基于遗传算法的多级目标非平衡指派问题求解

给出了一个基于遗传算法的多级目标非平衡指派问题的求解方法.首先把一个非平衡指派问题转化为一个组合优化问题.在此基础上,给出了编码策略、目标函数和适应度函数、选择算子、交叉算子和变异算子,还给出了交叉概率、变异概率的定标方法.最后采用遗传算法成功地解决了非平衡指派问题.     

引导函数支配的进化模糊聚类算法

建立了多维属性样本的模糊聚类目标函数.构建了引导进化算法收敛的指数函数曲线模型,给出了模型的参数计算方法.设计了一种具有全局变异和局部变异算子的进化模糊聚类算法,根据全局变异前后个体适应度值和分量值的变化趋势,实现定向变异,并给出了算法的种群进化策略.选择文本分类和点聚类计算实例,实验表明,设计的引导函数是有效的.进化模糊聚类算法具有较强的局部寻优能力,在收敛速度和聚类精度方面优于比较的遗传模糊C-均值聚类等算法.     

一种改进的自适应遗传算法

提出的自适应遗传算法采用群体的最大适应度fitmax、最小适应度fitmin、适应度平均值fitave 这 3个变量来衡量群体适应度的集中程度 ,然后根据适应度集中程度 ,自适应地变化整个群体的交叉概率pc 和变异概率pm ,改进了M .Sriniras提出的自适应遗传算法。采取最优保存策略来保证最优个体不被大的pc和pm 破坏掉。并用无放回余数随机选择算子 (RSSR选择算子 )对基本选择算子进行了改进 ,选择误差比较小。将自适应遗传算法用于图像分割的试验结果表明 ,与基本遗传算法相比 ,由于该算法综合考虑了“快速收敛”和“全局最优”这两个要求 ,因此它不仅能得到较好的分割质量 ,而且基本保持了遗传算法的运算速度 ,利于硬件实现     

属性约简的两阶段遗传算法

属性约简是数据挖掘的一个重要研究内容. 为了解决具有多种属性类型的决策表约简问题,在粗集和二元关系聚合理论的基础上,利用属性重要性作为评价标准,提出了一种两阶段遗传约简算法. 算法的第一阶段是为了找出尽可能多的约简,第二阶段力求寻找最小约简. 根据算法每个阶段的目标设计了编码方案、种群规模、适应度函数、终止条件、选择、变异和修正操作. 实验表明,与标准遗传算法相比,两阶段算法在计算最小约简时更为准确和稳定.     

用遗传算法解决生产线调度Job—Shop问题

在分析国内外各种解决生产线作业调度疸方法的基础上,引出生产线调度Job-Shop问题的数学模型。针对该模型,用遗传算法对其进行优化调度。首先针对优化目标进行染色体编码,定义群体规模,然后设计适应度函数,最后通过选择、交叉、变异等操作,得到目标的全局较优解。本文针对某一工程实例,给出了此调度算法的仿真结果。     

模糊完工时间和模糊交货期下的虚拟企业伙伴选择

在企业的生产实际中,完工时间和交货期是一个模糊数.针对这类情况下的虚拟企业伙伴选择问题,提出了考虑模糊完工时间和模糊交货期的以极大化最小客户满意度为优化指标的伙伴选择模型,并给出了自适应遗传算法.在遗传算法的适应度函数处理中引入模糊数处理方法,解决了带模糊数的伙伴选择问题.仿真结果表明了该方法的可行性和有效性.     

遗传算法的适应度函数研究

本文针对复杂函数的最优化问题,首先分析了遗传算法中常见的几种适应度函数的不足,论证了适应度函数在遗传算法中的重要性。进一步提出了设计适应度函数应满足的五条标准,在此基础上给出了一类适应度函数公式,并对性能进行反复测试。结果表明,本文的适应度函数的性能明显优于其它函数,对提高遗传算法的整体性能也有重要意义。     

具有战时随机损耗的军事运输路径优化

研究了战时带有随机损耗的运输路径优化问题；建立了随机机会约束规划模型和随机相关机会规划模型；针对运输中的必经点问题，设计了特殊的遗传算法染色体编码、交叉与变异规则；提出了通过对初始种群染色体的预处理采提高算法性能；给出了获取适应度的随机模拟步骤；最后还进行了实验，验证了模型和算法的有效性．     

基于酵母实验数据构建其蛋白质作用网络模型

为考察模型在生物上的可靠性,从真实的蛋白质相互作用研究所报道的数据出发,选取合适的复制-变异的关键参数,依据复制-变异的建模思想,构建了酵母蛋白质相互作用网络模型。实证结果与目前得到认同的酵母蛋白质网络的稀疏性、无标度性和小世界性吻合。由此可知,复制-变异模型在蛋白质相互作用网络的演化模拟中是个可靠的模型。     

基于BPSO的多故障最小候选集生成技术

多故障最小候选集生成是制定多故障诊断策略的首要步骤。利用二进制粒子群优化算法（binary particle swarm optimization, BPSO）生成多故障模糊组的最小候选集。首先，利用紧集表示法描述某或节点上的多故障模糊组，其最小候选集即多故障模糊组的最小碰集|然后，利用BPSO算法求解多故障模糊组的最小碰集，通过构造个体适应度和群体适应度双函数，解决BPSO算法求解最碰集的适应性问题，并保证了算法尽可能搜索冲突集的全部碰集|最后，通过某系统实例对算法的有效性进行了验证。事实表明，该方法能有效应用于多故障最小候选集问题的求解。     

