一种快速自适应遗传算法及其仿真研究

遗传算法(Genetic Algorithm, GA)是一种模拟自然界生物进化过程与机制的一种优化搜索算法,有着广泛的应用前景。但是,简单遗传算法(Simple Genetic Algorithm,SGA)的收敛速度较慢,稳定性差,容易“过早收敛”。针对这些问题,本文提出了相应的解决办法,称为快速自适应遗传算法(Fast Self-Adaptive Genetic Algorithm, FSAGA),并通过仿真说明了算法的收敛快速性和全局收敛性都有了明显的改善。     

基于Baldwin效应的自适应有性繁殖遗传算法及其仿真研究

为了解决传统遗传算法存在的局部搜索能力差、早熟收敛、随机漫游等问题,提出一种基于Baldwin效应的自适应有性繁殖遗传算法。该算法模拟自然界普遍存在的有性繁殖现象,引入个体亲子间的适应度信息传递,并按照个体的性别差异以及种群间竞争与协作关系,对有性遗传操作进行自适应调整。同时,借鉴生物学中的Baldwin效应理论,引导个体后天正向或反向学习。通过与标准遗传算法和自适应遗传算法的仿真实验比较,证明了这种改进遗传算法的有效性。

Abstract：

Aimed to overcome the problems of traditional Genetic Algorithms,such as poor capabilities in local search,premature convergence,and stochastic roaming,a sexual reproduction adaptive Genetic Algorithm based on Baldwin effect was presented.The proposed algorithm simulated sexual reproduction and enables the transmission of fitness information from parent individuals to the offspring.Based on competition,cooperation,and innate difference between two sexual subgroups,the proposed algorithm adaptively adjusted sexual genetic operators.Meanwhile,inspired by the acquired reinforcement learning theory based on Baldwin effect,the proposed algorithm guided individuals to forward or reverse learning to adapt individuals＇ acquired fitness.Compared with Standard Genetic Algorithm （SGA） and Adaptive Genetic Algorithm （AGA） by numerical simulations,the proposed algorithm is proved more effective and advantageous.     

一类混合自适应遗传算法及性能分析

在繁殖种群选择 ,生存策略中引入 Boltzmann生存择机制 ,并根据种群平均适应值的变化自适应地调整变异率 ,同时本文采用新的变异方式 ,以保持种群的多样性 ,从而避免遗传算法中的过早收敛问题 ,同时和单纯形法相结合 ,大大加快了收敛的速度.     

基于自适应遗传算法的超平面分类及遥感应用

智能分类算法是遥感影像分类研究的热点,遗传算法作为一种智能全局优化技术在遥感影像分类中具有良好应用前景.针对现有多光谱遥感影像分类方法的不足,提出了基于自适应遗传算法的超平面分类方法(hyper plane-adaptive genetic algorithm,HP-AGA)并应用于遥感影像分类,该方法利用神经网络中的神经元激活函数Sigmoid函数,对遗传算法中交叉率、变异率进行非线性自适应性调整,不再需要反复训练遗传参数,同时利用快速全局寻优特点,确定分类超平面的各个位置参数,从而获取最佳分类超平面集进行分类.多光谱遥感影像分类方法的应用实验表明,基于自适应遗传算法的超平面遥感分类方法能更快、更稳定地收敛到全局最优解,具有更好的效率及鲁棒性,并能取得优于简单遗传超平面分类算法及传统分类方法的分类精度.     

求解流量监测点最优部署问题的混合遗传算法

针对网络流量监测点最优部署(Optimal Deployment of Flow Monitors,ODFM)问题,提出了ODFM问题的通用模型。将遗传算法和模拟退火算法相结合,给出了求解ODFM问题的遗传模拟退火算法(GA-SA)。通过仿真实验,将GA-SA和标准遗传算法(Standard Genetic Algorithm,SGA)以及Suh等人提出的两步近似算法(Two-Stage Approximation Algorithm,TSAA)的求解性能进行了比较。实验结果表明,与SGA和TSAA相比,GA-SA可获得15%以上的求解性能提升。     

