遗传算法的实现及其应用

遗传算法(GeneticAlgorithm)是一类借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机化搜索方法.迄今为止,遗传算法已成为进化算法中最广为人知的算法.我们针对遗传算法在优化求解上具有的独特优越性,对遗传算法进行了初步的研究,通过实现对其在具体问题中的优化求解,来达到熟悉和掌握遗传算法的目的,并在此基础上进一步对遗传算法在科学与工程中的运用加以体会.     

多维函数优化的遗传算法研究

本文研究了求解多变量函数优化问题的遗传算法,在此算法中采用了十进制浮点数基因表示方法,并相应地提出了一种叠加零均值Gauss随机扰动的变异方法,研究表明,对于满足组件假说的多维函数优化问题,这种遗传算法具有较高的搜索效率．     

多宇宙并行量子遗传神经网络人脸识别算法研究

针对传统遗传算法交叉、变异过程过于繁琐和神经网络在极值判断及收敛速度受限等问题,提出了一种并行的量子遗传算法优化神经网络权值的算法.首先引入了量子计算的概念,在量子计算的过程中使用量子旋门实现染色体的训练,然后引入量子交叉克服了早熟收敛现象,避免了遗传算法中繁琐的交叉、变异过程.最后设计实现了并行的卷积神经网络,使用并行量子遗传算法优化了卷积神经网络权值,实现了并行量子遗传神经网络人脸识别系统.实验结果表明,相对于原来的遗传算法,该算法在鲁棒性和实验速度上都有明显的提高.     

遗传算法及其在制造工程中的应用

遗传算法是建立在模拟自然界生命进化机制基础上的一种新型搜索和优化方法。介绍了遗传算法的概念和基本原理，讨论了它在制造领域的初步应用成果，并对其应用前景和要进一步研究的工作作了一些展望。     

遗传算法工具箱在消力池水力计算中的应用

为尝试避免传统低效的经验试算法、图解法等,以挖深武消力池为例,建立了其消能防冲水力计算的非线性优化模型,并提出用MATLAB遗传算法工具箱优化求解的方法.计算结果表明,MATLAB遗传算法工具箱能有效解决消力池水力计算问题,且该工具箱具有计算速度快、解的精度好、自动化程度高等优点.     

一种改进的非支配排序遗传算法

为克服非支配排序遗传算法计算复杂度高, 未采用精英策略, 需要特别指定共享半径的缺点,提出了一种改进的非支配排序遗传算法.通过实验验证,该算法在几个给定的函数优化时都能取得比较好的结果.     

利用优化的遗传算法解决饲料配方设计问题

 利用改进和优化传统遗传算法的选择策略、搜索空间,自适应调整交叉率和变异率提高了计算效率,并在遗传进化过程中用优秀个体群来逐步缩小搜索空间,提出了求解饲料配方设计问题的一种改进方法(GA+).应用该方法对3个经典非线性测试函数进行了仿真,在收敛速度和全局优化方面好于现有的遗传算法.结果表明,GA+较好地保持了种群的多样性,精度高、收敛速度快,对求解饲料配方设计问题非常有效.     

基于知识的遗传算法研究

为了提高遗传算法的搜索效率,笔者将遗传算法的迭代过程中产生的数据视为一个信息系统,利用粗糙集可以在没有先验信息的情况下从与问题相关的数据集合中获取知识的能力,对进化过程产生的数据进行知识发现。利用所发现的知识判断被求解问题的类型,确定搜索子空间,指导进化的方向,实现了知识指导下的进化算法。函数优化实验结果表明,该方法能够显著提高遗传算法的搜索效率和寻优精度。     

基于遗传算法的直接盲信号检测

针对现有的盲均衡遗传算法收敛速度慢,难以准确地收敛到最优解的问题,借助接收数据阵补投影算子对待测发送序列向量的零化作用,把信号盲检测问题转化为整数约束下的二次优化问题,提出了一种基于遗传算法的直接盲信号检测的方法.所用遗传算法的特点是,适应度函数是直接针对被检测序列构造的,编码空间与遗传空间一致,搜索空间是离散、有限的.仿真结果表明,该算法收敛速度快、性能好.     

