基于免疫遗传算法的多播QoS路由算法

提出一种基于自适应免疫遗传算法的多播QoS路由算法,该算法不仅能随种群进化的需要自适应调整交叉概率和变异概率,而且还通过引入免疫算子,在保证群体多样性的同时得到Pareto最优解.该算法能近似模拟自然界及生物个体竞争、繁衍和死亡的过程,具有较好的空间收缩能力和局部求精能力,能加快收敛速度和提高收敛精度.从而克服遗传算法的早熟问题.仿真结果验证了算法的有效性.     

基于遗传算法和BP算法的混合算法

本文就函数优化问题,结合遗传算法和 BP 算法的优点,提出一种新的混合算法。该算法既有较快的收敛速度又能以较大概率收敛到全局最优解,数值实验结果表明该算法显著优于遗传算法和 BP 算法。     

基于改进人工蜂群算法的多机飞行冲突解脱策略

针对同一空域内多无人机飞行冲突解脱问题,提出了一种基于改进人工蜂群算法的冲突解脱策略。在传统蜂群算法的基础上改进了跟随蜂对雇佣峰的选择概率及跟随蜂的搜索策略,发挥了迭代过程中最优解的引导作用,保持了传统人工蜂群算法全局搜索和跳出局部最优的能力,解决了传统人工蜂群算法局部搜索效率较低的问题,提升了收敛性能,增加了得到最优解的概率。利用该算法通过航向调整和速度调整2种策略实现了多机的冲突解脱。对比仿真结果验证:该方法在收敛速度、运行速度和最优解的适应度等方面都较遗传算法有很大提升。     

求解0/1背包问题的自适应遗传退火算法

针对标准遗传算法易早熟收敛以及收敛速度慢的问题,提出一种自适应遗传退火算法用于解决高维约束优化问题.该算法采用轮盘赌和最优保存策略相结合的选择机制,并结合自适应交叉、变异概率,继而引入模拟退火算法,加快迭代后期算法的收敛速度.最后,比较了标准遗传算法和自适应遗传算法的实验结果,证明了自适应遗传退火算法在0/1背包应用中的高效性和精确性.     

基于遗传算法和单纯形法的混合优化算法

基于对遗传算法和单纯形法的分析,提出了可结合这两者长处,既有较快收敛性,又能以较大概率得到全局最优的用于组合优化的混合算法,测试结果表明该方法明显优于遗传算法和单纯形法。     

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.     

改进的免疫遗传算法在桁架结构优化设计中的应用

从免疫系统原理出发,结合遗传算法提出了一种基于二次选择的免疫遗传算法的构造,避免了传统遗传算法易陷于局部最优的不足。对该算法中最为关键的两个部分,选择概率和抗体浓度的构造进行了讨论。并将该算法应用于桁架结构的结构优化设计,与标准遗传算法优化的结果相比较,优化能力有所提高。     

一种混合遗传禁忌搜索的模糊聚类算法

传统基于目标函数法的模糊聚类算法是一种迭代的"爬山"算法,容易陷入局部最优解.提出了基于遗传算法与禁忌搜索结合的模糊聚类算法,综合运用遗传算法的多出发点和禁忌搜索的记忆性来改善聚类的效果,并通过迭代的遗传禁忌搜索算法产生最优聚类中心,实验中分别通过人工数据和标准数据测试验证了该算法的有效性.     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

基于整数规划下遗传算法的P码直接捕获算法优化

P码直接捕获算法包含诸如平均点数、相干积累时间、非相干积累次数、频率步进量、唐检参数及快速傅里叶变换(FFT)运算单元数等10多个参数. 当在算法检测概率、虚警概率和捕获时间满足要求的约束下,对算法消耗的多种资源进行优化时,具有多约束、多变量、非线性和整数取值等难点. 为解决如此复杂的参数优化问题,提出一种整数规划下遗传算法应用于P码直接捕获算法. 该方法借鉴遗传算法的思想,并考虑P码直接捕获算法参数的整数取值要求,适合各种条件下的算法参数优化. 数值分析结果表明,该方法获得了最优的参数值,有助于实际应用.      

选煤厂配煤调度中的云模型改进遗传算法

针对传统遗传算法求解最优值存在搜索速度慢、容易陷入局部最优解的问题,基于传统遗传算法和云模型,提出了云自适应遗传算法和云遗传算法,建立了选煤厂三产品配煤调度模型,并分别采用改进算法和传统遗传算法求解。实例表明,两种改进算法优于传统遗传算法,为选煤厂配煤调度优化提供了技术途径。     

Intelligent Scheduling of Public Traffic Vehicles Based on a Hybrid Genetic Algorithm

A genetic algorithm （GA） and a hybrid genetic algorithm （HGA） were used for optimal scheduling of public vehicles based on their actual operational environments. The performance for three kinds of vehicular levels were compared using one-point and two-point crossover operations. The vehicle scheduling times are improved by the intelligent characteristics of the GA. The HGA, which integrates the genetic algorithm with a tabu search, further improves the convergence performance and the optimization by avoiding the premature convergence of the GA. The results show that intelligent scheduling of public vehicles based on the HGA overcomes the shortcomings of traditional scheduling methods. The vehicle operation management efficiency is improved by this essential technology for intelligent scheduling of public vehicles.     

A fuzzy rule based genetic algorithm and its application in FMS

Most of the FMS (flexible manufacturing systems) problems belong to NP-hard (non-polynomial hard) problems. The facility layout problem and job-shop schedule problem are such examples. GA (genetic algorithm) is applied to get an optimal solution. However, traditional GAs are usually of low efficiency because of their early convergence. In order to overcome the shortcoming of the GA a fuzzy rule based GA is proposed, in which a fuzzy logical controller is introduced to adjust the value of crossover probability, mutation probability and crossover length. The HGA (hybrid genetic algorithm), which is integrated with a fuzzy logic controller, can avoid premature convergence, and improve the efficiency greatly. Finally, simulation results of the facility layout problem and job-shop schedule problem are given. The results show that the new genetic algorithm integrated with fuzzy logic controller is excellent in searching efficiency.     

多目标优化问题的研究

针对传统方法求解多目标优化问题的局限性,应用一种新的算法求解。遗传算法从问题解的串集开始搜索,覆盖面大,可以同时处理群体中的多个个体,利于全局择优,减少陷入局部最优的风险,而最小生成树具有过程简单清晰、适用性广泛的特点,结合两者的优点,构造了基于生成树的遗传算法。首先通过加权目标规划法求出最优解,然后通过遗传算法和基于生成树的遗传算法求解,结果表明,对于小规模的多目标优化问题,两种算法都可以求出最优解,在求解时间方面,基于生成树的遗传算法比遗传算法更优越。     

基于遗传算法的发电机线性最优励磁控制研究

介绍了求解发电机励磁控制器中的增益矩阵K的一种新算法－－遗传算法,它不同于常规算法的特点在于,从多个方面初始点开始,沿多路径搜索实现全局最优或准全局最成,计算过程不需要存储状态或决策变量的离散点,节约计算机内存,不必求导计算,编程简单,是一种有效的自适应随机搜索算法,仿真结果表明,用遗传算法设计的发电机励磁控制器具有良好的控制效果和鲁棒性。     

基于量子粒子群优化算法的PID参数控制

针对传统PID算法参数最优或接近最优确定较为困难,提出一种量子粒子群(QPSO)优化PID参数的算法,并用平方误差矩积分函数作为适应度判据,以克服PID算法自适应能力较差及遗传算法(GA)优化效率不高,其局部搜索能力较弱的缺陷。并使用伺服电动机数学模型进行仿真,结果表明量子粒子群优化PID参数速度快,避免早熟缺陷,同时表明了所提出算法的有效性和所设计控制器的优越性。     

遗传算法在电力变压器和电机全局优化设计中的应用研究

根据遗传算法的基本理论，并结合电力变压器、电机优化设计的特点、对传统遗传算法的遗传操作提出了改进措施，研制了能够较好地解决混合离散变量优化的遗传算法，算例表明，该方法能有效地求得全局极小点或近似全局极小点。     

基于遗传算法的代理服务器位置优化研究

针对传统方法难以快速求得Web服务器代理部署问题的满意解,提出了一种基于遗传算法的求解策略.以图论为基础,构建了代理服务器位置优化模型,从Web服务器到客户构成一个树型结构.遗传算法采用二进制编码表示代理的位置,使用单亲交叉算子和单亲变异算子来提高算法的执行速度和进化效率.算法在时间复杂度方面优于传统方法.仿真结果表明,基于遗传算法的求解方案能快速地求出代理服务器位置优化问题的全局近似最优解,并满足实际Web应用的精度要求.     

新型PSGA算法在通航物流系统效能优化中的应用

为提升对时间效率要求较高的通航物流系统整体运行效能,设计和提出了一种新型变种群极搜索遗传算法(PSGA).通过在算法逻辑结构上对传统遗传算法(GA)进行重新设计,同时创新性地设计和引入一种适应度调和因子,使PSGA的算法效率较传统GA算法有了明显提升.经过2个不同复杂度的函数寻优测试显示,PSGA在效率上分别高出GA35.35%和43.50%;最后,通过实际案例应用表明,PSGA的收敛效率高出GA25代,优化精度高出GA1.46.测试与应用结果说明,PSGA算法在通航物流系统效能优化中具有较好的有效性和适用性.     

一种混合遗传算法在云计算负载均衡中的应用研究

遗传算法(GA)被广泛用于解决科学与工程中的复杂问题,然而传统的GA在求解高维函数优化问题时存在很多限制因素,因此无法在云计算中直接应用.提出了一种多智能体与遗传算法混合的多Agent遗传算法(MAGA).首先论证了MAGA较传统GA的优越之处,然后采用MAGA建立了基于虚拟化资源管理的负载均衡模型,解决云计算中的负载均衡问题.与Min_min策略对比实验结果表明,多Agent遗传算法能够达到更加优越的负载均衡效果.