基于免疫遗传算法的车辆路径优化问题

在研究免疫遗传算法基本理论的基础上,设计了一种用于求解车辆路径优化问题的免疫遗传算法,并进行了实验测试,实验结果表明算法具有良好的全局搜索能力,并且能够有效地克服遗传算法在进化过程中由于种群多样性降低而出现早熟收敛现象的缺点.     

一种基于免疫原理的多种群 DNA 遗传算法

针对单种群遗传算法易陷入局部最优、多样性丧失快等问题,提出一种基于免疫原理的多种群DNA遗传算法。在多种群协同进化的基础上,将DNA计算思想引入到编码和遗传操作算子的设计中,通过模拟生物机体的免疫机制对遗传进化过程中个体的产生和选择过程进行自适应调控,并利用优良个体的迁移实现种群间信息交流。最后,通过函数优化实验测试算法的性能。仿真结果表明,算法在发掘全局最优个体、局部搜索能力方面表现优越。     

基于可进化性的快速遗传算法

给出三类可进化性较强的个体的定义,提出充分重视个体的可进化性并对可进化性强的个体加以引导,来提高遗传算法搜索效率的思想·同时考虑算法全局收敛性能而采用一种并行群体进化结构,设计了旨在提高遗传算法寻优效率的基于可进化性的快速遗传算法,仿真结果验证了这种快速遗传算法的良好性能     

基于改进免疫遗传算法的水电站优化调度应用研究

根据免疫算法的生物学机理,提出了一种改进的免疫遗传算法.该算法将微粒群算法作为免疫算法的全局搜索策略,提高算法的全局搜索能力;利用逐步优化算法对免疫算法的控制策略进行进化操作,提高算法的局部搜索能力;利用免疫算法本身基于浓度的自我调节机制,提高群体的多样性,避免算法过早陷入局部最优解.最后给出了该算法实现的具体步骤,并将其应用于水电站的优化调度中,取得了较为满意的结果,且与动态规划、遗传算法、免疫算法和微粒群算法等比较,验证了算法的有效性和优越性.     

基于免疫应答原理的免疫算法及其在多模态函数优化中的应用

基于免疫应答原理及小生境概念，采用实数编码策略，提出解决多模态函数优化的免疫算法。构建此算法的目的在于将其与遗传算法比较，分析二者的差异。算法设计的关键在于抗体评价规则及亲和突变算子，以及引入小生境技术、抗体浓度概念及免疫系统中群体多样性的机理，增强群体多样性。此算法具有自适应地调整进化群体规模、并行搜索最优解及强稳定性等特点，特别能搜索多个最优解(若存在)及大量局部最优解；同时其收敛性获证。事例仿真比较获该文算法的有效性，此暗示免疫算法的研究具有广阔前景。     

改进免疫克隆算法的Job Shop调度

提出了基于种群协同进化的并行免疫克隆算法,将种群中个体的亲和度计算并行在多个计算节点上同时进行。引入免疫记忆机制,使抗体种群的演化过程和记忆单元的演化过程并行进行,更好地实现了抗体间的相互协作,保证了解集从可行域内部和不可行域边缘向着最优解逼近。采用了克隆增殖变异和交叉算子的操作,增加了种群中优秀个体获得克隆增殖实现亲和度成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡。从而保证了算法较强的收敛性以及搜索空间的多样性。利用标准问题库对算法进行测试,并分析算法参数对算法结果的影响,仿真结果表明,该算法对待寻优空间的全局搜索能力和局部搜索能力以及算法的稳定性与计算速率都要强于简单免疫克隆算法和遗传算法等优化算法。     

免疫进化模糊聚类算法在边缘检测中的应用

针对图像处理中的模糊边缘检测问题,提出一种免疫进化模糊聚类算法.该算法在传统遗传算法全局随机搜索的基础上,借鉴了生物免疫机制中抗体的多样性保持策略,改善了遗传算法的群体多样性,具有更好的全局搜索能力.实验结果表明,该算法不仅具有很强的模糊边缘和微细边缘检测能力,而且可以减弱基于遗传算法的模糊聚类算法在遗传后期的波动现象.     

