一种变步长双链量子遗传算法

为了克服基于实数编码和目标函数梯度信息的双链量子遗传算法存在收敛速度慢和鲁棒性较差的缺点,提出了一种自适应变步长双链量子遗传算法。建立了反映目标适应度函数变化率的数学模型;构造了反映当前搜索点处适应度相对变化率的变步长系数k,通过调整k以改善适应度函数相对变化率从而优化解的搜索过程;提出了在迭代过程中的量子旋转门转角[Δθ]更新策略。针对复杂连续函数的优化问题,设计了算法的具体实施步骤,并对典型复杂函数进行了仿真。结果表明,该算法有效地改善了双链量子遗传算法的鲁棒性,加快了算法收敛速度。     

基于可进化性的自适应遗传算法

针对传统遗传算法容易陷入局部最优解的问题,提出一个基于可进化性的自适应遗传算法。将个体可进化性作为适应度函数的参数加入到随进化代数动态调整的非线性适应度函数中,动态调整整个种群的交叉与变异概率以逸出局部最优。实验结果表明,该算法可改善适应度不高但具有较好进化能力个体的生存概率,且提高了种群多样性与搜索效率。     

基于遗传算法的蛋白质质谱数据特征选择

针对蛋白质质谱数据在降维、分类及生物标记物识别过程中存在的问题,提出一种基于遗传算法的特征选择方法,介绍几种常用的相关策略,包括基于排列和精英保留的随机通用采样选择策略和基于自适应变肄率的均匀变异策略,给出2个适应度函数——封装器函数与多变元筛选器函数,将它们引入遗传算法中,并进行性能测试与比较。实验结果表明,基于封装器的遗传算法性能优于其他特征选择算法,而基于多变元筛选器的遗传算法性能优于单变元筛选器算法。     

遗传算法的粗糙集理论在文本降维上的应用

遗传算法作为一种有效的全局并行优化搜索工具,早被众多应用领域所接受。根据问题提出了相应的适应度函数,针对遗传算法和粗糙集理论两种方法各自的特点,将两种算法适当结合。还把结合后的方法和单一的粗糙集算法在文本分类效果上进行了对比。实验结果表明将遗传算法和粗糙集理论相结合的优化方法来应用到特征提取中,比单一的粗糙集算法,具有更好的降维效果,使得降维后的特征词更有利于文本数据的分类,大大优化了文本分类的效果。     

改进的自适应遗传算法在函数优化中的应用*

针对传统遗传算法在复杂函数优化的寻优搜索中容易陷入局部极值,搜索效率低,不稳定等特点,提出一种改进的自适应遗传算法,该算法的思想是根据进化中种群适应度的集中分散的程度非线性地自适应调节遗传进化的运算流程和交叉概率Pc、变异概率Pm的值,从而能更好地产生新的个体摆脱局部极值搜索到全局最优解,并采取最优保存策略来保证改进的自适应遗传算法的收敛性。仿真实验结果表明,与现存其他算法相比,改进的自适应遗传算法在全局寻优的收敛速度、最优解、求解精度、和稳定性等方面都有了较大的改进和提高。     

基于自适应遗传算法函数优化与仿真

研究模式识别函数优化问题,遗传算法在人工智能中起重要的作用,但遗传算法的性能深受算法参数的影响.为提高全局性寻优和提高算法的搜索性能,避免算法在寻优搜索中陷入局部极值,研究了遗传算法和自遗传算法算子的工作机理,认为Pc和Pm的大小是和个体的适应度有联系的,算法在运行过程中始终要保护适应度高的个体.提出了一种新的自适应遗传算法用于函数优化中,对三个常用的标准测试函数进行了优化,并将其测试结果与简单遗传算法的进行仿真比较,仿真结果表明自适应机制确实提高了算法的搜索性能,取得了较好效果.     

