遗传算法和遗传规划对比研究

通过对遗传算法定向搜索机制和遗传规划搜索机制的研究比较,可以看出,依据遗传算法的基本思想设计遗传规划的进化算子时,由于算子空间过大而导致盲目搜索。通过对遗传规划的研究,提出了一套有定向机制的进化算子,进而设计和实现了基于这一套算子的遗传规划算法。     

利用多群体DNA遗传算法求解线性规划问题

针对经典遗传算法存在的问题 ,提出了多群体DNA遗传算法。该方法在经典遗传算法的基础上 ,通过借鉴生物学及社会学 ,引入了多群体及DNA片断等概念 ,并提出迁移与自适应变异算法 ,可以提高遗传算法的有效性与收敛性。为了验证算法的有效性 ,将该算法应用于线性规划问题的求解。在求解过程中 ,首先利用熵障碍对偶方法对原问题进行转换 ,然后使用多群体DNA遗传算法对转换后的目标函数进行求解。仿真结果表明 ,该方法具有良好的全局搜索能力和较快的收敛速度。以上工作为解决大规模线性规划问题的求解提供了全新的思路和方法 ,对遗传算法应用的发展具有重要意义     

多目标0—1规划问题的遗传算法

根据遗传算法的特点，提出了以排列为基础，以求出全部非劣解为目的的定义适应性值的方法，以便使其有能力求解多目标优化问题，并分析研究了算法进行到一定程度以后收敛于一个非劣解的原因和解决策略。     

单亲遗传算法与传统遗传算法的比较研究

通过对单亲遗传算法（PGA）和传统遗传算法（TGA）的编码方式、遗传算子、运行过程和适值计算等方面的比较分析,指出尽管PGA采用单亲繁殖方式,其遗传操作与TGA有着本质的区别,但PGA的基因重组算子隐含了序号编码TGA的交叉算子的功能,PGA的子代个体保留了父代个体的大部分遗传特征,因此PGA仍属于遗传算法的范畴。     

基于对位学习的多目标遗传算法

为了加强非劣排序遗传算法的搜索能力、加快其收敛速度,将对位学习与非劣排序遗传算法相结合,提出了一种用于解决多目标优化问题,基于对位学习的多目标遗传算法,并应用双目标、三目标的测试函数对该算法进行了验证.结果表明,基于对位学习的多目标遗传算法具有较好的收敛性和分布性.     

求解双目立体视觉的迭代多群体蚁群算法

作为典型的NP问题,双目立体视觉中的匹配一直是研究的热点。提出一种适于求解立体匹配问题的并行、迭代、基于信息反馈的多群体蚁群算法。该算法中子群体完成每个扫描行对应的子优化问题;协调者收集并分析所有子群体的结果,通过投票决定可能匹配的边缘,进而把这种信息转换成信息素传播给子群体,如此迭代直到优化结束。还讨论了双目立体匹配过程中的约束问题,并给出算法的收敛性证明和仿真实验。     

序关系分析下的多阶段交互式群体评价方法

针对传统的群体评价方法多是静态且无交互的局限性,提出了一种序关系分析下的多阶段交互式的群体评价方法.文章首先对序关系分析的思想进行了介绍,并给出了基于理想点法的单轮评价结果的确定方法;然后依据群体意见的波动程度来对其稳定性进行衡量,以此探讨交互终止的条件;最后在群体交互加权算子(DOWA算子和DOWGA算子)的基础上,对各轮交互结果进行了集结.为说明方法的有效性,给出了一个应用例子.     

基于临界自组织模型的进化算法

将临界自组织(self-organlzed criticality，SOC)概念引入到进化算法领域，提出了基于临界自组织的进化算法(SOCEA)，引入灾变机制来模拟临界自组织状态中的剧烈变化过程，采用临界自组织的模型构造进化算法的算子、通过实验测试可以得出SOCEA算法要优于同类的对照算法，并且计算量开销也比较小、     

基于多阶段转换学习的群体研讨文本言语行为分类

在群体支持系统(Group Support Systems,GSS)的环境下,群体能够在很短时间内产生大量研讨文本,远远超过了人们对信息处理的能力。因此,迫切需要一种能够自动分析和处理群体研讨文本的方法,言语行为分类就是这类方法中有可能实现并且具有应用价值的一个。在分析Zeno研讨模型的基础上,提出了适合群体研讨语料的言语行为分类体系。采用基于转换学习的办法,通过引入多阶段转换学习的概念,初步解决了群体研讨文本言语行为分类的问题,并且在议题类别和一些表达主张的类别(如支持和反对)上取得了较好的识别效果。研究群体研讨文本的言语行为分类对于拓展GSS,进而研究和开发自动主持人系统具有重要意义。同时,也为在中文环境下解决其他类型研讨(如网络聊天室、即时聊天工具等)文本的言语行为分类问题提供了参考依据。     

双吸引子多群体粒子群算法解决动态优化问题

提出了一种新的双吸引子多群体粒子群优化算法(BMPSO)。与传统的粒子群优化算法(PSO)相比,BMPSO的主要特点是它使用了两个群体吸引子和两种搜索粒子。两种搜索粒子具有不同范围的搜索特性,一种利于进行全局搜索而另一种利于进行局部搜索。并且通过引入一种新的传递机制,两部分粒子可以更有效地共享搜索信息。实验表明,BMPSO算法在Moving Peaks Benchmark(MPB)测试问题上具有很好的性能表现。     

一种新型保持种群多样性的遗传算法

针对遗传算法的“早期收敛”或“遗传漂移”，本文提出了一种新型保持群体多样性的遗传算法。该算法利用种群的熵和个体基因座的多样度来测度进化中种群的多样性，并将遗传操作与种群多样性联系起来，建立了遗传操作与种群多样度之间的函数关系式，使遗传算子中的主要参数能够随多样性函数和适应度函数的变化而自适应调整，从而提高了进化中种群的多样性和算法的搜索效率。仿真研究证明了该算法的优越性。     

智能控制的自学习方法

本文介绍一个智能控制系统,并讨论了智能控制的自学习问题,还提出了一个有效的自学习方法,同时给出了应用实例.     

一种新的改进遗传算法——混合式遗传算法

针对遗传算法应用的局限性,把模糊思想应用到大变异操作中,提出了模糊大变异操作;并结合自适应遗传算法、最佳选择策略机制和过滤操作的思想,提出了一种新的遗传算法结构--混合式遗传算法(hybridgeneticalgorithm,HGA).HGA不仅保证了算法的全局收敛性,而且提高了算法的收敛速度和稳定性.算例验证了算法的优越性能.     

一种求解两机成组作业流水车间优化调度问题的遗传算法

当优化目标是总的流时间时,两机成组作业流水车间调度问题是NP难解的.本文提出了一种两机成组作业流水车间优化调度的遗传算法.该遗传算法分两层一层优化组内作业排序,一层优化组排序.仿真结果表明该方法的有效性.     

混沌遗传算法及其应用

本文利用混沌运动的遍历性,提出了一种求解优化问题的混沌遗传算法（Chaos Genetic Algorithm, 简称CGA）,该算法的基本思想是把混沌变量加载于遗传算法的变量群体中,利用混沌变量对子代群体进行微小扰动并随着搜索过程的进行逐渐调整扰动幅度。研究结果表明,该方法效果显著,明显提高了优化计算效率。     

可变种群规模的遗传算法

通过模拟人类进化过程中人口数量的增长规律，提出了一种可变种群规模的遗传算法（VPGA）。VPGA不需要改变现有遗传算法的算子，仅仅通过对现有算法框架的重构，从而获得比现有遗传算法更优的解，而花费的计算代价更小，我们的实验结果表明使用离散逻辑斯蒂模型来控制种群规模的VPGA能够比其他从截观算子上改进的遗传算法更加高效省时。     

基于遗传算法的ATM网络中VCC路由选择方法

针对遗传算法强大的全局寻优和并行处理能力 ,提出了一种改进的遗传算法调度ATM网络动态路由的新算法。综述了使用遗传算法进行通信网络节点选择的问题 ,指出了原有算法进行遗传算法优化时存在的不足 ,并提出一种新的基于动态惩罚的解决策略 ,其思想是在进化的过程中 ,逐渐减小对可行解惩罚的力度 ,使网络向可行解逼近。通过简单模型的仿真 ,验证了动态惩罚策略的可行性和有效性。     

一种基于能量熵的快速遗传算法研究

在分析标准遗传算法的优越性与存在不足的基础上,提出了对遗传算法的改进方法.将能量熵的选择加入到遗传算法的退火选择中,以充分地探索解空间,保持种群的多样性.将伪梯度搜索应用于对个体的邻域搜索,利用当前种群的有效信息及系统信息,提高寻优速度.对典型的TSP问题及一实际电力网络故障恢复的仿真研究表明,改进算法全局优化性能优于启发式遗传算法及标准、退火遗传算法,同时使收敛速度有了较大的提高.     

分流机制遗传算法研究

提出了一种基于分流机制的新型遗传算法。该算法采用优种限量繁殖 ,达标种交叉和劣种变异的策略 ,突出遗传算子各自的优点和作用 ,根据进化质量自适应地调整交叉和变异概率 ,使种群具有很强的可进化性。分流机制遗传算法改变了遗传算法的传统结构 ,种群始终具有探测新的超平面 ,从而获得新的最优个体的能力 ;同时 ,对于进化中的个体不需进行所有遗传算子操作 ,提高了算法的全局收敛性 ,降低了时间复杂度。测试结果表明了所提方法的有效性。