一种免疫进化算法及仿真研究

遗传算法(GA)作为一种高效并行随机搜索方法,具有很好的全局寻优能力;但是GA存在易陷入局部最优、个体多样性不足等缺点.正是基于GA的诸多问题,定义了一种计算抗体相似度和选择概率的新方法,并在遗传算法的基础上借鉴生物免疫系统的免疫记忆、浓度调节、抗体促进与抑制等机理以及分组变异思想,提出了一种新的免疫遗传算法.该算法用于优化复杂函数以及PID控制器,并与其它算法进行了比较.实验结果表明,该算法具有很好的全局收敛性能和搜索速度快等优点.     

自适应混沌遗传混合算法及其参数敏感性分析

提出自适应搜索空间的混沌遗传混合算法.该方法不同于一般的混沌遗传混合算法,它在遗传进化的过程中根据群体多样性测度引入混沌算子,并从全局搜索空间以随机概率解析出优秀解域,对个体分两个区域进行混沌扰动:优秀解域细搜索和全局解域大扰动.数值仿真表明该算法既加快了收敛速度又提高了收敛精度,解决了传统遗传算法的早熟问题.     

基于改进遗传算法的智能组卷研究

通过在遗传算法中引入个体浓度的选择机制和记忆机制,确保了进化过程中种群内个体的多样性,避免局部收敛,保证了算法朝优化方向进化.实验结果表明改进算法能跳出局部收敛,有效避免了早熟产生和遗传退化现象出现.     

一种基于种群熵估计的自适应遗传算法

为获得运行过程中对搜索空间勘探和开采的平衡 ,该文提出了一种基于种群熵估计的参数自适应遗传算法。该算法每一进化代的新种群由保留、繁殖和随机 3部分子种群组成 ,其数量则由相应的参数进行控制。通过引入种群熵的概念对种群内个体的多样性进行度量并使用一种简单的方法对其进行估计以确定各控制参数 ,该算法实现了参数的自适应调节。试验结果表明该算法能够有效协调勘探和开采 ,在处理复杂问题时表现出较高的性能     

数字电路设计的改进遗传算法

针对传统遗传算法应用于数字电路设计时出现的未成熟收敛和收敛速度慢等问题,提出了一种新的改进遗传算法,该算法对每次迭代产生的种群进行适应度分布和个体差异度的统计,并根据统计结果进行种群规划.实验结果表明,该算法使种群具备更好的多样性,从而显著地提高了电路的正确率和算法的收敛速度.     

改进的自适应遗传算法及其工程应用

引进小生境技术、种群迁移以及增加杂交个体之间的海明距离对自适应遗传算法进行了改进,从而建立了改进的自适应遗传算法,改善了传统的遗传算法局部收敛和早熟的现象,大大加快了全局搜索的速度以及搜索全局最优解的概率.工程实例表明:提出的改进自适应遗传算法应用于岩土工程的位移反分析具有搜索速度快、精度高等优点;同时对初始种群的形成方式、种群规模以及最大杂交概率、最大变异概率进行了参数分析.     

一种改进的进化回归神经网络系统

对基本进化回归神经网络系统作了改进．首先提出一种可切换的适应度评估函数，使得适应度函数能够始终保持对训练误差的敏感性，保证选择机制正确而有效地复制优良个体；然后针对均匀变异对个体变异力度不够的问题，引入一种变邻接长度的集中变异方式，提高系统维持种群多样性和发现优良个体的能力。结合个体适应度同种群平均适应度的关系，给出了变异步长自适应调整策略；最后利用个体之间的汉明距离，对最优个体保留策略进行了改进，限制最优个体在种群中的重复复制。仿真结果表明综合上述改进后的进化回归神经网络系统有更好的性能。     

MHC II DRB variation and trans-species polymorphism in the golden snub-nosed monkey (Rhinopithecus roxellana)