基于遗传算法的进化神经网络

提出一种基于遗传算法的多层前向神经网络的自动化设计方法(genetic multiplayer feedforward neural network，GMFNN)，用以同时完成对网络结构空间和权值空间的搜索。该算法利用双种群权值优化、结构进化自适应变异率等方法来加快算法的收敛速度，改善解的性能。仿真结果显示本文提出的算法能够有效抑制遗传算法初期收敛的发生，有效地提高多层前向神经网络的收敛精度，并可获得更为简洁的网络结构。     

单亲遗传算法的选择方式

给出了单亲遗传算法的几种常用选择方式 ,并指出单亲遗传算法的全局收敛性和收敛速度与选择方式有关。锦标赛选择方式和父子竞争选择方式不能保证算法的全局收敛性 ,但有较快的收敛速度 ;按适应度比例选择方式在引入了最优保持操作后能保证算法的全局收敛性 ,但收敛速度较慢。     

Positivity and Stability of Fractional-Order Linear Time-Delay Systems

This article focuses on the positivity and the asymptotic stability of fractional-order linear time-delay systems(FOLTDSs) which are composed of N(N ≥ 2) subsystems. Firstly, a sufficient and necessary condition is given to ensure the positivity of FOLTDSs. The solutions of the studied systems are obtained by using the Laplace transform method, and it can be observed that the positivity of FOLTDSs is completely determined by the series of matrices and independent of the magnitude of time-delays....     

基因表达式程序设计的GRCM方法

基因表达式程序设计是一种基于基因组和表现型组的新型遗传算法,该算法在运行时具有很高的运行效率,实验表明在求解很多问题的时候比遗传程序设计在速度上优越两个数量级以上。在基因表达式的基础上,提出了基因阅读运算器方法,此方法不需要把染色体转换为表达式树,而是直接对染色体进行操作得到该染色体的适应值。实验表明,采用这种方法不仅简单有效,而且能提高运算的速度。     

鲁棒非线性观测器的圆判据设计

研究了一类非线性系统的观测器设计方法,其中假定观测误差系统中的非线性部分满足一般的扇区条件。根据多变量圆判据设计方法和严格正实条件,获得了全局收敛的非线性观测器,并且进一步提出系统结构满足扇区条件的判别定理。利用输入-状态稳定性工具,分析了该非线性观测器的鲁棒性。通过实例和仿真说明这种非线性观测器的有效性。     

时滞多变量时变系统的最优控制混合仿真研究

应用最优控制理论的极小值原理和参数优化理论 ,叙述了具有常数时滞的多变量时变系统的最优控制算法 ,基于该算法 ,提出了这类系统的数模混合仿真方法和实践方法。混合结果表明 :提出的算法是收敛的 ,且收敛速度优于全数字仿真结果。     

控制器引起的混沌现象

介绍一类由控制器可能产生混沌的例子, 并指出了一个与神经控制器有关的有趣现象:一个闭环系统经过有限时间控制后, 似乎已经收敛, 但其后系统状态突然跳出收敛域呈不规则行为。这些说明了我们对此类问题的观点, 并促使我们研究与控制器有关的系统复杂行为。     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

Soft-control for collective opinion of weighted DeGroot model

The DeGroot model is a classic model to study consensus of opinion in a group of individuals(agents). Consensus can be achieved under some circumstances. But when the group reach consensus with a convergent opinion value which is not what we expect, how can we intervene the system and change the convergent value? In this paper a mechanism named soft control is first introduced in opinion dynamics to guide the group's opinion when the population are given and evolution rules are not allowed to change. According to the idea of soft control, one or several special agents,called shills, are added and connected to one or several normal agents in the original group. Shills act and are treated as normal agents. The authors prove that the change of convergent opinion value is decided by the initial opinion and influential value of the shill, as well as how the shill connects to normal agents. An interesting and counterintuitive phenomenon is discovered: Adding a shill with an initial opinion value which is smaller(or larger) than the original convergent opinion value dose not necessarily decrease(or increase) the convergent opinion value under some conditions. These conditions are given through mathematical analysis and they are verified by the numerical tests. The authors also find out that the convergence speed of the system varies when a shill is connected to different normal agents. Our simulations show that it is positively related to the degree of the connected normal agent in scale-free networks.     

考虑时延的多Euler-Lagrange系统自适应神经网络协调跟踪控制

考虑存在通讯时延,在有向通讯拓扑结构下研究多Euler-Lagrange系统的协调跟踪控制问题。仅有部分跟随者可以获得静态领航者信息。对每一个跟随者设计了一种分布式观测器,以获得领航者的状态量。针对系统模型具有非线性不确定性和外部扰动情况,基于神经网络方法提出了两种分布式自适应协调控制律,分别使每一个跟随者对领航者的跟踪误差最终有界和渐近收敛到零。运用Lyapunov稳定性理论对两种控制律的稳定性进行了证明。数值仿真验证了本文提出的控制律的有效性。