基于信息论和免疫遗传算法学习贝叶斯网络结构

提出一种新的实现贝叶斯网络(BN)结构学习的方法,即由信息论和免疫遗传算法相结合构造最优贝叶斯网络结构.首先,通过信息论迅速搜索较为可能的网络空间,构造一个候选网络,然后用免疫遗传算法进行网络精简,得到一个最优的网络结构.不仅可降低计算复杂度,提高贝叶斯网络结构学习的效率,而且避免了传统启发式算法易陷入局部最优解的问题.实例计算证明了其可行性.     

量子遗传算法在目标分配上的应用

量子遗传算法是量子计算和遗传算法相结合的产物,量子遗传算法将量子比特和量子门表示引入到遗传算法中,具有比遗传算法更好的搜索效率和收敛性.目标分配问题是一种典型的NP难问题,传统的方法在求解此问题时很容易陷入局部最优.本文利用量子遗传算有效地解决了目标分配最优化的问题,数值模拟表明量子遗传算法在该类问题中具有效性和可行性.     

基于信息保真度的最优信息传输

为度量信息被信道噪声干扰后的可恢复程度, 提出基于互信息的信息保真度概念, 并揭示保真度与互信息以及信息恢复方法误差概率之间的内在联系。 理论分析表明, 信道最大信息保真度能反映最优传输消息分布, 在此基础上把最优传输消息分布的求取转化为信息保真度极值问题, 并研究基于最大化信息保真度的最优信息传输。 以二元无记忆信道为例, 对其进行理论和数值分析, 并验证了最大保真度与信道容量以及最优传输消息分布之间的关系。 结果表明, 对较为复杂的信道模型, 基于信息保真度的最优化计算比信道容量的计算更为简洁。     

基于贪心修正策略的遗传算法求解0-1背包问题

介绍了0-1背包问题的基本贪心算法,借助于启发式算法在求解NP问题中的良好表现,设计了一种基于贪心修正策略的遗传算法。该算法结合了贪心算法和遗传算法各自的优点,利用贪心算法强化了初始最优解,通过对遗传算法的改进,使其在寻求最优的过程中更具有优越性。实际数值计算和结果比较表明,该算法能有效解决0-1背包问题。     

改进的DNA遗传算法在指派问题中的应用

提出了一种基于优秀基因片段思想的DNA遗传算法,将这段基因片段提取出来并将它遗传到后代中,可以加快收敛速度.给出了DNA遗传算法的结构,讨论了选择、交叉和变异算子的具体操作,并将其运用到指派问题最优解的求解中,给出了具体的实现方法.仿真实验验证了算法的有效性和实用性.     

基于求解非线性方程组的并行遗传算法的设计

作者将非线性方程组的数值求解问题转化为线性约束最优化问题,然后利用遗传算法求解该最优化问题。为防止遗传算法过早收敛,作者将遗传算法改进为自适应并行遗传算法.数值模拟实验表明,该文的算法从另一个角度为求解非线性方程组提供了一条比较有效的途径.     

信息论课程中香农“免费午餐”理论的实验课教学

为了帮助学生更好的理解香农信道容量的定义,激发学生学习信息论课程的兴趣,设计了香农“免费午餐”理论的实验课。以二进制对称信道上重复码内容开始,通过设计数值实验,得到了误码率-传输速率的关系,进而揭示了香农惊人的“免费午餐”理论的内涵,理论联系实际,教学效果显著。     

基于QR分解的快速天线选择算法

天线选择是MI MO(Mnltiple input multiple output)系统中一项重要的技术,可以很小的性能损失换取成本的大幅降低,从而提高系统的性能价格比.通过对信道容量的深入分析,在次优递增算法的基础上,提出了一种基于QR分解的快速天线选择算法.该算法提供的信道容量几乎与最优天线选择算法相同,同时计算复杂度有明显的降低.     

十进制遗传算法的收敛性分析

十进制遗传算法是一种模拟生物进化的最优化搜索方法 ,由于其稳定性好、不需要计算目标函数的导数和能处理多维数值问题 ,十进制遗传算法在科学研究和工程技术中得到了广泛运用。通过对十进制遗传算法的收敛性进行分析 ,为改进十进制遗传算法奠定了理论基础     

基于信息论和遗传算法的Bayesian网络弧定向方法研究

Bayesian网弧定向问题是Bayesian网学习的一个重要方面．提出了一种基于信息论和遗传算法的Bayesian网弧定向算法．将信息论中鉴别信息这一概念引入Bayesian网学习中来,以鉴别信息定向后的网络为基础网,并设计相应的适应度函数和遗传算子,使该算法能够收敛到全局最优的Bayesian网结构．从而极大地减弱了单纯利用遗传算法学习对初始群体的依赖性,提高了算法的收敛速度．实验结果表明：该算法能够有效地解决Bayesian网弧定向问题．