding a minimal subset of the features, and it is necessary to investigate effective and efficient heuristic algorithms. This paper presents a novel rough set approach to feature selection based on scatter search metaheuristic. The proposed method, called scatter search rough set attribute reduction （SSAR）, is illustrated by 13 well known datasets from UCI machine learning repository. The proposed heuristic strategy is compared with typical attribute reduction methods including genetic algorithm, ant colony, simulated annealing, and Tabu search. Computational results demonstrate that our algorithm can provide efficient solution to find a minimal subset of the features and show promising and competitive performance on the considered datasets.     

基于混合算法的MIMO雷达正交多相码设计

提出了一种基于遗传算法和禁忌搜索算法的多输入多输出雷达正交多相码波形设计方法,并将其用于类零相关正交多相码的设计。将禁忌搜索算法引入遗传算法,充分考虑遗传算法的全局收敛性和禁忌搜索算法的局部收敛性。为给禁忌搜索算法一个好的初始解,先用遗传算法优化到一定程度再用禁忌搜索算法,即遗传算法迭代多次,禁忌搜索算法迭代一次。采用最优保存策略来避免最优解丢失,使发射信号的自相关峰值旁瓣和互相关峰进一步降低,提高主副比。仿真结果验证了所提方法的可行性和有效性。     

基于改进遗传算法的流水车间调度求解方法

流水车间调度问题是一类经典的NP完全问题,为此提出了一种求解极小化总完工时间的流水车间调度问题的改进遗传算法.该算法采用构造型启发式算法和随机方法共同产生初始种群,结合禁忌搜索算法的局部搜索性能和遗传算法的全局搜索性能.仿真实例的结果表明该算法对问题求解的可行性和有效性.     

多目标优化设计中的Pareto遗传算法

遗传算法的随机性和隐含并行性,使它能同时搜索到多个局部最优解并获得最优解集。为了发挥遗传算法群体搜索的优势,提高多目标优化设计效率和灵活性,在自适应遗传算法的基础上引入群体排序技术、小生境技术和Pareto解集过滤器,建立了一种适用于多目标优化设计的Pareto遗传算法。以Pareto前沿面的形式给出优化设计的Pareto最优解集,供设计者按设计意愿选择最优的设计结果。采用Pareto遗传算法进行跨声速翼型的多目标优化设计,设计结果表明,Pareto遗传算法是十分有效的,完全可以用来进行多目标优化设计。     

交互策略改进MOFA进化的多UAV协同航迹规划

针对无人机(unmanned aerial vehicle, UAV)多目标优化协同航迹规划方法中Pareto最优解集规模随迭代增长, 难以选择适合UAV任务特点的协同航迹等问题, 提出一种基于交互策略改进多目标萤火虫(multi-objective firefly algorithm, MOFA)进化的多UAV协同航迹规划方法。首先,采用变量分解策略将萤火虫算法中大规模变量分解成多个子种群, 以降低算法搜索的复杂度; 然后, 利用Tent混沌初始化和多种群循环分裂合并策略提高多目标萤火虫算法的搜索性能; 采用双极偏好占优机制、并设计协同度指标在Pareto最优解集中选取适合任务需要且协同度较高的UAV协同航迹。仿真实验表明, 所提方法能够根据任务设定生成对应侧重点、且满足协同性的相对最优航迹集, 证明了该方法的有效性。     

一种用于多目标优化的混合遗传算法

将遗传算法与局部优化方法相结合,提出了一种用于多目标优化的混合Pareto遗传算法(HPGA)。针对遗传算法局部优化性能较差的缺点,引入直接搜索策略以增强算法的局部搜索能力。HPGA首先运行Pareto遗传算法,以得到近似的Pareto最优解;然后启动直接搜索对其进行进一步优化。仿真结果表明HPGA兼具有良好的全局优化性能和较强的局部搜索能力。与Pareto遗传算法相比,HPGA不仅提高了优化搜索的效率,而且能够保证收敛到多目标优化问题的Pareto最优前沿面。     

