混沌免疫模糊聚类算法在图像边缘检测中的应用

针对图像处理中的模糊边缘检测问题,提出一种混沌免疫模糊聚类算法.该算法把混沌变量加载于免疫算法的变量群体中,利用混沌搜索的特点对群体进行微小扰动并逐步调整扰动幅度,明显改善了免疫算法的群体多样性.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,而且可以提高基于人工免疫进化算法的模糊聚类算法的搜索效率.     

基于改进遗传算法的模糊C均值聚类算法

针对传统模糊C均值聚类算法(FCM)的缺陷,提出了一种基于改进遗传算法的模糊聚类方法.利用改进遗传算法强大的全局寻优能力,这种算法较好地克服了FCM算法对初始化敏感、容易陷入局部最优的缺陷.仿真实验证明,该算法具有较强的全局寻优能力和较快的收敛速度.     

一种基于改进型遗传算法的模糊聚类

针对模糊C均值算法(FCM算法)难以达到全局最优解的问题,引入了具有全局搜索能力的遗传算法以解决聚类问题,并在标准遗传算法基础上进行了改进。将该算法运用于IR IS数据的聚类,实现了较好的聚类,从而验证了算法的有效性。     

改进遗传算法优化模糊均值聚类中心的图像分割

针对传统模糊均值聚类算法存在的问题, 提出一种改进遗传算法优化模糊均值聚类中心的图像分割算法. 首先在标准遗传算法的交叉操作中引入方向因子, 使参与交叉的个体向最佳个体靠近, 加快算法的收敛速度, 并通过增强群体间的信息共享机制提高算法的全局搜索能力, 避免了早熟收敛, 改善了全局解的精度; 然后采用改进遗传算法选择模糊均值聚类算法的初始聚类中心, 实现图像分割; 最后采用仿真实验测试算法性能. 实验结果表明, 相对于传统模糊均值聚类算法及其他图像分割算法, 本文算法在分割正确率、 分割速度及鲁棒性上均更优.     

基于PSO的模糊C均值聚类算法

在分析模糊C均值聚类算法存在不足的基础上,提出了一种新的聚类算法:基于粒子群的模糊C均值聚类算法.该算法利用粒子群强大的全局寻优能力,不仅克服了传统的模糊C均值聚类算法对初始值敏感、噪声数据敏感、易陷人局部最优的问题,而且有较快的收敛速度.试验证明,这种算法是一种很有潜力的模糊聚类算法.     

遗传优化的属性聚类在入侵检测中的应用

分析了入侵检测的问题，借助全局搜索能力强的遗传算法来解决聚类问题，并在标准遗传算法基础上进行了改进。提出了用遗传算法来优化属性聚类，将该算法运用于入侵检测系统的数据聚类，同时验证了算法的有效性。     

基于K均值和免疫算法的聚类分析

在分析了经典K均值聚类算法的基础上,提出了一种基于K均值和免疫算法的聚类分析算法,理论分析和实验显示,该算法具有全局寻优能力和对初始数据输入鲁棒性,算法具有计算效率高、聚类能力强的特点．     

多种群协同进化的K-means聚类算法

针对K均值聚类算法易陷入局部最小的缺点,提出了一种多种群协同进化的微粒群和K均值混合聚类算法,它将整个种群分解为多个子种群,各子种群独立进化,周期性地更新共享信息.同时将此算法与现有的基于遗传算法的K均值聚类算法进行了比较.实验结果证明,该算法能有效地克服传统的K均值算法易陷入局部极小值的缺点,同时全局收敛能力优于基于遗传算法的K均值聚类算法.     

求解单级多资源约束生产批量计划问题的免疫遗传算法

通过对单级多资源约束生产批量计划问题(SLCLSP)模型进行分析,提出了基于免疫遗传算法(IGA)求解该问题的方法.此算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,借鉴生物免疫机制中抗体的多样性保持策略,大大提高了算法的群体多样性.实验结果表明,免疫遗传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,使全局收敛性及收敛速度两方面均得到提高,能有效解决SLCLSP问题.     

