一种基于GEP的多层物流网络Prüfer编码优化算法

在对Prüfer编码研究的基础上,提出了一种基于基因表达式程序设计的多层物流网络Prüfer编码优化算法(GEPPCOA)。该算法一方面利用基因表达式程序设计的多基因结构特点,克服了传统演化算法中不能直接用个体表示多层物流模式的缺点;另一方面还对基因表达式程序设计原有的操作算子进行了针对Prüfer编码的改进。实验结果表明,使用GEPPCOA求解多层物流网络的Prüfer编码优化问题时,其各项支出费用性能指标均要好于传统的演化算法,提高了算法的收敛精度。     

一种基于基因表达式程序设计的新算法

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时比遗传程序设计优越两个数量级以上.通过对基因表达式程序设计的变异算子进行分析,发现在个体变异过程中存在着大量的基因漂移现象,这些漂移的基因一方面造就了种群的多样性,但是另一方面也降低了算法的效率,阻碍了算法精度的提高.为此,构造了一种新的算子--漂移抑制算子,通过在基因表达式程序设计方法中加入此漂移抑制算子构造出一种新的算法-基因漂移抑制算法(Gene Drifting Suppression Algorithm Based on Gene Expression Programming, GDSA-GEP),该算法在保持种群多样性的同时,能有效地控制基因的过度漂移.实验结果表明,新算法能有效地提高问题的求解精度.     

基因表达式程序设计在复杂函数自动建模中的应用

基因表达式程序设计是一种新的自适应演化算法，该算法已经应用到许多领域中，并且取得了起好的效果。通过对适应度函数的有效设计以及函数集的有效选取，引入新的常数创建方法。将基因表达式程序设计运用于复杂函数的自动建模中，并把所建立的模型用于预测分析。通过仿真实验表明：用此方法所建立的模型比传统的最小二乘法、神经网络以及遗传程序设计等方法具有更好的性能。最后对该算法的应用前景作了简要分析。     

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。     

重叠复用性建模方法

基因表达式程序设计是一种新的演化建模方法,试验表明在求解很多问题时该方法比遗传程序设计优越两个数量级以上。复用性是一个重要的概念,在众多领域得到了广泛的应用。通过对染色体中的基因的复用性进行研究,提出了重叠复用性建模（Overlap Reused Modeling,ORM）方法,也可以称为重叠复用性建模（Overlap Reused Modeling,ORM）方法。重叠复用性建模方法通过改进的染色体解码（翻译）规则来实现基因的复用性,从而有效地扩大了染色体的表达空间。同时提出了一种新的染色体适应值的计算方法,这种新的方法不仅简化了染色体适应值的计算过程,而且可以杜绝因基因复用所造成的计算量的增加。     

一种改进的Live-Wire交互式图像分割算法

提出了一种改进的Live Wire交互式图像分割算法。与原Live Wire算法相比 ,改进算法在不增加算法复杂度的同时 ,大大提高了图像分割的性能 ,而且在 3个方面弥补了原算法的不足 :(1)对噪声相当敏感 ;(2 )不能有效地区分图像中的强弱边缘 ;(3)不适用于边缘弯曲程度较大的图像。将改进算法与窗宽 /窗位调整算法相结合用于医学图像分割中 ,取得了良好的分割效果     

一种改进的人工免疫文本聚类算法

构造了一种能准确描述文本之间相似性(亲和力)的新方法,并在此基础上提出了一种改进的人工免疫文本聚类算法。仿真结果表明,与传统的文本聚类算法相比,新算法不仅能自动发现新类,而且具有聚类精度更高、数据压缩比更大、与输入初始配置无关、可增量处理的优势。     

基于Simpson公式的GM(1,N)建模的新算法

根据时间序列的结构与特征, 对GM(1,N)灰微分方程进行了建模机理分析, 并用数值积分算法提出了 基于Simpson公式的建立GM(1,N)预测模型的新算法. 用平均相对误差对一些时间序列进行了模型的 实证分析, 发现新算法的拟合精度比原有算法有明显的改进, 从而验证了该算法对一些时间序列的有效性. 所提出的新算法是建立GM(1,N)预测模型时值得尝试的一个方法, 对GM(1,N)预测模型的合理应用具有一定的现实意义.     