Genetic variation is generally believed to be important in studying endangered species’ adaptive potential.Early studies assessed genetic diversity using nearly neutral markers,such as microsatellite loci and mitochondrial DNA(mtDNA),which are very informative for phylogenetic and phylogeographic reconstructions.However,the variation at these loci cannot provide direct information on selective processes involving the interaction of individuals with their environment,or on the capability to resist continuously evolving pathogens and parasites.The importance of genetic diversity at informative adaptive markers,such as major histocompatibility complex(MHC) genes,is increasingly being realized,especially in endangered,isolated species.Small population size and isolation make the golden snub-nosed monkey(Rhinopithecus roxellana) particularly susceptible to genetic variation losses through inbreeding and restricted gene flow.In this study,we compared the genetic variation and population structure of microsatellites,mtDNA,and the most relevant adaptive region of the MHC II-DRB genes in the golden snub-nosed monkey.We examined three Chinese R.roxellana populations and found the same variation patterns in all gene regions,with the population from Shennongjia population,Hubei Province,showing the lowest polymorphism among three populations.Genetic drift that outweighed balancing selection and the founder effect in these populations may explain the similar genetic variation pattern found in these neutral and adaptive genes.     

基于学习的并行免疫量子进化算法及收敛性

提出了基于学习的多宇宙并行免疫量子进化算法,算法中将种群分成若干个独立的子群体,称为宇宙。宇宙内采用免疫量子进化算法,宇宙间采用基于学习机制的移民、模拟量子纠缠的种群交叉等信息交互方式,使得进化算法具有更好的种群多样性,更快的收敛速度和全局寻优能力。不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了该算法的优越性。     

重用抗体优良片断的免疫进化算法

基于克隆选择原理与算法,通过分析具体现象阐述了改进克隆选择算法的思想来源,设计了挖掘抗体中优秀决定基因并生成记忆集、封装优秀决定基片段、用变异抗体群中亲和度高的抗体按概率替换记忆抗体群中低亲和度抗体的方法,获得了重用抗体优良片断的克隆选择算法.借鉴强度Pareto进化算法的进化框架,提出了重用抗体优良片断的免疫进化算法.该算法通过克隆选择替代选择、交叉、重组等遗传操作.在一组0/1背包问题上的测试结果表明,所提出的算法可以有效保持种群多样性,获得较高质量的Pareto非劣解集.
     

递阶进化算法的小波网络在设备状态预测中的应用

为改善小波网络的学习和逼近性能 ,基于递阶结构染色体提出了递阶进化算法用以实现小波网络的设计和训练。该算法采用包含控制级基因和参数级基因的递阶结构的染色体 ,分别对网络结构和网络参数进行编码 ,并根据编码特点将遗传算法与进化规划结合进行进化操作 ,可实现同时对网络结构与网络参数进行进化设计和学习训练。该算法不仅克服了梯度下降算法中的局部极小和网络训练不收敛问题 ,也使网络结构更优 ,从而提高了网络训练效率和网络的工作性能。就函数逼近问题和水轮机组的状态预测问题进行了事例研究 ,验证了所提出的算法的优越性和可行性     

陕西师范大学雁塔校区木本植物种类调查

对陕西师范大学雁塔校区木本植物资源进行了研究及鉴别,结果显示该校区内现有木本植物39科67属98种(含变种和栽培品种),以植物多样性为基础的校园生态系统良好,但植物种群的数量有不平衡,一些植物属、种的多样性有待改善。研究认为应建立校园植物资源数据管理库,展示大学校园植物资源的文化内涵。     

基于进化强度的蚁群算法过程性能评价

为了评价蚁群算法的过程性能,提出了一种基于进化强度的蚁群算法性能评价方法。以子集问题为例,引入谷元距离度量解的差异程度,并定义了迭代的相对进化幅度。将一次迭代的相对进化幅度与解的相对差异程度之比定义为进化强度,并据此将迭代区分为进化代与停滞代。通过多次运行算法并计算进化强度的平均值得到蚁群算法的进化强度趋势图,对比进化强度的趋势图进行蚁群算法过程性能评价。以4种求解子集的典型蚁群算法为例,通过标准测试实例验证了评价方法的有效性与合理性。