Resource Allocation Based on DEA and Non-Cooperative Game

Resource allocation is one of the most important applications of data envelopment analysis (DEA). Usually, the resource to be allocated is directly related to the interests of decision-making units (DMUs), thus the dynamic non-cooperative game is one of the representative behaviours in the allocation process. However, it is rarely considered in the previous DEA-based allocation studies, which may reduce the acceptability of the allocation plan. Therefore, this paper proposes a DEA-based resource allocation method considering the dynamic non-cooperative game behaviours of DMUs. The authors first deduce the efficient allocation set under the framework of variable return to scale (VRS) and build the allocation model subjecting to the allocation set. Then an iteration algorithm based on the concept of the non-cooperative game is provided for generating the optimal allocation plan. Several interesting characteristics of the algorithm are proved, including i) the algorithm is convergent, ii) the optimal allocation plan is a unique Nash equilibrium point, and iii) the optimal allocation plan is unique no matter which positive value the initial allocation takes. Some advantages of the allocation plan have been found. For example, the allocation plan is more balanced, has more incentives and less outliers, compared with other DEA-based allocation plans. Finally, the proposed method is applied to allocate the green credit among the 30 Chinese iron and steel enterprises, and the results highlight the applicability of the allocation method and solution approach. Therefore, the approach can provide decision makers with a useful resource allocation tool from the perspective of dynamic non-cooperative game.

     

一种快速遗传算法及其收敛性

针对遗传算法局部搜索能力较差、全局优化速度缓慢、搜索的效率对约束惩罚因子的选择有明显依赖性等问题,设计了能够从可行解空间和不可行解空间同时搜索的交叉算子、具有前期的快速搜索能力和后期的最优解保持能力的变异算子和具有"精英"保持能力的选择算子,并采用已搜索解集避免了子代的"返祖"和退化现象。在此基础上,设计了具有全局搜索能力的遗传算法,并证明了算法的收敛性。仿真结果表明,该算法能够快速地找到全局极值点。     

基于正交遗传算法和灵敏度分析的体系仿真优化方法

体系对抗已成为当今战争的主要形式,因而急需对体系优化问题进行深入细致地研究.鉴于此,提出了一种基于正交遗传算法和灵敏度分析的体系仿真优化方法.该方法采用正交遗传算法在可行域内快速地搜索一些较优方案(解);利用灵敏度分析方法从已评估方案中得到待研究体系输入、输出之间的灵敏度关系;应用这种灵敏度关系来指导正交遗传算法的后续搜索.最后采用一些数据实例来验证该方法,实验结果表明,该方法是可行的、正确的和有效的.该方法能在较少次数的仿真后,得到待研究体系的满意解或最优解;同时,该方法可推广到其它复杂优化问题的求解中.     

解家纺企业生产计划问题的并行混合遗传算法

为解决家纺企业的实际车间批量生产计划问题，提出了一个基于自然编码的混合遗传算法。此算法具有如下特点：一方面编码方式能有效地反映调度方案；另一方面对每子代得到的调度方案利用爬山算法对其进行了局部调整，大大加快了收敛速度。同时为了更好地适应调度实时性和解大型企业此类问题的需要，基于遗传算法自然并行性特点的基础上，实现了主从式控制网络模式下并行混合遗传算法。计算结果表明，此算法是有效的，有着较高的并行性，并能适用于解大型此类企业车间批量生产计划问题，在实际应用中有着较广阔地应用前景。     

和声量子遗传算法在图像配准中的应用

针对图像配准中的优化问题,利用量子遗传算法全局寻优能力强以及和声算法的微调特性,提出了一种新的和声量子遗传算法（harmony search quantum genetic algorithm, HSQGA）。并将其应用到航拍图像配准当中。仿真结果证明了该算法比原有的和声算法和量子遗传算法在图像配准参数优化过程中具有更好的优化性能。此外,利用两个标准基本测试函数对新算法进行了测试,结果表明在一定的迭代次数内,该算法对一些复杂的优化问题也能精确寻优。     

求解Job Shop调度问题的粒子群算法研究

为解决单一粒子群算法求解Job shop调度问题存在的不足,提出一种基于交换序的混合粒子群算法,提高了这类问题的求解质量.在混合粒子群算法中,采用粒子群算法进行大范围全局搜索.根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种方法的禁忌搜索算法作为局部搜索算法,增强了粒子群算法的搜索能力.采用混合粒子群算法对13个难解的benchmark问题进行求解,在较短的时间内,得到的最优解和10次求解的平均值优于并行遗传算法和粒子群算法.由此说明本文所提出的混合粒子群算法是有效的.     

