求解FJSP的自适应免疫遗传算法

借鉴生物免疫系统的免疫调节机理,提出一种求解柔性作业车间调度问题的自适应免疫遗传算法(AIGA).该算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,通过引入免疫算子和种群的自适应调节策略,保持了群体的抗体多样性.实验结果表明,该算法可有效改善基本遗传算法的未成熟收敛和局部搜索能力差的缺点,具有很好的全局收敛能力,能有效解决柔性作业车间调度问题.     

基于自适应混合算法的智能存取系统动态路径规划

研究了药房智能存取系统拣选路径的动态规划问题,提出了该问题的数学模型,并设计了一种新的自适应混合粒子群遗传算法(Adaptive hybrid particle swarm algorithm).该算法在粒子群遗传混合算法的基础上引入了动态调整和自适应进化的策略.在算法前期粒子群搜索阶段,建立了惯性权重系数、认知系数与收缩因子之间的联动关系,随着惯性权重的动态变化,认知系数与收缩因子也适时进行调整,提高了搜索效率和搜索精度.在算法的后期,采用了遗传算法的自适应交叉和变异的进化过程,对陷入局部最优的粒子群进行打散,使得每次迭代中都能最大限度的获取路径信息,使种群的搜索朝向解空间的不同区域发展.经过对某大型医院智能存取系统的路径规划仿真实验,验证了提出的算法相对于其他算法在求解速度和求解精度上都有较大的提高.     

基于改进局部搜索遗传算法的目标分配决策

为满足舰载武器目标分配需求,对传统的局部搜索遗传算法进行了改进,并用其求解目标分配问题的最优解。构造了适合于目标分配问题的染色体;设计了搜索性能较好且能够保留优秀基因的交叉操作方法;将局部搜索机制引入标准遗传算法,提高了目标分配算法的收敛速度;把模拟退火算法引入局部搜索问题,在一定程度上避免了局部最优问题;将贪婪算法应用于局部搜索提高了最优分配方案的搜索效率。仿真计算表明,改进局部搜索遗传算法的目标分配性能优于已有算法。     

基于免疫遗传算法的三维大脑图像分割

利用最大熵多阈值方法对三维大脑数据进行分割时,穷尽搜索法耗时长,而简单遗传算法的搜索结果又不够稳定和精确.针对该问题,提出了一种免疫遗传和模拟退火相结合的新算法来快速求解全局最大熵.与简单遗传算法相比,免疫遗传算法采用了更佳的选择操作,以确保更多不同个体被选择来保存种群的多样性,而模拟退火机制用于拉伸免疫遗传算法的适应度函数.算法给出了选择概率的一般表达式,并采用精英策略和自适应的交叉、变异机制以改善算法的收敛性.基于IDL平台的100次仿真结果表明,三维大脑数据被成功地分为:脑白质、脑灰质和脑脊液三部分,且与简单遗传算法和传统免疫遗传算法相比,本文算法在稳定性和精确性上更具优势.     

矩形平面稀布阵旁瓣电平的免疫算法优化

首次采用免疫算法对稀疏阵列的方向图综合问题进行了研究。针对矩形平面稀布阵的结构特点,推导了克罗内克积形式的位置阵列因子这一新参数,减少了运算量,提高了运算速度;并对免疫算法进行了改进,通过采用自适应克隆和高斯变异等操作克服算法搜索的盲目性,提高了算法的搜索效率。针对阵元位置分布和激励幅度的特点依次应用二进制免疫算法和实数免疫算法来优化矩形平面稀疏阵列的旁瓣电平,表明了免疫算法的灵活性和有效性;采用免疫算法的优化结果要明显优于采用基本遗传算法的,表明了免疫算法具有更好的全局收敛特性。     

一种非一致性的自适应遗传算法与应用

在排序操作的自适应遗传算法的基础上，建立了一种非一致性自适应遗传算法。这种算法运用非一致性自适应算子确定变异量，使演化系统根据演化进度有解的质量，自适应地去调整搜索区域，使得算法的全局搜索效率得到明显提高，实例仿真表明了该算法的有效性。     

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。     

基于混合自适应Memetic算法的贝叶斯网络结构学习

Memetic算法是一种基于种群的全局搜索和基于个体的局部启发式搜索的结合体,具有较高的全局搜索能力,将其成功应用于贝叶斯网络的结构学习。该算法在基本的遗传算法操作算子中,引入粒子群算法的基本思想,同时利用混沌的遍历性和云自适应的快速收敛性,提出了一种云自适应的混沌变异搜索进行局部搜索,实现全局优化,跳出局部最优。实验证明该算法在贝叶斯网络结构学习中具有很好的效果。     

