性能约束下功耗感知的电压频率岛NoC映射

针对支持电压频率岛(VFIs)的片上网络(NoC)功耗优化问题,定义了性能约束的功耗感知NoC映射问题,并提出一种基于遗传、蚂蚁算法融合的优化方法.通过在映射过程中同时考虑计算功耗、VFIs开销功耗及通信功耗,提高了算法的优化能力,降低了系统的总体功耗;通过将遗传算法与蚂蚁算法融合,利用遗传算法的快速搜索能力、蚂蚁算法精确优化能力,使优化算法兼顾了收敛速度和优化效果.实验结果表明:本算法在满足NoC性能要求的前提下,可显著降低VFIs NoC的功耗;具有收敛速度快,优化精度好的特点,适用于求解大规模NoC映射问题.     

基于遗传蚂蚁混合算法的AUV全局路径规划

针对三维空间环境下的全局路径规划问题存在搜索最优解效率不高、时间较长等问题,提出了一种基于遗传蚂蚁混合的算法.该算法对模型进行了必要的简化,合理设计了子区域的划分方法,减少了种群的搜索范围;采用了新的遗传蚂蚁混合策略,提高了两种基本算法的融合效率;依据安全性和时间原则设计了算法的评价函数.三维环境下的仿真结果表明:本算法与已有的遗传蚂蚁混合算法相比,在保持搜索精度的同时,搜索到最优解的时间和迭代次数均有明显减小,具有可行性与合理性.     

组合蚁群算法及其化工应用

针对连续空间优化问题,提出基于新型蚁群算法和模式搜索策略的组合蚁群优化算法。该算法将解空间的每维变量都划分成若干子域,根据每维变量各个子域中信息量占每维变量总信息量的比例来决定蚂蚁在各个子域间的转移,并在各子域中引入遗传操作实现蚂蚁品质的提升。同时,当最优解经过若干代没有改进时,对所有蚂蚁通过模式搜索策略加快收敛进程。以非线性连续优化问题为例进行仿真,结果表明:该方法比遗传算法具有更好的性能。最后,将该算法应用于反应动力学模型参数估计,取得良好的效果。     

一种基于启发式演化算法的最优-最差蚂蚁系统

针对传统最优-最差蚂蚁系统(BWAS)存在搜索效率低、收敛速度慢的缺点,提出一种基于启发式演化算法的最优-最差蚂蚁系统(IEABWAS)算法。该算法通过加入启发式演化算子,在算法的每次迭代中将最优蚂蚁与次优蚂蚁执行启发式的演化算子操作,并将这种演化操作产生的较好个体替代系统中最差的个体,以达到快速收敛的目的。同时,为使搜索更加集中于最优解附近,对最优-最差蚂蚁的信息素更新方式进行适应性调整,以提高算法的全局搜索能力。使用该算法求解复杂旅行商问题(TSP),结果表明:与传统的最优-最差蚂蚁系统相比,该算法不但具有更强的全局搜索能力,而且能提高算法的收敛速度,算法性能得到明显改善。     

基于模糊推理的鸡群优化算法

针对鸡群算法(CSO)在求解高维复杂优化问题时往往会陷入局部解的问题,提出了基于模糊推理的鸡群优化算法.该方法利用模糊推理改进了母鸡和小鸡的位置更新公式,增强了鸡群全局搜索能力;利用惯性粒子,增强了鸡群的信息共享,从而增加了局部搜索能力,并用Tent映射对粒子进行扰动.数值试验结果表明:该算法能快速收敛到全局最优解,而且具有较高的全局寻优能力和计算精度.     

基于自适应免疫算法的电力系统无功优化

针对电力系统无功优化问题，提出了根据各个抗体之间的距离测度自动调节参数的自适应免疫算法（adapted immune algorithm，AIA）．该算法在群体多样度的基础上，调节选择率α、克隆半径r和突变半径R，在快速收敛和保持群体多样性以避免陷入局部最优解之间进行优化．算例表明：自适应免疫算法使计算速度和收敛性均达到最优；对于IEEE14节点系统，与遗传和免疫算法相比，该算法的收敛效果提高8％，计算时间缩短55S；与改进的免疫算法相比，其收敛效果提高2％，计算时间缩短0．5S；对于IEEE118系统，与遗传和免疫算法相比，该算法的收敛效果提高5％，时间减少分别为493S和336S；与改进的免疫算法相比，其收敛效果提高3％，计算时间缩短26S．     

免疫遗传算法学习贝叶斯网等价类

针对遗传算法学习贝叶斯网存在的问题, 提出一种基于骨架搜索的免疫遗传算法学习贝叶斯网等价类, 该方法综合了基于约束和打分搜索的方法, 可以在遗传过程中避免产生非法结构, 并从骨架空间映射到等价类空间进行搜索. 实验数据表明, 免疫算子的使用可有效缩小搜索空间规模, 加快收敛速度, 提高执行效率.     