一种自适应多亲遗传算法及其性能分析

定义了一种度量多样性的指标,来自适应地调整基于实数编码的多亲遗传算法中交叉概率和变异概率这两个参数。提出了一种基于实数编码的自适应多亲遗传算法,该算法能自适应地调整其参数,且在求解优化问题的过程中,能克服早熟收敛的现象,提高搜索能力,加速收敛速度。同时将该算法用来求解多峰值测试函数,实验结果验证了算法的有效性。     

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。     

遗传算法在空对地武器阻力特性辨识中的应用

利用空对地武器的弹道表,用遗传算法(Genetic Algorithm,GA)辨识武器的阻力特性,即阻力系数与武器飞行马赫数之间的参数化函数关系.采用在全马赫数下具有丰富表现力的综合阻力系数关系式进行了计算.针对遗传算法3种不同的适应值度量方案,进行了仿真研究.结果表明3种适应值度量都导致算法的收敛,其中幂比例适应函数效果最佳.     

运用ADE算法进行Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.首先利用DE算法对Wiener模型参数进行辨识,分析了算法中变异率F对辨识过程中的全局并行搜索能力和收敛速度的影响;其次运用一种自适应变异差分进化算法(ADE)进行Wiener模型参数辨识,该算法在初期变异率较高,种群具有多样性,避免过早收敛于局部最优解;在进化过程中,变异率逐渐变小,优良个体得以保留,避免最优解遭到破坏.运用ADE算法对Wiener模型的数值仿真结果表明了ADE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力.与一般的DE算法相比较,ADE算法辨识到全局最优解的精度和概率有较大提高,对算法参数的敏感性降低.     

基于遗传算法的进化神经网络

提出一种基于遗传算法的多层前向神经网络的自动化设计方法(genetic multiplayer feedforward neural network，GMFNN)，用以同时完成对网络结构空间和权值空间的搜索。该算法利用双种群权值优化、结构进化自适应变异率等方法来加快算法的收敛速度，改善解的性能。仿真结果显示本文提出的算法能够有效抑制遗传算法初期收敛的发生，有效地提高多层前向神经网络的收敛精度，并可获得更为简洁的网络结构。     

The 12th International Conference on Service Systems and Service Management ICSSSM'15

正~~     

THE 8~(th) INTERNATIONAL CONGRESS ON INDUSTRIAL AND APPLIED MATHEMATICS

正August 10-14,2015Beijing,ChinaThe International Congress on Industrial and Applied Mathematics(ICIAM)is the premier international congress in the field of applied mathematics held every four years under the auspices of the International Council for Industrial and Applied Mathematics.From August 10 to 14,2015,mathematicians,scientists     

2014 List of Referees

正~~     

《Journal of Systems Science and Systems Engineering》Contents of Volume 23,2014

正~~     

TSINGHUA UNIVERSITY,Beijing, China

正AF:Any Field The School of Economics and Management at Tsinghua University(Tsinghua SEM)invites applications for faculty positions at all levels(Assistant Professor,Associate Professor and Full Professor)in any fields of business administration and management.Tsinghua SEM is the only school     

Enterprise resource planning implementation decision & optimization models

To study the uncertain optimization problems on implementation schedule, time-cost trade-off and quality in enterprise resource planning (ERP) implementation, combined with program evaluation and review technique (PERT), some optimization models are proposed, which include the implementation schedule model, the timecost trade-off model, the quality model, and the implementation time-cost-quality synthetic optimization model. A PERT-embedded genetic algorithm (GA) based on stochastic simulation technique is introduced to the optimization models solution. Finally, an example is presented to show that the models and algorithm are reasonable and effective, which can offer a reliable quantitative decision method for ERP implementation.     

Call for Papers The 12th International Conference on Service Systems and Service Management ICSSSM'15

正June 22-24,2015Guangzhou,China http://iec.cnsba.com/index.htmlCo-Sponsored by:ffiEE SMC(pending)South China University of Technology The Chinese University of Hong Kong Tsinghua UniversityHosted bv:School of Business Administration,South China University of Technology,China Conference Co-Chairs: