改进的混合免疫算法在约束函数优化中的应用

根据免疫算法多样性保持能力不足、易陷入局部最优等缺点,提出一种改进的混合免疫算法(improved hybrid immune algorithm,IHIA),将其与函数相结合,用于解决约束函数优化问题。采用个体字符串编码,通过信息熵法计算抗体亲和度,进而得到浓度。在混合免疫算法中提出克隆选择算子、可变阈值选择算子、郭涛精英变异和自适应变异概率算子等。研究结果表明:该算法提高了种群多样性和收敛性,减少了时间复杂度,提高了计算效率。     

求解一类非线性规划问题的混合遗传算法

提出了一种求解目标函数和约束条件均二阶可导的非线性规划问题的混合计算智能算法．该算法是把一种浮点数编码遗传算法和约束变尺度法相结合提高求取全局解的速度和概率．在该算法中，选择、交叉和变异等遗传操作算子是以非线性规划问题的一个惩罚函数为求解对象，目的是把解引向全局解附近，为约束变尺度算子提供初值；而约束变尺度算子直接以原非线性规划问题为求解对象，以发挥其局部搜索能力强的优点，数值实验表明，混合算法是一种可靠、高效的全局优化算法．     

一种新的免疫克隆算法在CVRP问题中的应用

基于克隆选择学说,通过引入克隆算子提出一种新的免疫克隆算法,并将其用于求解CVRP问题.该算法采用了克隆增殖、高频变异和克隆选择算子的操作,增加了种群中优秀个体获得克隆增殖实现亲和度成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡.仿真结果表明,该算法具有良好的全局收敛性和较快的收敛速度,能有效解决CVRP问题.     

免疫网络调节算法及其在固定频率分配问题中的应用

提出了一种免疫网络调节算法(INRA).该算法以Jerne的独特型网络调节理论为基础,将选择、变异等遗传操作算子整合到算法惟一的免疫调节算子中,并用Segel的形态空间计算模型定量指导免疫调节算子的行为.为了证明该算法有效,还针对固定频率分配问题进行了相关实验,结果表明该算法的多样性保持能力和收敛性都相当理想.     

一种基于免疫抗体聚类算法的复杂函数寻优

通过在克隆选择过程中引入抗体聚类机制,提出了一种用于复杂多模函数优化的新算法.通过聚类将抗体群分成多个子种群来实现其克隆选择策略,加速克隆扩增,从而提高抗体成熟力及亲和性.采用了混合超变异算子,使其能快速获取全局及局部最优.实验仿真结果表明:该算法对复杂函数寻优的过程是相当有效的,具备良好的全局和局部收敛可靠性.     

一主多从两层非光滑优化问题的集成算法

对于一类一主多从两层非光滑优化问题,提出了将置信域束法和变尺度法结合起来的一种集成算法．该算法能自适应地将变尺度法嵌入到束法的内部迭代中去,从而能够充分利用束法的全局收敛性和变尺度法的快速收敛速度．研究了模型构成函数的Ｌｉｐｓｃｈｉｔｚｉａｎ性,给出了计算目标函数次梯度的方法,分析了算法思想、步骤,最后讨论了算法的收敛性     

混合变分不等式解的分裂惯性近似算法

在无限维Hilbert空间中研究了一类混合变分不等式,借助于极大单调算子的ε-扩大提出了分裂惯性近似算法,并讨论了该算法的弱收敛性,该结论进一步弱化了这类混合变分不等式解集所需满足的条件.     

广义变分不等式问题的一种新投影类方法

提出了一种求解广义变分不等式问题的新投影方法,该方法利用了一种新的搜索方向.并证明了新算法对伪单调算子的广义变分不等式具有全局收敛性.     

混合变分不等式和非扩张映射解的迭代算法

引入和研究了一类更一般的混合变分不等式,这类混合变分不等式问题包含了许多已知的变分不等式、相补问题等作为特例.利用广义Wiener-Hopf方程技巧给出了一个求解这类混合变分不等式问题解集合和非扩张映射不动点集合公共元素的迭代算法,并在算子是松弛强制和Lipschitzian连续的条件下证明了该算法的收敛性.所得结果可以看作是一种新的和对已有一些结论的推广和改进.     

改进遗传算法在压缩机优化设计中的应用

对标准遗传算法进行了有益的改进,使得算法避免了早熟和陷入局部最优·采用混合编码的方法,使算法更适用于工程实际·设计的重组和筛选算子用于初始种群的形成使得初始解分布更加合理,有益于提高算法的计算效率和收敛性,在算法实现中遗传算子的选择采用了适用于二进制编码的单点交叉按位变异和适用于实数编码的算术交叉非均匀变异的混合算子,使得遗传算子能够适用于实数和二进制两种编码方式·并且尝试了将改进的遗传算法用于滑片式压缩机参数的优化,结果表明,经过改进的遗传算法有效可靠,经过优化的压缩机参数合理·     

具有差分进化算子的社会蜘蛛群优化算法

[目的]社会蜘蛛群优化算法 (SSO) 是一种新颖的元启发式优化算法,自从它被提出之后就受到该领域学者的广泛关注,并且也被成功应用到许多领域.但是由于社会蜘蛛群优化算法还处在算法的研究初期,该算法的收敛速度与收敛精度还需要进一步提高.[方法]将差分进化算子引入到社会蜘蛛群优化算法(SSO-DM)中,并将改进的算法应用于函数优化问题中,通过5个标准测试函数来验证基于差分进化算子的社会蜘蛛群优化算法(SSO-DM)的优化性能.[结果]差分进化算子增强了社会蜘蛛群优化算法的收敛速度与收敛精度.[结论]本研究中所提出的算法能够获得精确解,并且它也具有较快的收敛速度和较高的算法稳定性.     

A novel evolutionary algorithm for global numerical optimization with continuous variables

Evolutionary algorithms （EAs） are a class of general optimization algorithms which are applicable to functions that are multimodal, non-differentiable, or even discontinuous. In this paper, a novel evolutionary algorithm is proposed to solve global numerical optimiza- tion with continuous variables. In order to make the algorithm more robust, the initial population is generated by combining determinate factors with random ones, and a decent scale function is designed to tailor the crossover operator so that it can not only find the decent direction quickly but also keep scanning evenly in the whole feasible space. In addition, to improve the performance of the algorithm, a mutation operator which increases the convergence-rate and ensures the convergence of the proposed algorithm is designed. Then, the global convergence of the presented algorithm is proved in detail. Finally, the presented algorithm is executed to solve 24 benchmark problems, and the results show that the convergence-rate of the proposed algorithm is much faster than that of the compared algorithms.     

Novel evolutionary algorithm for global numerical optimization with continuous variables

Evolutionary algorithms (EA) are a class of general optimization algorithms which are applicable to functions that are multimodal, non-differentiable, or even discontinuous. In this paper, a novel evolutionary algorithm is proposed to solve global numerical optimization with continuous variables. In order to make the algorithm more robust, the initial population is generated by combining determinate factors with random ones. And a decent scale function is designed to tailor the crossover operator so that it can not only find the decent direction quickly but also keep scanning evenly in the whole feasible space. In addition, to improve the performance of the algorithm, a mutation operator which increases the convergence-rate and ensures the convergence of the proposed algorithm is designed. Then, the global convergence of the presented algorithm is proved at length. Finally, the presented algorithm is executed to solve 24 benchmark problems. And the results show that the convergence-rate is noticeably increased by our algorithm.     

Novel evolutionary algorithm for global numerical optimization with continuous variables

Evolutionary algorithms (EA) are a class of general optimization algorithms which are applicable to functions that are multimodal, non-differentiable, or even discontinuous. In this paper, a novel evolutionary algorithm is proposed to solve global numerical optimization with continuous variables. In order to make the algorithm more robust, the initial population is generated by combining determinate factors with random ones. And a decent scale function is designed to tailor the crossover operator so that it can not only find the decent direction quickly but also keep scanning evenly in the whole feasible space. In addition, to improve the performance of the algorithm, a mutation operator which increases the convergence-rate and ensures the convergence of the proposed algorithm is designed. Then, the global convergence of the presented algorithm is proved at length. Finally, the presented algorithm is executed to solve 24 benchmark problems. And the results show that the convergence-rate is noticeably increased by our algorithm.     

基于Contourlet的改进加权抛物线插值图像超分辨率算法

为了尽可能地保持图像的基本信息,提高图像的视觉效果和空间分辨率,提出一种基于Contourlet的改进加权抛物线插值算法.该算法增加加权抛物线插值的误差补偿项,利用Sobel算子设定插值点的边缘方向,得到初始放大图像.利用Contourlet提取高频成份,原始图像幅值增强充当低频部分,再经过Contourlet逆变换得到高分辨率图像.实验结果表明,相对于传统的图像放大算法,该算法考虑了全局相关性,得到了更加清晰的边缘信息.     

混沌理论在遗传算法中的应用研究

为了提高遗传算法的搜索能力和效率,将混沌理论引入到遗传算法中。利用Logistic方程构造混沌算子,形成混沌遗传算法。通过实验对混沌算子和杂交算子、变异算子的性能进行了比较,实验数据表明混沌算子具有良好的遍历性。将混沌遗传算法应用在旅行商问题中进行性能检验,结果表明:和标准遗传算法相比,该算法的性能和稳定性都有较大提高。     

基于扩展梯度算子的结构相似度图像质量评价方法

为了更精确地评估图像质量,提出了一种新的客观评价算法:基于扩展梯度算子的结构相似度图像质量评价方法(extended gradient-based structural similarity,E-GSSIM)。首先分析了结构相似度(structural similarity,SSIM)与梯度结构相似度(gradient-based structural similarity,GSSIM)的不足,提出应用扩展Sobel算子替代GSSIM的传统Sobel算子,从而能够从多个方向提取邻域的梯度信息。为了不破坏原图的固有图像属性及使所提取的梯度信息更具有一致性,在计算梯度信息的时候引入衰减与阈值因子。LIVE2、TID2008、TID2013与CSIQ四个图库的定性与定量验证表明,E-GSSIM算法要优于传统的PSNR、SSIM、GSSIM质量评价指标,更为符合人眼视觉感知结果。     

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.     

求解MSA问题的新型遗传算法

为了克服传统遗传算法求解MSA问题速度慢的缺点,提出了一种新型自适应遗传算法,不使用交叉算子,只使用变异和选择算子,提出了在算法初始化时引入种子的策略,用星比对算法生成一个种子,保证了解的质量,使用灾变算子来确保算法的搜索能力,该算法模拟了自然界进化的周期性,较好地解决了群体多样性和收敛深度的矛盾。     

最优家族遗传算法

从种群规模和个体空间的角度分析了影响遗传算子性能的因素，在遗传算法(GA)的基础上设计了一种搜索区域可变、群体规模可变的最优家族遗传算法(OFGA)，该算法提出了在优良解附近构造最优家族，最优解搜索将在这个微型空间中进行，在有限的时间内搜索到更优基因的家族将获得生存的权利．由于每一个家族的搜索区域大幅度减缩，伴随着种群规模的减缩，因此提高了算法的收敛速度，家族个体空间大小不变提高了解的精度．最后，给出了3个典型函数的模拟例子，通过与GA的对比结果看到，OFGA在数量级上提高了收敛速度，使最优解的精度也有很大提高，说明新的算法具有应用的潜力。