基于改进GA的K-均值聚类算法

利用遗传算法或免疫规划算法解决初始聚类中心是较好的方法,但容易出现局部早熟现象．为了克服以上缺点,借助免疫机制的优点,将免疫原理的选择操作机制引入遗传算法中,提出基于改进遗传的K-均值聚类算法,该方法结合K-均值算法的高效性和改进遗传算法的全局优化能力,较好地解决了聚类中心优化问题．试验结果表明,本算法能够有效改善聚类质量．     

基于图像分割的伪并行免疫遗传算法聚类设计

遗传算法是一种自适应全局优化概率搜索算法。但它却由于进化过程的过早收敛而导致无法保证收敛到全局最优解。因此运用伪并行思想与免疫遗传算法相结合来弥补遗传算法的缺陷。1问题描述许多学科要根据所测得的相似性数据进行分类,把探测数据归入到各个聚合类中,从而对各聚合类     

基于遗传禁忌混合算法的低相关区序列集搜索方法

提出一种基于遗传-禁忌混合算法(genetic-taboo hybrid algorithm)的低相关区(low correlation zone,LCZ)序列集的搜索方法.建立搜索LCZ序列集的优化模型并设定了模型的目标函数,将禁忌算法嵌入到遗传算法的变异操作中,提出一种遗传-禁忌混合算法,该算法利用遗传算法的全局搜索能力和禁忌算法的局部搜索能力从而实现高效搜索.迭代过程中,种群在进入新一轮进化之前,首先剔除移位等价序列(shift equivalent sequence),从而保持种群的多样性,防止算法过早收敛.根据优化算法收敛后目标函数保持不变的特点,设定了算法结束准则,当超过一定进化代数后目标函数值仍保持不变,则认为进化结束.对非周期四元和周期二元序列集进行数值仿真,结果证明了该方法的有效性.     

基于遗传算法优化的自适应FNN-PID控制器研究

针对传统PID控制器参数整定后因无法在线自动调整而导致控制效果不理想的问题,提出了一种基于遗传算法优化模糊神经网络（FNN, Fuzzy Neural Network）的自适应FNN-PID控制器模型。该模型结合了模糊神经网络良好的自适应自学习能力和遗传算法强大的全局搜索能力,利用遗传算法对模糊神经网络的参数进行优化与训练,使PID控制器能够根据被控对象的变化而适时在线调整自身参数KP, KI和KD,从而达到理想的控制性能。将该控制器应用于异步电动机控制系统进行仿真实验,结果表明：基于遗传算法优化的自适应FNN-PID控制器具有较好的自适应能力和鲁棒性,控制效果明显优于传统PID控制器。     

用混合遗传算法实现神经网络快速训练

快速神经网络训练算法的研究是人们所关注的问题之一。经过分析与研究 ,遗传算法是一种全局并行随机搜索优化算法 ,具有很强的全局搜索能力 ,而 BP算法的局部搜索能力较强。文章将两者结合起来 ,形成一种混合遗传算法 ,并就混合遗传算法的原理及其在实现时所涉及到的许多策略问题进行了分析比较 ,仿真结果表明它具有收敛速度快和不会陷入局部极小的特点。     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

两阶段遗传算法在求解TSP问题中的应用

为了提高利用遗传算法求解TSP(traveling saleman problem)问题的能力,给出了一种种群多样性的定义,提出了一种利用2个阈值在贪婪优化遗传算法和退火单亲遗传算法间切换的两阶段遗传算法,从而可以在保持种群多样性的基础上优化种群.两阶段遗传算法在种群多样性下降到一定程度时,转换遗传方式,在继续寻优的同...     

运用改进遗传算法的输电网规划

遗传算法对许多问题是有效的，但普通遗传算法只能保证全局最优解的出现而不能保证每次都收敛于全局最优解，其原因是在搜索过程中出现的全局最优解不能保留下来，针对这一问题，本文将改进自适应代沟方式的遗传算法用于输电网规划中，一方面保证了计算结果有多个解可供选择，另一方面加快了搜索速度，提出了搜索性能，算例表明了这种改进方法的优越性。     

基于混合遗传算法的建筑结构优化设计

提出一种离散变量结构优化设计的单向搜索算法并与标准遗传算法结合成混合遗传算法,即发挥了单向搜索算法省时、高效、局部搜索能力强的特点,又发挥了遗传算法全局性好的特点·算例结果表明,该方法能直接计算具有应力约束和截面尺寸约束的离散变量结构优化设计问题,也能处理同时具有稳定约束和位移约束的多工况、多约束、多变量的离散变量结构优化设计问题·这种混合遗传算法优于标准遗传算法和单向搜索算法,是兼二者之长,弃二者之短的高效的理想优化设计方法·