一种用于故障诊断的演化小波神经网络

针对小波神经网络实现故障模式识别时存在的“维数灾”问题 ,提出了利用遗传算法在小波网络的学习过程中优化网络结构的方法 ,可有效减少小波基元 ,加速收敛。同时为提高遗传优化的收敛速度和精度 ,避免“早熟”现象 ,采用基于实数编码的遗传算法。给出了各个控制算子的自适应调整策略 ,并设计了增加和删除操作对遗传算法进行改进。仿真结果证明了该算法的有效性。     

基于BPSO的元胞自动机准周期三行为研究

为研究一维二值元胞自动机的一类重要的群体演化行为--准周期三行为,提出了基于离散粒子群的元胞自动机演化算法,并通过使用活性元胞迭代图的平均面积为适值函数,发现了具有准周期三行为的元胞规则.与遗传算法相比,基于离散粒子群的元胞演化算法的搜索效率更高.实验还进一步表明,准周期三行为是某些元胞规则的特定行为,一定条件下与元胞自动机的初始构型关系不大.     

用于函数优化的正交Multi-Agent遗传算法

将Multi Agent系统、遗传算法和正交试验设计方法相结合,提出了一种混合进化算法———正交Multi Agent遗传算法。它以Multi Agent系统为基础,通过Agent间的相互作用与每个Agent所具有的知识和自学习功能来提高算法的全局优化能力和收敛速度;同时利用正交试验设计方法产生较好的初始种群和设计正交交叉算子以获得更好的后代;针对正交试验设计产生初始化种群在函数维数很高时需很大存贮空间的缺点,提出了子空间分割法来产生所需的初始化种群,它只需要原来存贮空间的十分之一。首先,对维数为30或100的12个标准测试函数进行仿真试验,结果表明正交Multi Agent遗传算法具有很强的全局优化能力和较快的收敛速度;其次,算法对这些标准测试函数进行高维优化(高达200维),实验结果表明正交Multi Agent遗传算法具有较好的高维搜索能力。     

股市演化的遗传元胞自动机模型

以复杂性科学的理论方法为指导,运用元胞自动机、遗传算法、系统仿真、分类器系统等研究工具,结合投资分析技术,在形成演化规则库的基础上,构建了股市系统演化的遗传元胞自动机模型。其中,分类器系统被用来学习演化模型的参数,它使演化市场的复杂性特征充分逼近现实市场。通过对兖州煤业的实证分析,表明该演化模型可以模拟现实市场的复杂性,可以通过具有学习功能的演化模型进一步分析股票市场,为股市的监管和调控提供依据。     

基于育种系统管理全局优化算法及其性能

针对遗传类算法收敛精度差和收敛速度慢等问题,本文将育种系统的管理运作思想引入遗传算法,构造了一种新的全局优化算法—育种算法。通过对搜索和进化操作过程进行分析,指出了算法收敛到全局最优的途径和方法,提出了利用简单的随机采样实现全局搜索和采用基因置换技术实现交叉进化的思想策略,建立了算法模型并确定了相应的控制参数和终止准则。实验表明,该算法能够实现精确搜索并实现计算精度和成本之间的平衡,可以避免遗传算法的早熟收敛问题和大量的冗余运算,提高了优化计算的速度和可靠性。     

顾及负载平衡的并行多种群自适应遗传算法

自适应遗传算法采用在遗传进化的过程中动态调整各种遗传参数和遗传算子的手段,以达到快速收敛同时避免早熟的目的.提出了并行多种群自适应遗传算法(PMAGA:Parallel Multipopulation Adaptive Genetic Algorithm),通过对种群规模、交叉率和变异率等遗传参数的动态调整使算法在保持种群多样性的同时,提高收敛速度;重点针对自适应调整过程中带来的负载失衡,加入了相应的迁移策略.最后,给出了并行多种群自适应遗传算法与简单遗传算法(SGA:Simple Genetic Algorithm)和孤岛遗传算法(IGA:Island-based Genetic Algorithm)的收敛性能和并行性能比较.     

一种混沌遗传算法及其在测试生成中的应用

针对标准遗传算法存在的早熟与收敛速度较慢等问题,提出了一种新的混沌遗传算法,该算法利用混沌序列的随机性、遍历性及规律性等特性来控制交叉与变异操作,可有效克服早熟收敛。介绍了一种组合电路测试生成的神经网络模型,以该模型为基础,对所提出的混沌遗传算法在测试生成中的应用进行了详细研究。实验结果表明,所提出的方法能有效克服标准遗传算法中的局部收敛问题,加快了测试生成过程。     

处理动态优化问题的演化元胞遗传算法

已有演化元胞遗传算法中的演化规则多从元胞自动机中直接引入，未在状态演化中考虑个体间适应值的差异。根据密度制约关系提出一种新的演化元胞遗传算法来处理动态优化问题，在考虑个体适应值优劣与局部种群密度的前提下，通过密度制约与种内竞争实现个体在元胞空间内的生死演化，并建立种群规模增长模型控制元胞空间内存活个体规模。选取不同强度、复杂度的动态优化问题对算法性能进行验证，结果表明新算法具有良好的处理动态优化问题的能力。     

元胞自动机用于金融市场建模

给出了基于元胞自动机的金融市场模型的一个简短综述,特别介绍了针对无约束和有约束股票的两个典型模型及其主要结论.文末提出了元胞自动机建模思想可能的局限性.     