一种新型保持种群多样性的遗传算法

针对遗传算法的“早期收敛”或“遗传漂移”，本文提出了一种新型保持群体多样性的遗传算法。该算法利用种群的熵和个体基因座的多样度来测度进化中种群的多样性，并将遗传操作与种群多样性联系起来，建立了遗传操作与种群多样度之间的函数关系式，使遗传算子中的主要参数能够随多样性函数和适应度函数的变化而自适应调整，从而提高了进化中种群的多样性和算法的搜索效率。仿真研究证明了该算法的优越性。     

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。     

基于分布式免疫进化算法的函数优化

针对遗传算法在寻优过程和多峰值函数求解中出现的“早熟”问题以及免疫算法收敛速度较慢问题,将免疫算法和进化算法进行优势融合,并结合改进的进化算法的并行模型,提出一种新的算法--分布式免疫进化算法（distributed immune evolutionary algorithm,DIEA）。新算法主要包括记忆种群进化模块和子种群进化模块两个部分,子种群的主要功能是找出各个区间的局部最优解;主种群主要是进行全局搜索,寻找全局最优解。仿真实验表明,该算法具有很高的全局寻优能力和很快的收敛速度,适合求解复杂多峰函数优化问题。     

基于起讫点的均衡交通分配改进算法

AnthonyChen (2002)提出的基于起讫点的Frank-Wolfe (ODBFW)算法, 对同一起点的所有OD对搜索最短路树, 采用one-OD-at-a-time流量更新策略, 是一种收敛性能较好的均衡交通分配算法. 主要对ODBFW算法的初始化、线性搜索及最短路搜索算法进行改进, 提出ODBFW改进算法. 将ODBFW改进算法应用于国际上同类研究常用的SiouxFalls网络及我国山东省诸城市实际道路网, 比较标准FW算法、ODBFW算法及ODBFW改进算法的可行性、效率及稳定性. 结果显示, 改进算法效率较标准FW算法有显著提高, 稳定性较好. 在小型测试路网上改进算法较ODBFW算法达到收敛的时间减少近15%, 在大型测试路网上减少近5%.     

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。     

基于免疫遗传算法的机械手避碰逆解

给出了核反应堆检修用冗余机械手的无碰撞运动学求解方法。提出了一种基于免疫遗传算法的逆解方法,在保证解的精确性的同时对解进行了合理优化,使得求解过程快速准确。同时在求解的过程中利用罚函数法,对逆解过程进行避碰优化,使得基于该逆解方法的机械手运动控制更具灵活性。针对具体问题,提出了一种免疫遗传算法,对算法的快速性作出了考虑,满足了求解的实时性要求。     

Improved algorithms to plan missions for agile earth observation satellites

This study concentrates of the new generation of the agile （AEOS）. AEOS is a key study object on management problems earth observation satellite in many countries because of its many advantages over non-agile satellites. Hence, the mission planning and scheduling of AEOS is a popular research problem. This research investigates AEOS characteristics and establishes a mission planning model based on the working principle and constraints of AEOS as per analysis. To solve the scheduling issue of AEOS, several improved algorithms are developed. Simulation results suggest that these algorithms are effective.     

遗传算法在神经网络控制中的应用与实现

比较了遗传算法与神经网络的特点,并对将遗传算法用于前向神经网络的可能性进行了研究,同时阐明了遗传算法和神经网络结合的必要性,提出了一种融合遗传算法的神经网络控制方法,该方法采用多层前向神经网络作为遗传搜索表示方式的思维,以神经网络为基础,用遗传算法 习神经网络的权系数,即保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力,将遗传算法和神经网络相结合,分析了遗传算法基本参数及神经网络结构、隐层和输出层节点非线性函的选择,设计了用遗传算法学习神经网络权系数的软件实现方法,成功地实现了机械手逆运动学求解问题及倒立摆的控制,仿真结果显示了遗传算法快速学习神经络权系数的学习效率与收敛精度,确保了快速达到全局收敛,克服了多层前向神经网络传统的BP学习算法精度低、收敛速度慢、容易陷入局部极小的缺陷,表明了该方法的可行性与有效性。     

体液免疫算法及其对证券组合投资分析的应用

基于Jia&Dyer的一般性失望模型,给出一种新的非对称风险度量方法,建立该风险度量下考虑证券最小交易单位约束的组合投资二次整数规划模型;进而依据体液免疫原理设计实用、简单的新体液免疫算法,并寻求该模型的最优方案.算法设计中引入优秀抗体演化操作,搜集和更新进化中最好解,以及建立能增强群体多样性及具有较强整体、局部、并行搜索能力的免疫操作,从多方位搜索最优解.实证及比较表明,所获算法的整体和局部搜索能力强、能快速获取最优投资决策方案,所建模型的合理性和有效性被论证.