基于改进型期望值选择的GA及程序实现

遗传算法(Genetic Algorithms,GAs)作为一种新的全局优化搜索算法,在各学科中有着广泛的应用,选择策略在GA的进化中具有重要的意义,直接决定GA进化结果的效率和效果,该文指出基于轮盘赌选择的遗传算法和基于传统期望值选择的遗传算法的不足,并在此基础上提出了基于改进型期望值选择的遗传算法(RevisedExpected Value Selection-GA,REVS-GA),提高了程序的简洁度,同时通过实验证明了REVS-GA有效地克服了“早熟”现象,并且执行的效率比传统算法高.     

一种基于Rough Set的汉语检索算法

传统的语料检索的不足主要为：（1）无法模糊匹配检索;（2）存在跨行词问题,无法保证查全率;（3）难以对检索结果缩检和扩检．为了克服这些不足,该文提出了基于RoughSet批处理汉语语料的词句．根据RoughSet和汉语语料的特征,给出了模糊检索算法（AMTRT）．通过与单汉字索引检索算法比较验证了AMTRT的有效性．AMTRT在实现各种模糊匹配,节省空间开销且不降低精确匹配查准率基础上,将词句的查全率提高近50％．     

LSMOEA/2s:一种基于变量两阶段分组的多目标进化算法

大规模多目标优化问题(Large-Scale Multi-objective Optimization Problem, LSMOP)固有的性质给多目标进化算法(Multi-Objective Evolutionary Algorithm, MOEA)带来挑战。目前大多数大规模多目标进化算法(Large-Scale Multi-Objective Evolutionary Algorithm, LSMOEA)需要耗费较多的计算资源对大规模决策变量进行分组,使得用于优化问题解的计算资源相对不足,影响了算法效率和解题性能。基于此,本研究提出一种基于变量两阶段分组的多目标进化算法(Large-Scale Multi-Objective Evolutionary Algorithm adopting two-stage variable grouping, LSMOEA/2s)。新算法首先利用基于变量组的相关性检测方法快速识别独立变量,然后利用高频次随机分组方法将非独立变量划分成若干子组,最后利用MOEA/D算法优化所有的独立变量和非独立变量子组。将所提算法与当前4种代表性算法(MOEA/D、...