一种利用遗传算法的极化定标算法

由于极化合成孔径雷达发射与接收端受通道幅相不平衡、天线串扰、电磁波传播特性和系统噪声等因素影响,造成遥感数据不能反映真实目标特性。为获取目标的准确特征信息,必须对遥感数据定标。针对利用已知分布目标散射阵的极化定标问题,提出了一种基于复数纺码的遗传算法求解具有多变量、超定、非线性方程组的极化定标。文中详细分析了遗传算法及其三种实现,并通过仿真实验证实了该算法的有效性。     

量子遗传算法及在模糊控制器参数优化中的应用

提出了一种基于实数编码的量子遗传算法。该方法用量子比特构成染色体,用量子旋转门进行染色体更新,用量子非门进行染色体变异。针对量子旋转门的旋转角方向的选择,提出了一种简易快捷的新方法。基于适应度函数的梯度信息,构造了旋转角大小的计算公式。该方法将每一量子位的两个概率幅,看作上下两个并列的基因,每条染色体包含两条并列的基因链,每条基因链代表一个优化解。在染色体数目相同时,可显著加速优化进程,提高获得全局最优解的概率。模糊控制器参数优化问题的仿真结果表明,该方法在搜索能力方面明显优于普通量子遗传算法。     

模糊供应链批量生产计划问题

描述了模糊单位生产成本、模糊生产能力以及模糊需求下的分布式多工厂供应链批量生产计划问题。根据不同的决策准则建立了模糊期望值模型和模糊相关机会约束规划模型。当模糊变量是三角模糊数时,讨论了模糊规划模型的清晰等价形式,并采用遗传算法给出了求解模型的具体步骤。最后通过一个数值例子验证了方法的有效性。     

基于遗传算法与模糊选择的多播路由优化

遗传算法在优化计算特别是在多播路由问题中得到了广泛应用,但在进行大规模优化时,遗传算法存在着爬山能力差以及不成熟收敛等缺点。为此,提出基于启发式遗传算法和模糊选择机制的新型多播树计算方法,本算法采用树型结构编码和高效的遗传操作,同时优化时延、丢包率和带宽利用率等多个参数。仿真实验表明,这种算法用于多播路由多目标优化问题时,可以克服采用遗传算法进行多目标优化的缺陷。     

基于遗传改进协调场的移动机器人避障策略

针对在动态环境下移动机器人用传统人工势场法导航所存在的缺陷,在改进传统人工势场的基础上,引入协调向量,利用子目标点构建局部势场,并通过窗口滚动刷新子目标点实现全局优化,对运动过程中可能遇到的陷阱、抖动、实时避障等问题,提出了解决方案,最后利用自适应遗传算法对参数进行的多目标优化,经过仿真,证明了该策略的可行性和有效性。     

含作业到达时间的同类机调度问题启发式算法

研究了目标函数是最小化完成时间和的同类机调度问题,其中作业到达时间可能不同.此问题被证明是强NP-hard问题.由于同类机调度是一种重要的平行机调度问题,而最小完成时间和目标是最常见的正则目标之一,因此完成时间和的同类机调度问题在相关研究领域具有非常重要的地位.为此问题建立数学模型,通过对单机和同型机的相应问题研究成果的推广,提出6个启发式算法,给出算例及其计算结果,并通过实验对算法的性能及算法适应的情形进行了分析.     

基于混合优化算法的遗传算法参数设定研究

有限计算量条件下遗传算法的理论收敛条件难以完全满足,参数选择的恰当与否直接影响到算法性能的发挥。针对这一情况,在分析现有参数设定方法的基础上,将遗传算法参数设定问题描述为随机优化问题,并提出一种解决该问题的新的混合优化算法,即基于序优化的巢分区算法。该算法将序优化思想融入巢分区算法的局部搜索过程,大大提高了局部搜索效率,而巢分区的算法框架则保证了算法的全局收敛性。以典型旅行商问题为算例的仿真结果验证了该方法的高效性与可靠性。     

EXPLORATION/EXPLOITATION TRADEOFF WITH CELL-SHIFT AND HEURISTIC CROSSOVER FOR EVOLUTIONARY ALGORITHMS

In order to tradeoff exploration/exploitation and inspired by cell genetic algorithm a cellshift crossover operator for evolutionary algorithm （EA） is proposed in this paper. The definition domain is divided into n-dimension cubic sub-domains （cell） and each individual locates at an ndimensional cube. Cell-shift crossover first exchanges the cell numbers of the crossover pair if they are in the different cells （exploration） and subsequently shift the first individual from its initial place to the other individual＇s cell place. If they are already in the same cell heuristic crossover （exploitation） is used. Cell-shift/heuristic crossover adaptively executes exploration/exploitation search with the vary of genetic diversity. The cell-shift EA has excellent performance in terms of efficiency and efficacy on ten usually used optimization benchmarks when comparing with the recent well-known FEP evolutionary algorithm.     

基于遗传算法的医药企业综合决策支持系统

综合决策支持系统(synthetic decision support system,SDSS)是决策支持系统的一个重要的分支,而遗传算法是(genetic algorithm,GA)模拟生物进化的自然选择和遗传机制的一种搜索寻优算法.本系统主要是依据现有的医药企业数据库中的数据,对其进行分析、处理,使它发挥更大的作用,为决策者提供可靠的决策支持.     

一种混合遗传禁忌搜索的模糊聚类算法

传统基于目标函数法的模糊聚类算法是一种迭代的"爬山"算法,容易陷入局部最优解.提出了基于遗传算法与禁忌搜索结合的模糊聚类算法,综合运用遗传算法的多出发点和禁忌搜索的记忆性来改善聚类的效果,并通过迭代的遗传禁忌搜索算法产生最优聚类中心,实验中分别通过人工数据和标准数据测试验证了该算法的有效性.