模仿二倍体繁殖的改进遗传算法

针对标准遗传算法和二倍体遗传算法容易陷入早期收敛、末期局部搜索能力差等不足之处,给出了一种忽略等位基因显隐性的二倍体遗传算法的改进方法;模仿二倍体生物繁殖的过程,引入同源染色体交叉、配子重组操作,改进了传统遗传算法的遗传操作过程;在选择过程中采用了结合最优保留的受限选择策略及精英种群方案。仿真结果表明,该改进算法不但能使种群基因保持多样性,有效抑制了算法的早熟收敛,还降低了算法复杂度、提高了搜索精度,使算法能以较快的速度与较高的精度达到全局最优。     

曲光线追踪在非均匀大气现象模拟中的研究与实现

对Seron和Gutierrez提出的用Euler方法实现曲光线追踪进行了改进:采用比Euler方法精度更高的改进Euler方法实现曲光线追踪。分析了改进前后算法的收敛性、稳定性,编程实现了这些算法,并对这些算法从计算时间和精度两方面进行了比较分析。实验结果表明,改进后的算法比原来的算法精度更高。分别采用改进前后的两种算法模拟了非均匀大气现象——地平线变形和海市蜃楼。     

基于基因表达式编程的非线性系统辨识研究

提出了一种利用基因表达式编程进行非线性系统辨识的新方法,引入了可变染色体和可变终端符集,提出了新的个体的生成机制及相应进化操作符,克服了利用遗传编程进行非线性系统辨识的不足,降低了算法对参数的依赖性,能够在相同的参数设置下进行各种非线性NARMAX模型辨识.对于适应度的定义,综合考虑模型的精确性和复杂性因素,使辨识模型能够在精确性和复杂性之间取得平衡.仿真结果表明,这种方式可以快速准确的获取非线性模型.     

用GEP实现复杂函数的自动建模

GEP是一种新颖的遗传算法,在函数建模的应用中取得良好的结果.给出计算有效基因长度的伪代码,结合GRCM方法阅读基因,快速计算出染色体的适应值.在算法中增加了参数估计模块,用GEP得到较好模型后,用参数估计模块进行参数优化,试验显示这种混合的GEP方法比传统的最小二乘法、神经网络以及遗传程序设计等方法具有更好的性能.     

一种针对高维决策空间的进化多目标优化方法

进化算法可并行处理多个解的特性使得它特别适合解决多目标优化问题。针对高维决策空间,将基因表达式编程引入多目标优化,设计了新的个体结构和操作,提出了一个进化多目标优化算法EMOGEP。实验结果表明,新算法在低维决策空间是可行和有效的;在高维决策空间中,表现出了比传统进化多目标优化算法更好的性能;多模态情况下,新算法能很好的逼近理论Pareto前沿。     

基因表达式编程在组合预测建模中的应用

介绍一种利用基因表达式编程的方法来自动生成非线性函数的组合预测模型,并进行误差估计分析, 改变过去只依靠各个子方法的简单线性相加,不能很好地反映非线性真实世界的传统组合预测建模方法.通过对我国CPI的真实历史数据验证, 验证结果表明: 与传统的ARIMA,灰色GM(1,1), BP神经网络和线性组合预测四种方法对比,基因表达式编程建立的组合预测模型所预测的数据准确度明显提高.     

关于《二次双级规划的几何特性与最优性条件》一文的注记

用反例说明《二次双级规划的几何特性与最优性条件》一文中的两个主要命题是不成立的 ,对其可行解的充要条件进行了修正 ,并证明了二次双级规划与一类 DC(difference of two convex functions)规划的等价性.     

A Note on Relations between Linear Bilevel Programming and Linear Bicriteria Programming

ＡＮｏｔｅｏｎＲｅｌａｔｉｏｎｓｂｅｔｗｅｅｎＬｉｎｅａｒＢｉｌｅｖｅｌＰｒｏｇｒａｍｍｉｎｇａｎｄ　ＬｉｎｅａｒＢｉｃｒｉｔｅｒｉａＰｒｏｇｒａｍｍｉｎｇＡＮｏｔｅｏｎＲｅｌａｔｉｏｎｓｂｅｔｗｅｅｎＬｉｎｅａｒＢｉｌｅｖｅｌＰｒｏｇｒａｍｍｉｎｇ...     

一个多目标动态投入产出优化模型及算法(Ⅱ )

分析了多目标动态投入产出优化模型较之单目标动态投入产出优化模型的优点,通过构造目标规划模型论证了多目标模型使动态投入产出方程组解的稳定性改善的原因。给出了算法及算例。计算结果说明：所建立的模型、给出的方法是可行的。     

Chance Constrained Integer Programming and Stochastic Simulation Based Genetic Algorithm

ＣｈａｎｃｅＣｏｎｓｔｒａｉｎｅｄＩｎｔｅｇｅｒＰｒｏｇｒａｍｍｉｎｇａｎｄＳｔｏｃｈａｓｔｉｃＳｉｍｕｌａｔｉｏｎＢａｓｅｄＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ⒇ＺＨＡＯＲｕｉｑｉｎｇＣｏｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｒｉｎｇ,Ｓｈｉｊｉ...