用遗传算法求解多目标0/1背包问题

扼要介绍多目标优化的Pareto最优性概念 ,研究搜索多目标 0 1背包问题Pareto最优解集的快速遗传算法 (FPGA :fastParetogeneticalgorithms) .FPGA采用种群中非支配解的层次评价可行解的适应值 ,提出了一种快速非支配解层次辨识算法 ,辨识算法仅有O(n2 )数量级的计算复杂性 ;采用基于聚类概率排挤的小生态技术维持种群多样度和Pareto最优解集的分布均匀性。对多种多目标 0 1背包问题的仿真优化实验结果表明 ,FPGA能够以有效的计算成本搜索到精度高的、分布均匀的高质量Pareto非劣解集 ,其收敛速度和收敛准确性一致地优于代表性的强度Pareto进化算法 (SPEA) .     

面向智能控制的软PLC逻辑控制单元模块化设计与实现

为了采用软件实现硬件的功能,改变依靠硬件模块的产品序列化方式。在介绍软PLC系统主要功能与模块的基础上,针对软PLC的逻辑控制单元的可视化设计与实现,给出了控制单元的图形显示、逻辑功能实现、以及数据关联的设计,最后介绍了逻辑控制单元可视化实现效果。     

基于向量空间的专利类比挖掘方法

摘要：新技术在进行技术突破时,很难找到创新点和技术。针对这一难题,提出一种基于向量空间的专利类比挖掘算法。首先,从源数据中获取描述功能和属性的专利技术方案（PSC）,建立基于PSC的TF-IDF值的向量空间模型（VSM）;然后,根据专利文献间的信息距离制成基于PSC术语的专利地图;最后,分别对PSC进行创新性分析,根据分析结果用类比的思想进行新技术的创新。本文算法的时间复杂性为O((n2+n)/2),低于对比算法的O(n2)。以无线充电技术专利和无线传感技术专利文献为源数据,实验结果表明,所提出的算法比对比算法能更有效的获取更具有创新性的创新方案。     

基于乘数交替方向法的系统图像退化恢复方法

针对一般正则化方法不能有效解决非线性成像和高动态成像的系统退化恢复问题,提出一种非线性图像恢复方法,该方法利用乘数交替方向法解决双边全变差(bilateral total variation,BTV)模型的正则化项不平滑问题.建立包含复原图像的非线性最小二乘数据拟合项和BTV正则化项的目标函数;对目标函数进行优化;构建一套有效的乘数交替方向法(multiplier alternating direction method,MADM)求解提出的模型.利用峰值信噪比(peak signalto noise ratio,PSNR)和结构相似性度量(structural similarity index measurement,SSIM)评估图像恢复结果.对于非线性成像系统退化,提出的方法在PSNR和SSIM方面比基于TV(total variation)模型的方法分别提高4.5％和4.1％.对于高动态的成像退化问题,提出的方法获得的恢复图像PSNR值可达61.89 dB,相比其他方法,至少提高了2.9％.此外,该方法的运行时间也至少节省了26％,具有较高的计算效率.     

基于决策空间划分模型的多目标进化算法

为有效利用决定空间中的信息、提高收敛速度与准确度,提出了基于决策空间划分模型的多目标进化算法.该算法将决策空间划分成多个子决策空间并在每个子决策空间内映射出一个超球体,运用某一多目标进化算法完成超球体内个体的1轮次进化,基于粒子群优化算法的粒子移动机制实现超球体间的信息共享、引导超球体质心向最优解集方向移动.对8个测试问题的实验结果表明:基于决策空间划分模型的多目标进化算法在收敛精度和收敛稳定性方面比FastPGA,MOCell,NSGA-Ⅱ和SPEA2算法表现出更好的性能.     

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.
     

重用最大频繁模式的可持续进化算法

为了重用进化过程中沉淀在优秀个体集中的信息,设计了最大频繁序列模式挖掘算法,并在其基础上提出了重用最大频繁模式的可持续进化算法(MFPEA).该算法设置了多个不同层次的种群为不同适应度水平的个体提供生存空间,采用最大频繁序列模式挖掘算法挖掘种群中的优良基因,并将具有优良基因模块的新个体注入到不同适应度水平的种群中.文中...     

基于序列挖掘的分等级搜索可持续进化算法

讨论了最大频繁序列模式和公平竞争层次模型(HFC),设计了最大频繁序列模式的挖掘算法(MFSPMA),把MFSPMA同HFC结合起来,提出了基于序列挖掘技术的分等级搜索可持续进化算法(SEAHSM).该进化算法设置多个不同层次的种群为不同适应度水平的个体提供生存空间,采用最大频繁子模式挖掘算法挖掘种群中的优良基因,并将具有优良基因模块的新个体注入到不同适应度水平的种群,从而实现遗传信息的稳定继承,有效避免优良基因的丢失.实验结果表明:SEAHSM在维持遗传信息稳定性、避免早熟收敛、提高搜索精度等方面表现良好.     

确定一类数列中指定项值的快速算法

针对一类方幂之和构成的递增数列问题,分析了数列的数学特性,研究了求取数列中指定项值的两种快速算法,提出的算法能够以较低的计算成本求得问题的解.     

基于相对适应策略与冗余繁殖算子的可持续遗传算法

受生物进化思想启发,将基因编码的内容分为遗传信息与自适应学习两部分,构造了潜在维持并提高种群多样度的自适应学习算法(SALA),提出了为具有潜力的个体模式提供生存空间的相对适应策略(RAS),设计了能自然地提高子代质量、加快收敛速度的冗余繁殖算子(RRO),并从生物进化的角度分析了三者的合理性与有效性,从而形成了基于相对适应策略与冗余繁殖算子的可持续遗传算法(SGA).