基于遗传模拟退火算法的QoS组播路由问题求解

提出了一种基于遗传模拟退火算法的带宽时延约束费用最小组播路由选择方法,该方法针对遗传算法的局限性,采用基于备选路径集的整数序列编码机制,对适应度函数进行了调整,改进了交叉和变异操作,并结合了模拟退火算法.实验表明,该算法能够有效地提高收敛速度,避免早熟收敛,能够满足多媒体网络对相应QoS的需求.     

一种改进的神经网模型研究及应用

针对用遗传算法优化神经网络时存在＂近亲繁殖＂以及在后期搜索效率低的问题,分析常见遗传编码存在的问题,把每一个网络转换成一个规范形式,从而排除神经网络的冗余编码,并通过评价节点相关性删除对网络输出无贡献的隐节点.为提高算法寻优速度,将自适应交叉变异概率用于遗传操作,并限制进入交叉的两个个体适应度距离要满足规定的阈值,从而保持种群的多样性,最后从不同角度验证本文所提出的方法的有效性.实验表明该方法对保持种群的多样性,加快进化速度比较有效,一定程度上缓解＂早熟收敛＂,从而大大减少学习参数,提高学习效率.     

一种新的基于小生境模拟退火的遗传算法

针对模拟退火遗传算法中不合理替代方式以及孤立的比较机制,提出一种新的基于小生境模拟退火的遗传算法.通过温度的逐步降温,可以在进化早期增强种群多样性,而在进化末期加速算法的收敛过程,有效克服了遗传算法容易早熟、局部搜索能力差的缺点.同时算法还使用了最优保留策略替代了轮盘赌选择算子,从而有效地减少了适应度相对高的个体在种群中快速扩散的可能性.研究结果表明:与常见的模拟退火遗传算法相比,新方法能够有效提高遗传算法的收敛性能.     

基于HFC模型的模拟退火算法改进及应用实现

本文在研究分析标准模拟退火算法在可持续性进化方面的缺陷基础之上,引入进化算法中的"种群" 等概念,提出了基于HFC(Hierarchical Fair Competition)模型的模拟退火算法-HFCSA算法及其运算流程,并给出了详细的数学描述.该算法的分等级搜索方式改进了标准模拟退火算法的缺陷,不仅能保留了模拟退火算法的优点避免陷入局部最优,而且还具有可持续的搜索能力.最后,文中举出实例验证基于HFC模型的可持续模拟退火算法和标准模拟退火算法和遗传算法在相同问题上的不同效果.     

电力网无功优化的一种新算法

为了避免常规遗传算法容易出现的“早熟”现象，并提高算法的精度，在无功优化的进化过程中以种群散度为判断尺度将原种群分化为若干子种群，引入了伪并行遗传算法思想。对各子种群独立进行选择、交叉、变异等遗传操作，并在每代遗传操作结束后相互传递有利信息，使各子种群向着更优方向进化。通过对IEEE14节点系统进行测试，论述了所采用的模型及算法的合理性和可行性。     

改进的遗传神经网络在灰渣粘度预测中的研究及应用

提出一种基于改进遗传神经网络的灰渣粘度预测方法。通过节点相关性评价,使得低于某阈值的网络内部节点在交叉操作时被排除,从而降低节点冗余;将交叉/变异概率与种群个体适应度相联系,提出一种自适应交叉/变异概率,将其用于遗传操作,使得个体多样性较好。仿真实验表明,用提出的算法优化的神经网络在一定程度上可以避免"种群早熟",保持种群多样性,提高了学习效率。     

基于正逆序策略求解Job Shop的遗传调度算法

针对标准遗传算法在求解车间作业调度问题中易陷入局部极值点的缺点,提出了一种基于领域知识的动态双种群遗传算法. 由于最优调度必定是活动调度,算法利用活动调度技术来进行空间缩减;两个子种群分别采用正、逆序调度策略来提高种群的多样性. 算法采用一种新的染色体编码来表示活动调度方案,并给出了相应子种群的初始化策略、遗传操作,以及子种群之间的交叉方式. Benchmark算例的仿真实验与分析表明,该算法在计算时间和求解质量上均具有较好的效果.     

基于改进遗传算法的车间调度原型系统

为了提高遗传算法求解作业车间调度问题的初始解质量和简化遗传操作过程,提出基于幻方变幻的互换编码规则改进遗传算法;同时利用该算法基于.NET平台建立了车间调度问题和柔性车间调度问题的混合原型系统。实验结果表明:采用幻方变换的互换编码规则,提高了遗传算法的求解能力;基于该算法的原型系统实现方便,求解效率高,能够有效应用于作业车间调度系统的开发。     

一种用于车间调度的基于熵的混合遗传算法

为提高车间调度算法的寻优性能,通过对模拟退火遗传算法收敛图的研究,提出了评价算法种群有序性（差异性）的种群熵,基于种群熵,提出了改进的模拟退火遗传算法,该混合算法通过种群熵动态地改变算法的交叉和变异概率,使之适应种群的变化,提高种群的多样性,有效地克服算法的过早收敛,从而达到提高算法寻优性能的目的。仿真实例表明,所提出的算法的寻优性能有了显著的提高。     

一种基于分层模糊控制的免疫遗传优化算法

针对标准遗传算法的不足,借鉴生物免疫机理和人脑模糊思维功能提出一种新的基于分层模糊控制的免疫遗传算法.该算法利用免疫系统独特性网络学说,改进标准遗传算法选择算子,提高了种群多样性;同时从环境、种群、个体和基因角度,全面分析算法寻优性能和各种进化参数的启发式模糊关系,采用模糊推理动态调整交叉率、交叉位置和变异率,减小了标准遗传操作的随机性.实验结果表明,新算法不仅可有效克服标准遗传算法的缺陷,而且收敛速度、计算精度和算法稳定性也得到明显提高.