一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

混合算法在流量工程中的应用

针对大规模网络中的流量工程问题,设计了结合遗传算法与模拟退火以及结合遗传算法与爬山法的两种混合算法.仿真实验表明,结合遗传算法和模拟退火的混合算法在整体性能上较单独使用遗传算法有明显的提高,结合遗传算法和爬山法的混合算法在处理超大规模的网络和海量业务要求的流量工程问题时具有时间上的明显优势.     

基于生态遗传算法的冲击地压预测模型

针对传统方法预测冲击地压存在的弊端,采用遗传算法设计的模糊神经网络做为预测模型,为避免传统遗传算法"早熟"问题而使用生态遗传算法对该模糊神经网络进行训练,选择Matlab7.01在PC机上实现该网络模型,并比较BP算法、传统遗传算法以及生态遗传算法这三种算法所训练的网络性能.仿真和实验结果显示生态遗传算法使网络具有良好的收敛性能,提高了冲击地压预测的准确性.     

基于CW节约算法和遗传算法的网络优化

将节约算法和遗传算法相结合解决通信网络规划的优化问题, 该方法融合了节约算法的快速收敛特点, 通过遗传算法可全面考虑通信网络的各种设计成本和实际通信限制问题. 实验结果表明, 该算法相对于传统的贪婪算法或最小生成树法, 有更快的运算速度和更好的可行解.     

BP算法的改进及在模式识别中的应用

主要分析了BP算法的特点以及在模式识别应用中存在的一些缺陷,研究了遗传算法和BP算法相结合的相关技术,设计并实现了一个遗传算法和BP算法相结合的BP-GA算法,并用一个经典实例说明该算法在模式识别中的应用.实验结果表明,基于BP-GA的模式识别系统有较好的泛化能力,较好地克服了网络单纯利用BP算法训练网络陷入局部极小值,导致网络训练失败的缺陷.     

一种基于进化BP神经网络的文本分类算法

提出并实现了一种结合BP神经网络和遗传算法的文本分类算法,根据遗传算法能够快速优化网络权重以及摆脱BP算法局部极点困扰的能力,提出一种改进的遗传算法确定网络拓扑结构和训练网络的方法.最后对设计的分类器进行了开放性测试,实验结果表明该分类器显著地提高了文本分类的查全率和查准率.     

基于模拟退火遗传算法的GMDH网络模型

针对传统GMDH网络建模用最小二乘法辨识参数时容易陷入局部极小导致模型预测效果不理想的问题,提出将模拟退火算法与遗传算法结合起来,并引入到GMDH网络,用模拟退火遗传算法来辨识其部分描述式系数.描述了模拟退火遗传算法,构建了基于该算法的GMDH网络模型,并将该模型应用于泥石流预测的仿真研究,预测平均相对误差达到3.54%.结果表明,该算法既保证了全局寻优又防止了过早收敛,进一步提高了GMDH网络模型的全局与局部寻优能力.     

基于SA-GA算法RBF神经网络的TDOA/AOA定位算法

目的 为了克服最小二乘法在TDOA/AOA无线定位算法中的缺点,提高定位的精度和稳定性.方法 提出了基于RBF神经网络的TDOA/AOA定位算法.利用染色体长度可调编码方式的模拟退火遗传算法,同时训练RBF网络的参数和拓扑结构.将训练后的RBF网络用于TDOA/AOA定位.结果 与传统TDOA/AOA算法和基于k-均值聚类法、遗传算法RBF神经网络、GA-BP神经网络的定位算法比较,该算法具有更高的定位精度和可靠性.结论 基于模拟退火遗传算法RBF神经网络的TDOA/AOA定位算法有很强的抗NLOS能力.     

用遗传算法改进的RBF神经网络在语音识别系统中的应用

针对传统的RBF网络求取隐层基函数中心的K-均值聚类算法的缺点,利用遗传算法的全局搜索性能,将遗传算法用于RBF网络的训练过程.由于简单遗传算法存在收敛速度慢及不能收敛到全局最优解等不足,引入自然数编码的自适应遗传算法,加快网络的训练速度.将该算法应用到语音识别系统中,实验结果表明:使用该方法的识别结果优于使用K-均值聚类算法选取质心的RBF网络的识别结果.     

小波网络异步电机转速辨识器的设计

为实现无速度传感器异步电机控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解。因此,偿试利用小波网络构造转速辨识器,并将遗传算法和BP算法结合起来作为小波网络的学习算法。该算法首先采用混合编码的遗传算法优化网络的结构及网络初始权值,其次再利用BP算法对网络权值进行精确调节;这种将遗传算法与BP算法相结合的GA BP算法,实现了遗传算法的全局搜索能力与BP算法的局部寻优性能的互补结合.将所设计的网络转速辨识器运用到直接转矩控制系统当中,利用MATLAB/SIMULINK实现无速度传感器控制系统的仿真实验结果表明,该方法具有良好辨识效果。     

基于多目标遗传模拟退火算法的方向调制

为实现对自由空间中任意期望方向的物理层安全通信,提出了一种运用多目标函数遗传模拟退火算法的方向调制方法.文中建立以通信信号误码性能和星座图畸变程度为指标的2个遗传目标函数,并结合模拟退火算法以避免遗传算法易陷入局部最优,使得发射信号在合法用户方向与期望星座图相同,而窃听用户方向上星座图产生极大程度的畸变.仿真结果表明:所提方向调制方法与现有基于遗传算法、粒子群算法、多目标遗传算法方向调制方法相比,具有更窄的误码率波束宽度,所提出的多目标方向调制物理层安全通信信号具有更强的防窃听性能.     