无线传感器网络中多基站定位的多目标蚁群算法

根据多目标进化算法思想,提出了无线传感器网络中多基站定位的多目标蚁群算法.该算法用一组蚂蚁并行搜索,用一个蚂蚁所在位置表示一个基站定位,多蚂蚁位置的组合表示多基站的定位.计算单基站和多基站定位的适应度,再根据这两个适应度值调整蚂蚁觅食路径上的信息素,蚂蚁沿着信息素强的方向搜索,不断逼近多目标优化的Parote解,从而获得全局优化的多基站定位解.实验结果表明,该算法求得的多基站定位位置能有效提高网络性能,且适用性强.     

基于改进蚁群聚类的入侵检测算法

针对蚁群聚类算法存在容易出现停滞现象和过早地收敛于局部最优解的问题,提出一种改进的蚁群聚类入侵检测算法.通过改进蚂蚁搜索解的方法,来改善蚁群算法易于过早地收敛于非最优解的缺陷.使用KDD99作为入侵检测数据集进行仿真实验,结果表明,改进的蚁群聚类算法能有效提高入侵检测的检测率和降低误检率.     

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.     

一种基于遗传优化的路由控制策略

遗传算法是通过模拟自然进化过程有效解决最优化问题的计算模型,在实际操作中得到广泛应用.但由于遗传算法的选择策略使每一代的优良个体大量的遗传到下一代,且适应度函数设定的差异,使最优个体很快充斥整个群体,缺少物种多样性,导致算法很快收敛于局部最优解,达不到全局优化.针对遗传算法存在的这一问题,结合禁忌搜索算法能够禁忌搜寻过的最优解而引入裂解、增加种群多样性的特性,提出了一种基于遗传优化的路由控制策略.该策略将遗传算法得到的最优解作为禁忌搜索的初始解,提出将染色体模版作为禁忌对象,并以此模版为基础建立邻域的方案.仿真实验表明,该策略能够有效的抑制遗传算法过早收敛的问题,减少了全局能量的消耗,从而延长了网络生命周期.     

改进蚁群算法求解单行设施布局问题

针对单行设施布局问题已有算法结构复杂、对算法参数有较大依赖性、求解效果欠佳的问题, 提出一种改进的蚁群算法。该算法采用基于目标函数值的自适应等级划分策略, 实现了信息素增量优胜劣汰、改进信息素的更新规则。通过简化状态转移概率函数, 降低计算量和算法对参数的依赖性, 引入精英候选集, 提高优良设备的选择概率。同时, 采用基于插入式邻域结构的爬山寻优算法作为局部搜索进行深度搜索。仿真结果表明, 求解28 个大规模的测试例子时, 该算法总的平均运行时间分别为混合遗传算法的14%, Lin-Kernighan 算法的5%, 分散搜索算法的50%, 说明该算法可在短时间内较稳定地得到高质量的近优解, 性能优越于其他算法。     

基于改进型蚁狮算法的PID控制器参数优化

由于被控对象往往具有高阶非线性等特点,传统PID( Proportion Integration Differentiation) 控制器参数整定方法容易使控制器出现超调、震荡、性能变差等缺陷。为此,提出运用将蚂蚁和蚁狮的移动步长进行改进的蚁狮算法对参数进行优化,通过其互动关系,选择最佳蚁狮位置确定控制器参数,并与改进前蚁狮算法及其他优化算法进行了对比。仿真结果表明,基于改进型蚁狮算法的PID 控制器具有较好的性能指标,相比于改进前蚁狮算法、遗传算法和粒子群算法,该算法具有较高的系统控制精度,以及较短的响应时间等优点,且算法实现更加简单,证明了该方法对于优化PID 参数具有优越性和有效性,为PID 控制器的参数优化提供了参考。     

一种解决TSP问题的自适应协同演化计算方法

针对遗传算法和蚁群算法存在运行时都会出现停滞、早熟等现象,且容易陷入局部最小的特点,提出了一种将两者结合协同演化运行的方法,通过建立对这两种算法状态的评估函数来动态判断其运行状态是否正常,进而动态调整运行的算法,从而最大程度地避免了这两种算法运行时的缺点.对TSP问题进行了实验测试,结果表明：此方法在收敛速度、寻优结果上都较上述两种算法单独运行有着明显的优势.     