一种基于改进小生境遗传算法的图像分割方法

利用经典的Otsu算法和基本遗传算法相结合进行图像分割存在有算法效率低、容易提前形成伪解的问题,对于上述问题,提出一种基于改进小生境遗传算法的图像分割算法(IVNGAMS)。算法全局优化了二维Otsu图像分割函数,可以按照个体适应度大小自动控制遗传参数。并通过引入模拟退火算法,进一步提升算法的局部搜索能力。实验结果表明,改进的图像分割方法能更好提升算法的全局搜索能力,能够更加稳定快速的收敛到最佳的分割阈值,并且得到了更好的图像分割效果。     

一种新的自适应量子遗传算法

现有基于 Bloch 球面坐标的量子进化算法存在收敛速度慢和鲁棒性不稳定的问题。为此,提出基于斐波那契特性更新的自适应量子遗传算法。在最优解的搜索过程中,考虑目标函数在搜索点的变化率,建立自适应因子λ,反映搜索点处目标适应度值相对于相邻两代最佳目标函数值一阶差分的变化,调整λ以改善算法收敛的方向和速度。分析量子旋转门转角步长调整策略,建立基于斐波那契数列特性的转角步长函数Δφ和Δθ的更新规则。应用该算法求解多维复杂函数的极值优化问题,时间复杂度理论分析和仿真结果证明,该算法在收敛速度、效率和稳定鲁棒性等方面均有明显改善。     

基于梯度优化的自适应小生境遗传算法

针对基本遗传算法全局搜索能力差和收敛速度慢,且在求解多峰函数时仅能得到部分最优解的缺点,提出一种基于梯度优化的自适应小生境算法。该算法利用当前种群适应度和种群代数来设计交叉算子和变异算子,有效地保持了种群的多样性,改善全局搜索能力,加快了收敛速度,应用改进的梯度优化算子保证进化向最优解方向靠近,提高了计算峰值的精确度。对Shubert函数的仿真试验证明,该算法能改善全局搜索能力,加快算法收敛速度并提高计算精度。     

改进光学优化算法及其在函数优化中的应用

光学优化算法是一种新型优化算法,源自物理学中的光学原理。针对基本光学优化算法中适应度函数随进化过程恒定不变导致算法搜索能力差、精度低等不足之处,结合遗传算法中自适应度的改进方法,提出一种可随进化代数动态调整的非线性适应度函数,改进了光学优化算法的适应度函数。通过一系列典型的基准函数测试了改进算法的性能,实验结果验证了改进算法的可行性与有效性。     

一种用于H.264的快速运动估计算法

在H.264的多宏块运动估计中,全搜索虽然能得到最佳的匹配,但在计算上却很繁琐,无法达到实时的要求。针对该特点论文给出一种快速运动估计算法,利用自适应的代价门限快速选择适当的帧间模式。实验表明,在编码性能损失较小的情况下,该算法与全搜索方式比较大大减少了搜索的运算量。     

基于均匀设计的并行变异遗传算法

针对标准遗传算法易陷入局部最优和局部搜索能力差的缺陷,提出一种基于完全均匀设计的并行变异遗传算法(U D-PMGA)。首先用完全均匀设计方法获得多样性良好的初始种群,之后提出两种改进的锦标赛选择机制,一种改进方法取适应度较高的50%个体覆盖整个群体,另一种改进是用适应度较高且各自不同的50%个体覆盖整个群体。把适应度相近且空间距离较远的两个个体作为交叉对象以提高交叉操作的搜索效率。最后用自适应变异比例和自适应变异步长相结合的并行变异搜索策略提高算法的收敛速度和搜索精度。通过测试函数仿真,并与其它算法比较,验证了UD-PMGA算法的有效性与先进性。     

一种多模态优化的小生境遗传算法

针对目前多模态优化存在无法找到全部局部极值解的问题,提出了一种改进的小生境遗传算法．该算法在基于淘汰相似机制的小生境遗传算法中引入了预选择机制,并对自适应交叉概率算子和变异概率算子进行了改进,根据群体适应度值的大小来动态调整个体的交叉概率和变异概率大小,并将该算法用于Shubert函数的求解,实验结果表明该方法较之前的小生境遗传算法能够有效的搜寻出全部局部极值,并具有较快的搜索速度．同时,该方法在其他的多峰函数求解上具有通用性．     

Genetic search: analysis using fitness moments

Genetic algorithms (GAs) are efficient and robust search methods that are being employed in a plethora of applications with extremely large search spaces. The directed search mechanism employed in GAs performs a simultaneous and balanced exploration of new regions in the search space and exploitation of already-discovered regions. This paper introduces the notion of fitness moments for analyzing the working of GAs. We show that the fitness moments in any generation may be predicted from those of the initial population. Since a knowledge of the fitness moments allows us to estimate the fitness distribution of strings, this approach provides for a method of characterizing the dynamics of GAs. In particular, the average fitness and fitness variance of the population in any generation may be predicted. We introduce the technique of fitness-based disruption of solutions for improving the performance of GAs. Using fitness moments, we demonstrate the advantages of using fitness-based disruption. We also present experimental results comparing the performance of a standard GA and two other GAs (the controlled disruption GA and the adaptive GA) that incorporate the principle of fitness-based disruption. The experimental evidence clearly demonstrates the power of fitness-based disruption     