半确定性的遗传算法

在采用遗传算法进行函数优化的过程中存在的一个严重的缺陷是：算法能很快地收敛到最优点附近，但要达到最优点需要很长的时间。针对这一缺点通过如下3个新的遗传算子构建了一个新的遗传算法：半确定性的变异算子，Hamming-decreasing和设计变量的自适应定标，以加强遗传算法的局部搜索能力。该算法充分利用基于概率的遗传算子的全局搜索能力和新算子较强的局部搜索能力。算例表明，新的遗传算法具有很强的鲁棒性和较快的计算速度。     

遗传禁忌混合算法在WWER型压水堆换料优化中的应用

介绍了遗传算法与禁忌搜索算法相结合的混合优化算法在六角形组件压水堆堆芯布料方案优化计算中的应用.采用该混合优化算法分别以寿期末硼浓度最大、功率峰因子最小和兼顾寿期与功率峰因子为目标对Kalinin-5核电站第二循环布料方案进行了优化计算.结果表明,混合优化程序所得到的最优堆芯布置明显优于原堆芯布置.     

多智能体遗传算法用于超高维函数优化

基于智能体对环境的感知与反作用的能力提出了一种新的函数优化方法--多智能体遗传算法.该方法将智能体固定在网格上,而每个智能体为了增加自身能量将与其邻域展开竞争或合作,同样,智能体也可利用自身的知识进行自学习来增加能量.理论分析证明算法具有全局收敛性.实验结果表明,多智能体遗传算法对维数高达甚至10000的函数,都能以较少的计算量获得高质量的解,充分说明算法具有很快的收敛速度.     

基于遗传算法的TOPMODEL参数优化

模型参数的确定是模型研制与应用成功与否的关键.一般采用人工经验率定和自动率定两种方法来确定.遗传算法和一般的优化算法不同,它具有全局寻优能力,是一类优秀的非线性函数优化算法.利用遗传算法来进行TOPMODEL参数优化,并和人工率定的计算结果作了简要的对比,明显地显示该方法的优点.采用遗传算法所得到的精度较高,可以类推到其他水文模型的参数优化中去.     

基于分子优化算法的机器人避障规划

自从Adleman博士利用分子算法成功求解HPP问题,DNA计算引起了人们广泛的兴趣.文中引入了DNA技术并借助生物学理论对其进行改进,提出了新的分子优化算法.并在机器人路径的避障规划中进行了仿真实例,结果显示算法避免了经典遗传算法容易出现的"早熟收敛"和"收敛速度慢"两大难题,继承了遗传算法全局搜索的能力,提高了算法的有效性和收敛速度,在很少的进化代数中就可以求得问题的最优解,适合于路径规划问题.     

一种基于遗传算法的车载边缘计算卸载方案

延迟敏感型和计算密集型车辆应用的出现,给计算资源有限的车联网带来了巨大的挑战。移动边缘计算(Mobile Edge Computing, MEC)是云计算的一种补充,可以有效解决车辆计算资源有限等问题,但是车辆的高机动性以及中心云距离较远导致数据卸载延迟较大,对卸载效率产生较大影响。现有方案大多对车辆的高机动性以及空闲资源的利用方面考虑不足,因此,文中提出一种基于遗传算法的车载边缘计算卸载方案(Genetic Algorithm-based Vehicle Edge Computing Offloading Scheme, GAVECOS)。在该方案中,考虑了任务车辆周围的本地车辆、路边基站上的边缘服务器和空闲车辆的计算资源来卸载任务,然后提出一个以系统总成本最小为目标的优化问题,并利用遗传算法求解该优化问题。最后通过搭建仿真平台对方案进行了验证。仿真结果显示,在综合考虑系统的时延和能耗这两个因素的情况下,该方案与其他4种方案相比总成本有明显的降低。     

基于网格计算的飞机气动与隐身综合优化设计

针对飞机气动与隐身综合优化设计优化提出一种遗传算法计算模型.在此模型基础上,基于网格技术将分布的计算资源整合为高性能计算环境,以网格服务方式提供统一的资源服务和可视化的用户使用环境,实现多目标优化设计网格,解决飞机设计中遇到的气动与隐身综合综合优化问题.首先对系统体系结构以及多目标遗传算法做出较详细的描述,然后以飞机气动与隐身综合优化设计为例进行计算.结果证明,该系统大大缩短了计算时间,具有良好的并行加速效果,系统优化参数结果满意度很好.     

浅析遗传算法与进化策略

介绍了遗传算法和进化策略的算法模型，着重讨论了遗传算法和进化策略的特点以及各自的局限性，并分析了遗传算法和进化策略的区别与联系，最后指出遗传算法和进化策略有待解决的问题和二者可以联合发展的趋势。     

基于附加隐性遗传效应遗传算法的约束优化问题研究

遗传算法是一种模拟生物进化论的自然选择和遗传学的基因遗传机理而发展出来的一种全局优化算法.本文作者提出附加隐性遗传效应遗传算法,通过具体算例,对基本遗传算法与附加隐性遗传效应遗传算法的优化结果进行比较分析,证明了附加隐性遗传效应遗传算法在求解优化领域的约束优化方面,表现出更好的算法性能.     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．