遗传算法在神经网络控制中的应用与实现

比较了遗传算法与神经网络的特点,并对将遗传算法用于前向神经网络的可能性进行了研究,同时阐明了遗传算法和神经网络结合的必要性,提出了一种融合遗传算法的神经网络控制方法,该方法采用多层前向神经网络作为遗传搜索表示方式的思维,以神经网络为基础,用遗传算法 习神经网络的权系数,即保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力,将遗传算法和神经网络相结合,分析了遗传算法基本参数及神经网络结构、隐层和输出层节点非线性函的选择,设计了用遗传算法学习神经网络权系数的软件实现方法,成功地实现了机械手逆运动学求解问题及倒立摆的控制,仿真结果显示了遗传算法快速学习神经络权系数的学习效率与收敛精度,确保了快速达到全局收敛,克服了多层前向神经网络传统的BP学习算法精度低、收敛速度慢、容易陷入局部极小的缺陷,表明了该方法的可行性与有效性。     

基于遗传算法的熵算法在人类染色体图像的分割中的应用

染色体图像分割是染色体图像分析与识别的重要内容之一。文中提出了实现染色体的自动分割的熵分割算法,该算法充分考虑了每个视野中分割目标(染色体)的数量大以及人类显带染色体被明暗交迭的带纹分割为若干不连续的片段等特点。文中还对传统的分割方法和熵方法进行了对比。传统的方法容易受噪声的影响从而将染色体分割开来。1维熵方法没有考虑灰度空间在空间的分布。2维熵方法在图像分割时较为费时。为了改善分割的精度和速度,在遗传算法的基础上运用1维和2维的熵方法。运用遗传算法的方法一场景分割不到一分钟并且得到得很好的染色体形态。算法的优越性通过实验来体现。     

求解多目标规划问题的Pareto多目标遗传算法

针对传统的多目标优化方法的局限性，提出用于多目标规划问题求解的Pareto多目标遗传算法。实验结果表明，该算法是可行有效的，而且能为决策者提供满意解。     

广义模糊熵的构造及其在图像分割中的应用

针对现有的模糊熵阈值法对噪声干扰、光照不均匀图片的分割不能获得满意分割效果的不足,提出了模糊熵公式的参数化修改并用于图像分割,获得了选取最佳分割阈值的模糊熵新算法。首先将Sugeno广义否定算子替代二次型模糊熵公式的Zadeh标准否定算子,得到了参数型的广义模糊熵表达式;其次,将其应用于构造图像阈值化分割的准则函数;最后,给出了图像阈值化分割新算法中的广义模糊熵参数自动选取方法。实验结果表明,给出的广义模糊熵图像分割方法对光照不均匀图像相比传统模糊熵分割方法更有效。     

解多目标优化的均匀正交遗传算法

在多目标优化中，各目标通常相互冲突且不可公度，其最优解(常称为Pareto最优解)往往有无穷多，如何在最优解集合中求出一组分布均匀且数量充足的代表解供决策者选择十分重要,论文将均匀设计、正交设计与遗传算法相结合给出了解多目标优化的一种新方法，并证明了其全局收敛性,新方法用少的计算量便可求出一组在最优解集合中分布均匀且数量充足的最优解,计算机仿真也表明这种方法对不同的试验函数均可用少的计算量求出一组在最优解集合中分布均匀且数量充足的最优解。     

基于免疫遗传算法的三维大脑图像分割

利用最大熵多阈值方法对三维大脑数据进行分割时,穷尽搜索法耗时长,而简单遗传算法的搜索结果又不够稳定和精确.针对该问题,提出了一种免疫遗传和模拟退火相结合的新算法来快速求解全局最大熵.与简单遗传算法相比,免疫遗传算法采用了更佳的选择操作,以确保更多不同个体被选择来保存种群的多样性,而模拟退火机制用于拉伸免疫遗传算法的适应度函数.算法给出了选择概率的一般表达式,并采用精英策略和自适应的交叉、变异机制以改善算法的收敛性.基于IDL平台的100次仿真结果表明,三维大脑数据被成功地分为:脑白质、脑灰质和脑脊液三部分,且与简单遗传算法和传统免疫遗传算法相比,本文算法在稳定性和精确性上更具优势.     

基于遗传算法和最速下降法的函数优化混合数值算法

在遗传算法中嵌入一个最速下降算子，并定义适当的适应度函数和子代个体的选择算子，从而可结合遗传算法和最速下降法两者的长处，得到既有较快收敛性，又能以较大概率得到全局极值的新的用于连续函数全局优化的混合数值算法。数值计算结果表明了本文方法显著优于求解函数优化的遗传算法和最速下降法.     