面向多核任务调度的混合遗传算法

多核处理器的并行任务调度一直是研究的热点话题,属于NP-hard问题。针对此问题,本文提出了一种集启发式算法、禁忌搜索算法、模拟退火算法于一体的改进混合遗传算法(modified hybrid genetic algorithm,MHGA)。MHGA改进如下:首先,采用启发式的分层调度来初始化种群,提高初始种群质量;其次,提出基于禁忌搜索(tabu search,TS)的随机编号交叉算子,提高种群的多样性;最后,采用基于模拟退火(simulated annealing, SA)的变异,提高个体质量。实验结果表明,与其他遗传算法(genetic algorithm,GA)相比,MHGA可以得到更小的任务调度时间和更快的最优解搜索能力。     

面向多峰函数的自适应小生境量子进化算法

为解决量子进化算法在多峰优化时只能找到一个最优解,无法找到所有全局和局部最优解的问题,提出自适应小生境量子进化算法。利用佳点集理论初始化种群,使种群均匀分布在整个搜索空间;提出中心地形信息小生境自适应识别方法,用于自适应的识别峰值所在区域,并建立小生境完善策略,提高小生境识别速度;借助量子进化算法的快速寻优能力精确寻找各个峰值点;采用动态种群调整策略,维持种群的多样性,自适应地调节种群规模。仿真实验结果表明,该算法具有较强全局优化能力和局部优化能力,且搜索到的每个最优解都达到了理想值。     

遗传算法和遗传规划对比研究

通过对遗传算法定向搜索机制和遗传规划搜索机制的研究比较,可以看出,依据遗传算法的基本思想设计遗传规划的进化算子时,由于算子空间过大而导致盲目搜索。通过对遗传规划的研究,提出了一套有定向机制的进化算子,进而设计和实现了基于这一套算子的遗传规划算法。     

基于免疫遗传算法的多目标柔性作业车间调度研究

研究了多目标柔性作业车间调度问题,提出了一种改进的自适应免疫遗传算法。算法根据搜索的历史信息,自适应的调整遗传过程中的遗传参数以提高算法的稳定和效率。针对遗传算法的局部搜索能力差和全局搜索效率低的问题,结合免疫算法的免疫记忆和接种疫苗,对各近似最优解进行动态邻域搜索,提高算法的局部搜索能力和解的质量;免疫反馈和免疫选择能淘汰相似个体,维持种群的多样性,避免算法陷入早熟,改善算法的性能和稳定性。最后通过仿真实例验证了算法的有效性。     

按照装备编组平车装载问题的混合型遗传算法

按照装备编组进行平车装载是兵力机动铁路输送时经常采用的一种方式。分析了按照装备编组进行平车装载问题的模型，在Next Fit算法和基本遗传算法的基础上，提出了求并按照装备编组进行平车装载问题的混合型遗传算法，给出了这种混合型遗传算法编码方法、遗传算子的设计和适应度函数的定义，并用实例验证了所给算法的有效性。     

基于正交试验和元胞自动机模型的加速并行遗传算法

针对标准遗传算法中存在早熟收敛、后期收敛速度慢以及解精度低的问题,结合正交试验设计和元胞自动机模型,提出了一种改进的加速并行遗传算法(APGA)。APGA利用正交试验设计确定较好的初始种群,利用元胞自动机模型固有的并行计算能力设计并行遗传算法,借助元胞信息的动态性和多元性实现正交加速过程。仿真结果表明,APGA能够有效地防止早熟收敛,可以极大地提高遗传算法的搜索效率和解的精度。     

用GA求解敏捷供应链质量兼容生产计划问题

在考虑产品质量控制过程的基础上,建立了极大化生产利润的敏捷供应链质量兼容生产计划模型,并利用遗传算法对这个复杂的组合优化问题进行了求解,从而提出基于遗传算法的敏捷供应链质量兼容生产计划算法。在改进的遗传算法中,染色体编码被设计成一种位串式的整数编码形式,遗传算子采用了一种引导遗传变异操作的运算方式,惩罚技术和精华选择策略被用来引导遗传搜索达到可行解空间的最好区域。大量仿真计算表明所提算法是有效性的。     

基于GABC算法的作战体系智能优化方法研究

为解决探索性仿真无法快速地遍历解空间,实时提供辅助决策方案的问题,提出了基于分类器的遗传算法,建立了基于该算法的作战体系仿真优化方法框架,能够根据体系关键因素和决策目标的动态变化寻找最优解,适用于诸如寻求最佳效费比方案、最优力量部署等多种体系优化问题。基于国防大学的仿真试验床系统进行了某海域火力拦阻作战的实验,通过GABC(genetic algorithm based on classifier)算法优化了力量配置问题。实验表明,该方法可以准确、快速地从复杂的体系限制条件中寻找效费比最高的方案,可以大量减少仿真实验的次数,满足快速辅助指挥员决策的需求。