TSP及其扩展问题的混合型启发式算法

就经典的旅行商问题（ＴＳＰ）及其扩展形式;瓶颈问题、多目标问题等给出一种混合型启发式算法,并知微机上予以实现,为困难的扩展型ＴＳＰ提供了新的求解手段。     

A novel approach of hybrid genetic optimization with elite ant colony: Application in the modulation recognition

A novel approach (HGO-EAC) for hybrid genetic op-timization (GO) with elite ant colony (EAC) is proposed for the automatic modulation recognition of communication signals,through which we improve the basic ant colony algorithms by referencing elite strategy and present a new fusion strategy for genetic optimization and elite ant colony. This approach is used to train the neural networks as the classifier for modulation. Simula-tion results indicate good performance on an additive white Gaus-sian noise (AWGN) channel,with recognition rate reaching to 70% especially for CW even at signal-to-noise ratios as low as 5 dB. This approach can achieve a high recognition rate for the typical modulations such as CW,4ASK,4FSK,BPSK,and QAM16. Test result shows that it has better performance than BP algorithm and basic ant colony algorithms by achieving faster training and stronger robustness.     

基于双层启发式遗传算法的三维装箱问题

三维装箱问题是一类组合优化问题,多用于物流运输业的货物装载,具有重要的实践意义。它的最优解受多种条件因素的影响,求解形式复杂且计算量较大,所以常用启发式算法来解决。以空间分割为原则的启发式算法融入遗传算法中并结合二层规划的思想,提出一种基于双层启发式遗传的三维装箱算法。通过双层启发式遗传策略分别对可行解进行广度和深度的搜索来提高寻优效率,从而得到最优的三维装箱方案。在此基础上利用具体算例进行运算和分析,证明该算法在空间利用率和稳定性上都有较好的效果,同时装箱方案可以依托计算机技术进行三维可视化,可为三维装箱问题的信息可视化提供理论依据。     

基于改进蚁群算法的CVRP问题研究

车辆路径优化问题归属于NP-hard问题;针对基本蚁群算法求解效率低下,可行解质量不高,容易陷入局部最优解的情况,在充分考虑具有一般性的车辆路径优化问题的数学模型与解决方案后,提出了一种带有轮盘赌运算与2-opt优化运算相结合的改进蚁群算法,算法在运算过程中对选取路径的概率进行二次计算,扩大了全局的搜索范围;同时对得到的路径进行内部优化,增强了局部搜索能力,提高了解的质量;通过MATLAB软件进行仿真实验的结果表明:相较于基本的ACO算法以及遗传算法得到的结果,改进的蚁群算法在性能上和求解的质量具有很大的优势,可以更好地解决带有容量约束的车辆路径优化问题,为相应的企业更好地节省物流成本。     

无线传感器网络基于改进遗传算法的节点调度

节点调度问题是经典的NP-hard组合优化问题之一。为解决该问题提出了诸如蚁群算法、粒子群算法和遗传算法等智能算法,以遗传算法(genetic algorithm,GA)更为有效,但经典的遗传算法在解决节点调度问题时,其算法自身存在寻优速度慢,容易陷入局部最优。提出一种改进的轮盘赌优化方法,该方法基于适应度比例的选择,即用全部个体的选择概率来计算累计概率,产生完整的子代个体并保留其基因,避免陷入局部最优,进而快速精确地求出节点调度问题的最优解,实验结果表明,经过改进的遗传算法求解的路径长度、收敛性和运行时间等指标均有明显改善。     

求解TSP的遗传蚁群融合算法

原有的遗传融合蚁群算法虽然克服了基本蚁群算法的不足,优化效果得到了改善,但存在克服收敛速度较慢、易出现停滞以及全局搜索能力较低的缺陷.针对存在容易陷入局部最优解等问题,在原有的遗传融合蚁群算法的基础上进行了许多改进以扩大解的搜索空间,提高了其寻优能力和速度.仿真结果表明,改进后的算法具有更好的寻优能力,效果较好.