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.     

基于双重遗传算法机制的路径规划

静动态障碍物同时存在的复杂环境下进行路径规划是一个比较难解决的课题.引入双重的遗传算法机制,提出了第一重遗传机制负责静态障碍物的避碰,第二重遗传算法机制以第一重机制规划出的最优路径为基础,负责动态障碍物的避碰的方法;设计优化算子,引入自适应技术提高路径的生成速度.实验表明,该方法能综合考虑多种因素,收敛到全局最优路径.     

遗传算法在飞机目标识别中的应用

针对雷达目标识别中特征维数压缩和神经网络的隐含层结点数的确定等关键问题 ,提出了一种基于遗传算法的目标识别方法 ,该方法首先构造了一个符合目标识别这一特定问题的初始种群 ,然后利用遗传算法模拟生物遗传迭代和自然选择的遗传机理 ,通过多次遗传迭代最终收敛于问题的一个满意解。最后将该方法用于对三类飞机目标的分类和识别 ,验证了该方法用于目标分类和识别的可行性和有效性。     

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     

遗传算法在企业竞争决策中的应用

本文根据遗传算法的特点，将其用于博奕论中，旨在求解针对企业竞争决策中的Ｒｉｃｈａｒｄｓｏｎ模型，并指出了遗传算法在此领域中的有关研究方向。     

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。     

一种小种群自适应遗传算法研究

分析了变异算子在标准遗传算法和自适应遗传算法中的作用和当前研究的不足,提出一种新颖的能够大大提高遗传算法性能的变异策略,并进而提出一种小种群自适应遗传算法.该方法在采用赌轮选择和单点交叉的情况下,利用一种可伸缩的变异策略使得算法在探测和开发之间取得很好的平衡,从而能够用小规模的种群进行有效的全局搜索和局部搜索,避免早熟收敛,并能够以较快的速度收敛到全局最优解.对多峰函数的仿真实验表明了算法的有效性.     

两级递阶遗传算法

针对遗传算法在应用过程出现的收敛过慢和封闭竞争问题,本文提出一种两级递阶遗传算法ＴＨＧＡ（Ｔｗｏ－ｌｅｖｅｌＨｉｅｒａｒｃｈｉｃＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ）。仿真结果证明了该算法的有效性和实用性     

求解非线性最小二乘全局解基于最速下降法和遗传算法的混合算法

本文通过在遗传算法中嵌入一个最速下降算子,并定义适应度函数、选择算子和数据结构,从而得到可结合遗传算法和最速下降法两者长处,既有较快收敛性,又能以较大概率求得非线性最小二乘问题全局解的混合算法.数值计算表明该方法显著优于遗传算法和最速下降法.     

用单亲遗传算法求解有序组合优化问题

本文提出一种用于求解有序组合优化问题的单亲遗传算法（ＰＧＡ）。ＰＧＡ的突出特点是不使用传统遗传算法（ＴＧＡ）常用的交叉算子,而是通过基因换位算子隐含交叉算子的功能来实现进化操作。本文首先介绍了ＰＧＡ的基本概念,然后分析ＰＧＡ的运行机理,最后给出了用ＰＧＡ求解旅行商问题的仿真结果。     

基于GA的小卫星星务规划的全局优化算法

小卫星任务规划是为确定飞行任务目标并根据飞行任务目标控制它运行的指令序列，小卫星的任务规划可以归结为资源受限的规划和调度问题，对于此类问题，目前有许多解决方案，但对于解决大规模问题仍然十分困难，并且在大多数情况下只能得到局部最优解。本文用基于GA的优化算法解决小卫星星务规划的优化问题，不仅可以得到全局最优解，而且在满足卫星上快速性和准确性方面显示出非常大的优势。     

基于基因算法的隐马尔可夫模型参数估计

隐马尔可夫模型 (hiddenMarkovmodel)是一种统计模型 ,被广泛地应用于信号处理和模式识别中。隐马尔可夫模型是一种双随机过程 ,在实际应用中 ,对隐马尔可夫模型的训练 (参数估计 )是一个非常重要的问题 ,训练方法的优劣将对整个应用效果产生重要的影响。传统的模型训练方法存在容易陷入局部最优以及对训练样本依赖性较大等弱点。为了进一步提高模型训练的有效性 ,提出了一种基于基因算法的模型训练方法 ,与已有的方法相比 ,解决了对初始值敏感的问题 ,并且具有更高的稳定性和准确性 ,因此是一种很有实用价值的新方法。