初始化对交通元胞自动机模型稳定性的影响

针对现有交通元胞自动机模型运行初始不稳定,数据输出存在较长时间的初始波动问题,基于Fisher-Yates算法原理,设计出一种新的交通流初始化方法。该方法可以确保车辆从进入元胞空间到随后的演化更新,其位置及更新时机的随机性。通过对采用新交通流初始化方法的模型进行演化实验,结果表明：任意空间占有率条件下交通流的初始波动区间都在50步以内;当演化更新总步数达到3 600步时,模型剔除初始波动区间的输出数据已充分收敛,这时模型运行已足够稳定。     

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。     

Chaotic migration-based pseudo parallel genetic algorithm and its application in inventory optimization

1.INTRODUCTION Geneticalgorithm(GA)isacomputationmodelsimulat ingevolutionprocessofcreatures.Inspiteofitsremark ableprogress,thetroublecausedbyprematureduring evolutionhasbroughtdifficultyforGAapplications.A sortofmulti populationGAishighlyregardedformaking thebestofparallelstructureandgroupevolvementofGA witheasyimplementation[1].ButPGAhasahighrequest forhardwareenvironmentofmultiprocessorsuchlike Transputernetwork,MIMD,SIMDorLAN[2,3].For thoseoptimizationproblemsoflowerrequestf…     

Polyphase orthogonal sequences design for opportunistic array radar via HGA

Opportunistic array radar (OAR) is a new generation radar system based on the stealth of the platform, which can improve the modern radar performance effectively. Designing the orthogonal code sets with low autocorrelation and cross-correlation is a key issue for OAR. This paper proposes a novel hybrid genetic algorithm (HGA) and designs the polyphase orthogonal code sets with low autocorrelation and cross-correlation properties, which can be used in the OAR system. The novel algorithm combines with simulated annealing (SA) and genetic algorithm (GA), adds in keeping best individuals and competition in small scope, and introduces grey correlation evaluation to evaluate fitness function. These avoid the premature convergence problem existed in GA and enhance the global searching capability. At last, the genetic results are optimized to obtain the best solution by using greedy algorithm. The simulation results show that the proposed algorithm is effective for the design of orthogonal phase signals used in OAR systems.     

利用多群体DNA遗传算法求解线性规划问题

针对经典遗传算法存在的问题 ,提出了多群体DNA遗传算法。该方法在经典遗传算法的基础上 ,通过借鉴生物学及社会学 ,引入了多群体及DNA片断等概念 ,并提出迁移与自适应变异算法 ,可以提高遗传算法的有效性与收敛性。为了验证算法的有效性 ,将该算法应用于线性规划问题的求解。在求解过程中 ,首先利用熵障碍对偶方法对原问题进行转换 ,然后使用多群体DNA遗传算法对转换后的目标函数进行求解。仿真结果表明 ,该方法具有良好的全局搜索能力和较快的收敛速度。以上工作为解决大规模线性规划问题的求解提供了全新的思路和方法 ,对遗传算法应用的发展具有重要意义     

遗传——灾变算法及其在非线性控制系统中的应用

本文提出了遣传一灾变算法。在遗传算法的基础上，提出进一步模拟自然界中的灾变现象，以提高遗传算法的性能，尤其是解决重要的不成熟收敛问题。文中介绍了它的基本原理并将其应用于非线性控制系统的优化设计中。仿真实例验证了该算法的优良性能     

基于信息熵的自适应PBIL算法及其应用

分析了基于群体的增量学习(Population-based Increased Learning，简称PBIL)算法的基本原理和存在问题，提出了一种具有自适应学习和变异能力的改进策略。新的算法采用信息熵衡量种群的进化程度，并根据熵值的变化自适应地调整学习速率和变异率。应用该算法求解典型的Flow Shop调度问题，通过与简单PBIL算法和遗传算法的结果进行比较，表明该算法的计算效率和局部搜索能力得到提高，且收敛过程非常稳定。     

基于特异性免疫策略的遗传算法及应用

针对标准遗传算法在进化后期收敛速度慢,易陷入未成熟收敛的问题,借鉴免疫应答机理,提出一种基于特异性免疫策略的遗传算法.算法的核心在于保持种群的多样性和执行特异性免疫策略,即引入小生境技术维持种群的多样性,对遗传参数自适应调节以适应种群的实际变化;利用高亲和度抗体搜寻更优秀的抗体,并发掘低亲和度抗体寻优的潜力;通过优良记忆库实现精英保留策略,保证算法搜索的快速性及有效性.理论上证明了算法的收敛性.仿真结果表明,算法能有效地改善种群多样性,具有较强的全局收敛能力.以二级倒立摆为被控对象,将该算法应用于Takagi- Sugeno模糊神经网络控制器的优化,实物控制结果表明该方法具有良好的动稳态性能和抗干扰能力.     

少控制参数的分层式骨干粒子群优化算法

针对传统粒子群优化易于早熟的缺点,提出一种少控制参数的改进骨干粒子群优化算法.该算法利用关于粒子全局和个体极值点的高斯分布更新粒子的位置,无需设置惯性权重和学习因子等控制参数;利用混沌扰动策略产生粒子的全局极值点,提高了粒子群的多样性;为改善算法的全局探索能力,依据收敛速度动态分配每个粒子的变异概率,设计了一种自适应跳离算子;为均衡算法的局部开发和全局探索能力,给出了一种分层式粒子更新公式.最后,将所提算法用于多个典型测试问题,并与三种典型算法进行对比,实验结果证明了它的有效性.