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.     

改进双链量子遗传算法及其应用

针对目前传统双链量子遗传算法存在搜索速度慢、搜索精度低、保持种群多样性差、易出现早熟收敛等问题,本文提出一种新的改进的双链量子遗传算法.该算法引入自适应步长系数,使步长随目标函数在搜索点处梯度的变化而变化;在染色体种群更新过程中采用Hε门;提出π/3门进行染色体的变异.通过7个典型函数的优化问题,并与已有几种算法进行比较,验证了该算法的有效性.     

一种改进的量子遗传算法

针对量子遗传算法存在储存量大和易陷入局部最优解等问题,提出一种新的量子遗传算法。该算法采用角度编码方式表示染色体从而减少编码的存储空间;引入小区间方法初始化量子种群, 使量子染色体均匀分布于初值空间;利用改进的旋转门对种群进行更新操作;采用动态的量子步长调整策略实现自适应搜索;引入量子交叉和量子变异操作防止早熟问题。通过典型的多峰值函数优化实验表明该算法具有收敛速度快、全局寻优能力强和计算时间短的特点,可以用于多峰值函数优化问题。     

一种改进的自适应遗传算法

针对传统遗传算法存在的 "早熟"以及在后期搜索效率低的问题,分析了目前常见的几种种群早熟程度的评价指标,提出了一种新的种群"早熟"程度评价指标,并据此实现了一种改进的自适应遗传法算法.仿真结果表明,该算法不仅能加快遗传算法收敛速度,而且还能增强算法的稳定性.     

利用基因重组策略改进遗传算法

为了克服标准遗传算法的早熟现象，提高遗传算法的全局收敛性，提出了一种基于基因重组策略的遗传算法。该算法定义了一种新的交叉算子，即移位逻辑交叉算子(包括蝶形移位交叉算子和洗牌移位交叉算子)，用它们对染色体的部分基因实现有规律的交叉重组。实验结果表明，该算法比经典的遗传算法具有更好的收敛性和稳定性。     

基于细分变异算子策略的遗传算法

针对基本遗传算法局部搜索能力不强以及早熟的问题,提出基于细分变异算子的遗传算法(Genetic Algorithm Based on Subdividing Mutation,SMSGA).SMSGA将变异算子依据进化历程分成大步前进算子和最优调教算子.大步前进算子防止遗传早熟现象的发生;最优调教算子加强局部搜索的能力.同时,为加快算法收敛速度,对遗传操作实施策略进行优化,引入了路由选择操作.选用3个典型的测试函数在MATLAB平台中对该算法与基本遗传算法以及采用双变异率的改进遗传算法进行比较分析,结果表明,SMSGA可以有效的避免遗传算法中存在的局部搜索能力差和早熟现象的出现.     

加入局部搜索的非劣分层多目标遗传算法

针对非劣分层多目标遗传(NSGA)本身所存在的局部搜索能力和易早熟的问题,鉴于模拟退火算法的局部搜索能力强和在解决易早熟问题上的优势,提出了加入局部搜索的多目标遗传算法及适用于多目标优化的模拟退火局部搜索算法和跳转准则,即在NSGA的每一代个体中的1层、2层非劣解附近进行模拟退火局部搜索.该算法能够提高非劣分层多目标遗传算法的效率,弥补了遗传算法中局部搜索能力差、易早熟的缺点.最后给出的仿真结果表明了这种算法的有效性.     

一种量子模拟退火算法

为扩展量子智能算法的研究领域,根据模拟退火算法的思想,提出量子模拟退火算法(QSA).定义了量子染色体相位邻域空间,缩小了算法搜索范围;引入信息熵的概念,避免了搜索的盲目性;给出一个量子的旋转角增量的表达式,简化了计算过程;采用Boltzmann概率分布原则接受新解,提高了算法的搜索性能;同时增加了量子变异操作和量子随机行为,可以防止算法早熟现象.研究结果表明:该算法具有较强的全局收敛性和搜索能力.     

基于宗族进行裂变选择的自适应遗传算法

提出了一种改进的自适应遗传算法,在选择算子中引入裂变选择的思想,避免种群中超级个体的出现,维持了种群的多样性。该算法改造了交叉算子和变异算子,提高了算法的收敛速度,避免早熟。同时,提出了在宗族中构造子代种群的思想,提高了算法的寻优效率。仿真函数优化的结果验证了该算法能有效地维持种群的多样性并迅速找到最优解。     

量子混合蛙跳算法求解连续空间优化问题

基于量子理论提出一种量子混合蛙跳算法, 该算法采用量子位的Bloch球面坐标编码个体, 利用量子位在Bloch球面上绕轴旋转的方法更新个体, 通过自适应混沌旋转角度算子提高子群内部局部搜索能力, 采用Hadamard门实现个体变异避免早熟, 有效扩展了解空间的搜索范围. 实验结果表明, 该方法优于普通的混合蛙跳算法、 粒子群算法和遗传算法, 具有较高的优化能力和效率, 更适合高维复杂函数的优化.     

一种改善遗传算法早熟现象的方法

讨论了遗传算法(GA)中遗传算子对于改善群体整体品质实现群体进化的作用以及遗传算法中早熟现象的成因．通过动态调整遗传算法中的交叉概率和变异概率引入自适应算子，并与局部退化算子相结合来抑制早熟现象．最后给出了算例，说明该方法对于改善遗传算法中早熟现象以及提高算法效率有良好的作用．     

基于网格和排序的自适应遗传算法及其性能分析

提出了一种改进的自适应遗传算法.它使网格法思想在二进制编码表示个体的情况下得以实现，因此保证了初始种群内个体的遍历性和多样性；其遗传算子由个体在种群中的排序位置自适应地决定.该算法能维持种群内个体在各个运行阶段多样性，加快种群收敛速度，克服遗传算法早熟现象.几种典型的多峰函数优化结果证明该算法的有效性和实用性.     