一种基于遗传算法的组播路由选择方法

提出了一种基于遗传算法的组播路由选择方法·该方法首先寻找所有满足时延限制条件的路径,组成备选路径集,然后以代价最小为优化准则,在备选路径集中采用遗传算法求解最优解·为保证算法的收敛速度快,遗传算法的交叉操作使用了相同链路保留的方法·最后,进行了仿真实验,并与其他算法做了比较·实验表明,该算法收敛速度快,可靠性高,能够满足多媒体网络对实时性的要求·尤其是在网络规模较大时,本算法可大大减小路由计算时间·     

基于改进遗传算法的自适应越区切换方案

针对列车通信在越区切换过程中切换触发率和切换成功率均较低的问题, 提出一种基于改进遗传算法的自适应联合判决切换算法. 首先, 以遗传算法为基础, 在高速特性下对切换判决过程中的相关参数进行优化, 针对列车的不同运行速度动态选择出满足快速切换需求的迟滞容限值； 其次, 引入满意通信概率（SCP), 当列车在小区之间移动时, SCP值达不到要求的将不能接入下一个小区, 以保障通信质量的优良. 仿真结果表明, 与传统切换方案相比, 该方案可实现提高切换触发率和切换成功率的目标, 具有较高的满意通信概率.     

基于改进遗传算法的自适应越区切换方案

针对列车通信在越区切换过程中切换触发率和切换成功率均较低的问题, 提出一种基于改进遗传算法的自适应联合判决切换算法. 首先, 以遗传算法为基础, 在高速特性下对切换判决过程中的相关参数进行优化, 针对列车的不同运行速度动态选择出满足快速切换需求的迟滞容限值； 其次, 引入满意通信概率（SCP), 当列车在小区之间移动时, SCP值达不到要求的将不能接入下一个小区, 以保障通信质量的优良. 仿真结果表明, 与传统切换方案相比, 该方案可实现提高切换触发率和切换成功率的目标, 具有较高的满意通信概率.     

粒子群遗传融合算法

提出一种融合粒子群算法和遗传算法改进优化算法,该算法首先采用一种自适应弹性粒子群算法,弹性地修正粒子速度的幅值,有效地避免了粒子群算法的早熟收敛问题。再与遗传算法融合,模仿自然界的个体成熟过程,对遗传算法中的每一代群体中的优秀个体,先采用自适应弹性粒子群算法获得进一步的提高。再经过提高、交叉、变异三步,获得最优解。以动态系统FCRNN的设计为例,改进算法收敛速度快,误差精度高。     

基于云自适应遗传算法的改进BP算法

针对标准BP算法对初始权值敏感、收敛速度慢、易陷入局部极小等问题,结合正态云模型云滴的随机性和稳定倾向性,以及遗传算法的全局搜索能力、收敛速度快等特性,提出了云自适应遗传改进BP算法.该算法首次将云模型和遗传算法结合调整神经网络的权值和阈值.由X条件云发生器产生改进的自适应交叉概率和变异概率.实验结果表明:云自适应遗传改进BP算法比标准BP算法收敛速度快.     

一种基于简单遗传算法的K-Means改进算法

针对k-means算法对初始值敏感、易陷入局部极小值等缺点,结合遗传算法的思想,提出了一种基于遗传算法和k-means算法的混合聚类方法,为了测试该聚类算法的性能,用k-means 算法和改进的算法进行了1组实验,并对2种算法的聚类结果进行比较,实验结果表明算法能够有效地解决聚类问题.     

基于并行量子遗传算法的QoS组播路由方法

通信网络时延受限且满足带宽要求的最小代价组播树问题是NP完全问题,传统方法难以求解,一般采用启发式方法求解.提出了一种基于并行量子遗传算法的服务质量(QoS)组播路由算法,算法中将各个子群体独立地并行进化,并通过相邻子群体间的信息交换实现克服早熟,避免局部收敛的目的,还提出了一种新的动态旋转角调整策略,使算法具有更好的种群多样性和全局寻优能力.仿真实验表明,新算法在求解性能上优于遗传算法(GA)和采用静态旋转角的量子遗传算法(QGA).     

一种改进的基于遗传算法的K均值聚类算法

结合遗传算法和K均值聚类算法的优点,提出一种改进的基于遗传算法的K均值聚类算法.将遗传算法的编码方法、初始化、适应度函数、选择、交叉和变异等较好地应用于聚类问题,不仅解决了K均值聚类算法中K值难以确定、对初始值敏感以及遗传算法存在收敛性差和容易早熟的缺点,而且实现了聚类中心的优化选择、K值的自动学习和基因的自适应变异等...     

基于分层遗传算法的BP神经网络学习算法

针对BP算法局部搜索能力强,而分层遗传算法全局搜索优势突出的特点,结合二者优势构造了一种分层遗传算法与BP算法相结合的前馈神经网络学习算法．将分层遗传算法引入到前馈神经网络权值和阈值的早期训练中,再用BP算法对前期训练所得性能较优的网络权值、阈值进行二次训练得到最终结果．仿真结果表明,该混合学习算法能够较快地收敛到全局最优解,优于BP算法、分层遗传算法,具有一定的实用价值．