多子群协同链式智能体遗传算法分析

针对遗传算法(genetic algorithm,GA)易出现搜索效率不高和早收敛现象,提出了一种多子群协同链式智能体遗传算法(multi-population agent genetic algorithm,MPAGA)。该算法采用多子群并行搜索模式、链式智能体结构,引入动态邻域竞争和正交交叉等策略,有效提高了算法性能。采用3个复杂多峰测试函数对算法进行优化性能测试结果表明,MPAGA比普通智能体遗传算法有较快的收敛速度,能有效防止早收敛现象。     

一种混合遗传算法在云计算负载均衡中的应用研究

遗传算法(GA)被广泛用于解决科学与工程中的复杂问题,然而传统的GA在求解高维函数优化问题时存在很多限制因素,因此无法在云计算中直接应用.提出了一种多智能体与遗传算法混合的多Agent遗传算法(MAGA).首先论证了MAGA较传统GA的优越之处,然后采用MAGA建立了基于虚拟化资源管理的负载均衡模型,解决云计算中的负载均衡问题.与Min_min策略对比实验结果表明,多Agent遗传算法能够达到更加优越的负载均衡效果.     

一类非线性二层混合整数规划问题全局最优解的遗传算法

讨论了一类非线性二层混合整数规划的求解问题，将遗传算法和单纯形法结合提出了一种混合遗传算法，为了避免经典遗传算法在实际运用中存在的Hamming悬崖、早熟收敛、全局优化速度慢和解的精度差等缺点，引入了实数编码，并采用多个子种群并行搜索的策略，数值模拟结果表明该算法是有效的。     

遗传算法在神经网络设计中的应用

通过对正被广泛应用的、智能的、并行的全局优化方法—遗传算法的性能分析，并与其它算法比较，阐述了遗传算法在神经网络设计中的优越性.     

多智能体遗传算法用于超高维函数优化

基于智能体对环境的感知与反作用的能力提出了一种新的函数优化方法--多智能体遗传算法.该方法将智能体固定在网格上,而每个智能体为了增加自身能量将与其邻域展开竞争或合作,同样,智能体也可利用自身的知识进行自学习来增加能量.理论分析证明算法具有全局收敛性.实验结果表明,多智能体遗传算法对维数高达甚至10000的函数,都能以较少的计算量获得高质量的解,充分说明算法具有很快的收敛速度.     

基于遗传优化的BP神经网络水泥强度预测

为了提高BP神经网络预测模型对水泥强度值的预测精度,通过结合BP神经网络与遗传算法各自的优势,提出一种采用遗传算法优化的BP神经网络的水泥强度预测算法.利用遗传算法具有的全局优化搜索能力优化BP神经网络的各层节点连接权值与阈值,训练BP神经网络预测模型以求得最优解,并将训练以外的样本数据用于模型的有效性验证.仿真结果表明,该算法对水泥强度值预测具有较高的预测精度,同时可缩短网络收敛时间.     

基于神经网络和遗传算法的无功优化设计

无功优化是一个复杂的混合优化问题,传统方法较难获得全局最优解.文中提出了将并行遗传算法和Hopfield网络相结合的算法.该方法利用遗传算法的并行搜索和解空间搜索的优点进行网络参数的选取,并采用Hopfield网络简单、快速、规范的优点来优化样本空间,以取得整体的优化效率.     

遗传算法在智能组卷中的应用

将遗传算法应用于智能组卷中,利用遗传算法的高效、全局寻优的特点设计寻求符合要求的试卷模型结构的算法,计算结果表明该算法具有较高的搜索效率和精度.     

基于MPICH平台的多种群并行遗传算法

提出了一种基于集群系统的多种群并行遗传算法，在集群系统的软件开发环境MPICH上构建了多种群粗粒度并行遗传算法框架．采用全局迁移方式交换通信域中各子群体的个体信息，并通过模拟退火规则来确定迁移代频．利用该算法框架对一类优化问题——N维目标函数的最小值问题，给出了具体的实现方法．最后对该类问题的两个实例进行了测试，基于该实例的测试数据对论文提出的算法进行了性能分析．结果显示，算法具有线性加速比，而且解的精度随着并行进程数量的增多而提高．     

基于多智能体遗传算法的配电网节能降耗综合管理系统

针对目前企业配电网节能技术的不足,提出了一种基于多智能体遗传算法的配电网节能降耗综合管理系统.结合遗传算法(Genetic algorithm,GA)和多智能体系统(Multi-Agentsystem,MAS)技术构造了一种GA-MAS算法,每一个多智能体相当于遗传算法中一个个体,相邻的多智能体相互作用,并结合遗传算法的进化机理进行全局最优求解.提出了该系统各节能设备智能体结构模型和高压/低压多智能体系结构模型,运用GAMAS算法,得出各个节能设备的最佳调节力度,使节能设备以最小的调节代价获得最大的节能效益.具体算例仿真及工程实际应用表明本文提出的配电网节能降耗综合管理系统能使总有功网损降低,电容器投入总组数减少,实现节能设备的最佳调节,同时表明GA-MAS算法收敛速度较快.