基于纯数值函数优化的一种混合遗传算法

通过引入与进化代数相关的交叉概率和与个体适应度相关的变异概率的自适应遗传算子同时把Powell局部寻优算法融入遗传算法的搜索过程构成了一种数值函数全局寻优的混合遗传算法.实验表明混合遗传算法改善了遗传算法的局部搜索能力,有效地解决了遗传算法的早熟现象,显著提高了遗传算法求得全局解的概率.同时由于混合遗传算法中只利用函数值信息,所以该混合遗传算法是纯数值函数的优化的一种通用方法.     

一种应用于图着色问题的新型混合遗传算法

将遗传算法与模拟退火方法和禁忌搜索方法结合,提出了应用于图着色的混合遗传算法.在混合方法中,模拟退火算法用于局部寻优,提高算法的收敛速度,同时防止早熟收敛;禁忌搜索算法通过记忆能力防止进化过程出现循环来提高全局寻优能力.用遗传算法进行全局搜索,并与贪婪遗传算法和Dsatur算法进行了比较,结果表明,混合遗传算法的寻优质量优于对照算法.这种改进的混合遗传算法可以在稠密图上获得更好的寻优效率,在稀疏图上其效率则略有下降,这表明设计的改进混合遗传算法的合理性和有效性.     

优化搜索空间划分的遗传算法的研究与实现

针对遗传算法中早熟收敛和容易陷入局部收敛的问题,提出优化搜索空间、遗传算法算子的一些改进策略,即利用搜索空间划分实现优良等位基因单元稳定遗传到下一代中,利用禁忌域和有效域快速提高算法的实现性能.改进的算法能有效减少搜索空间、避免算法早熟,使得算法的全局搜索能力和局部搜索能力比其他遗传算法均得到了较大的提高.函数求最优解和服装设计算法的实现,证明了改进算法的平均收敛速度和收敛到最优解的效率都优于其他遗传算法,实验验证了所提出的算法思想的可行性和有效性.     

基于改进量子遗传算法的小波神经网络优化及其软测量应用

针对简单量子遗传算法在优化高维问题寻优速度慢、收敛率低的缺陷,提出一种改进的量子遗传算法,通过搜索各种群中最优染色体组成当前最优个体,并依此个体来确定量子门的全局最优搜索方向.将改进算法用于优化小波神经网络,藉此建立了4-CBA浓度的软测量模型.仿真结果表明:与简单量子遗传算法相比,改进算法对复杂优化问题具有全局快速寻优性能.     

基于改进CGA的配电网重构

针对遗传算法易早熟收敛和易产生大量不可行解的问题,提出了一种基于改进的克隆遗传算法(CGA)的配电网重构方法.该方法对克隆遗传算法进行了3点改进:通过简化网络结构,缩短了算法中染色体的长度;采用基于环路的编码方式,避免了产生大量不可行解;改进克隆遗传算法的选择算子、基因移位和突变操作,克服了早熟收敛的问题,提高了算法的收敛速度.本文以网损最小为优化目标对算例进行了重构,同时与基于遗传算法及粒子群算法的配电网重构进行了比较,算例结果表明:改进的CGA具有较高的寻优性能,应用于配电网中可以起到减小网损的作用.     

一种抑制早熟收敛的改进遗传算法

遗传算法在许多优化问题中都有成功的应用,但其本身也存在一些不足.针对遗传算法的早熟收敛问题,本文在分析基本遗传算法的遗传算子和控制参数的基础之上提出一种改进算法.改进的遗传算法采用了实数编码、算术交叉算子、非均匀变异算子,并对控制参数进行了较合理地选取.改进遗传算法前期能均匀地搜索解空间,后期能对局部进行越来越细微的搜索,并使个体可以进入最优点的吸引域,在一定选择条件的作用下,算法后期可使群体逐渐集中到最优点的吸引域内,从而防止了遗传算法的过早收敛.理论和实例分析均表明,改进后的遗传算法在一些性能上明显优于基本遗传算法,较好地避免了遗传算法的早熟收敛,提高了遗传算法的进化效率,具有良好的有效性和可行性.     

用单亲遗传算法解决影片递送问题

遗传算法(简称GA)是基于生物进化原理的普适性全局优化算法，是解决NP难问题的一种行之有效的方法．但是，序号编码的遗传算法不能在任意两条染色体的任意位置进行交叉，必须使用PMX，CX和OX等特殊的交叉算子，这些算子实施起来都很麻烦且效率不高．针对这一问题，采用单亲遗传算法，取消交叉操作，强化变异作用．这样既简化了遗传操作，又克服了早熟现象．较成功的解决了影片递送问题，文中的算例表明，该算法是实际有效的．     

基于改进遗传算法的智能组卷模型优化

建立了一种多目标优化的数学模型,并针对标准遗传算法易早熟收敛和进化缓慢的特点,提出了一种改进的组卷遗传算法对模型进行求解.该算法在编码策略、基因修正和算子概率3个方面对标准遗传算法进行了改进.实例分析及仿真验证表明:提出的建模方法将组卷成功率提高到100％,算法运行时间降低到300ms以内,总体上极大地提高了智能组卷任务的执行效率,并能够定量地评估和控制组卷质量.