A Model of Co-evolutionary Design

Computational evolution provides a mechanism for searching a space of potential solutions according to a specified fitness function. In design, the search for potential solutions is often interleaved with changes in the specifications of the solution. We have developed a model of design that uses a co-evolutionary process. Specifically, design is modelled as a parallel search for both design requirements and design solutions. Further, we have developed a co-evolutionary process in which the interaction between requirements and solution redefine the current fitness function. The concepts of fitness and convergence in computational evolution do not necessarily have the same meanings in a co-evolutionary process in which the fitness function changes. An additional consideration not present in compu-tational evolution is the interaction between the parallel search spaces. We demonstrate how the design model can be implemented for structural system layout.     

Facilities layout design by genetic algorithms

Genetic algorithms (GAs) are a class of adaptive search techniques which have gained popularity in optimisation. In particular they have successfully been applied to NP hard problems such as those resulted in mathematical modelling of facilities design problems. The typical steps required to implement GAs are: encoding of feasible solutions into chromosomes using a representation method, evaluation of fitness function, setting of GAs parameters, selection strategy, genetic operators, and criteria to terminate the process. This paper reports on finding of a research in design of a GA solving the quadratic assignment formulation of equal and unequal-sized facilities layout problems. Comparison is made with solutions of several test problems reported in the literature.     

Surrogate modeling based on an adaptive network and granular computing

Reducing the number of evaluations of expensive fitness functions is one of the main concerns in evolutionary algorithms, especially when working with instances of contemporary engineering problems. As an alternative to this efficiency constraint, surrogate-based methods are grounded in the construction of approximate models that estimate the solutions’ fitness by modeling the relationships between solution variables and their performance. This paper proposes a methodology based on granular computing for the construction of surrogate models for evolutionary algorithms. Under the proposed method, granules are associated with representative solutions of the problem under analysis. New solutions are evaluated with the expensive (original) fitness function only if they are not already covered by an existing granule. The parameters defining granules are periodically adapted as the search goes on using a neuro-fuzzy network that does not only reduce the number of fitness function evaluations, but also provides better convergence capabilities. The proposed method is evaluated on classical benchmark functions and on a recent benchmark created to test large-scale optimization models. Our results show that the proposed method considerably reduces the actual number of fitness function evaluations without significantly degrading the quality of solutions.     

基于种群熵的改进型遗传算法

本文针对遗传算法具有早熟或局部收敛的缺点,根据种群熵S的实际意义,设计了一种可按照当前种群熵S的大小自动切换适应度函数的自适应适应度函数。对基本遗传算法,分别采用指数适应度函数,反比例适应度函数和本文定义的自适应适应度函数,在三种常用检测函数上进行实验,结果表明采用自适应适应度函数的基本遗传算法继承了指数适应度函数和反比例适应度函数的优点,既有强劲的收敛能力,又能保持种群多样性,可以更好更快更精确地收敛到问题的最优解。     

H.264中运动搜索的自适应提前退出算法

在视频编码标准H.264中,运动搜索是占用编码时间最多的模块。为降低其运算量,基于4×4整数变换,在运动搜索算法中引入全零块判决机制,通过在整像素和1/2像素运动搜索过程中分别定义自适应的门限值来提前中止最匹配运动矢量的搜索。仿真结果表明,在编码性能损失很小的情况下,该算法可以大大降低运动搜索的复杂度。     

一种基于H.264的可变块快速运动估计算法

H.264是最新的视频编码标准,它相对于以前的视频编码标准在编码效率上有了巨大的提高。高编码效率得益于采用了一系列新的编码技术,这也导致了较高的计算复杂度。H.264运用了可变块运动估计方法,这也是H.264编码过程中最耗时的模块。提出了一种基于H.264的可变块快速运动估计算法。该算法基于以下3种策略:静止块的预测、非静止块的预测搜索和合并过程中的自适应精细搜索。试验结果证明,该算法能够将计算复杂度降低到快速全搜索运动估计算法的3%,而PSNR和码率几乎与快速全搜索算法得到的结果相当。