免疫遗传算法及其应用研究

遗传算法是一种导向随机搜索算法,具有较强的全局搜索能力.为克服遗传算法盲目搜索、收敛速度慢的缺点,文章提出了免疫遗传混合算法.利用求解问题特征对遗传算法的种群进行免疫接种,以提高搜索速度.为检验混合算法的效率,给出了经典TSP问题的混合算法.实验结果表明,混合算法具有收敛速度快、搜索精度高、稳健性强的特点.     

基于TSP问题的混合遗传算法研究

文章在介绍遗传算法和混合遗传算法思想的理论基础上,分析了遗传算法的主要优缺点和改进算法的有效性原则,利用模拟退火算法的局部寻优能力提出了一种改进的遗传模拟退火算法。结合两者的优点,对其中的选择、交叉和变异操作进行了改进,并将其运用到TSP问题的求解之中。同时,给出了算法的具体实现过程,并进行了仿真实验,证明了混合算法的有效性。     

基于遗传模拟退火算法的DNA多序列比对研究

针对生物信息学中DNA多序列比对问题,提出了一种基于遗传算法和模拟退火算法相结合的求解算法:在遗传模拟退火算法中,利用模拟退火算法针对遗传算子进行改进来提高算法的效率,由遗传算法进行全局搜索,模拟退火算法用于局部寻优,防止遗传算法的早熟收敛。通过与经典比对算法ClustalX和经典遗传算法进行比对研究,结果表明该算法是有效的。     

改进的遗传模拟退火算法优化光组播网络编码

网络编码可以提高WDM光网络有限数目波长转换器的利用率,但是网络编码操作将增加光域运算开销、复杂度和缓存需求。为了达到光组播容量条件下尽可能减少网络编码的次数,结合遗传算法和基于模拟退火的个体接受策略,提出一种改进的遗传模拟退火算法(GSAA)。算法通过设计一个既能满足最大组播吞吐量又考虑波长连续性约束路由的算法适应度函数实现网络编码次数减少;为保证种群空间中部分染色体可行性,算法在初始种群中加入一部分可行人工染色体;为了提高算法的局部搜索能力和收敛速度,算法在迭代过程中设计了一个局部搜索过程和自适应变异操作。仿真结果表明:改进的GSAA在收敛速度、网络编码次数等方面优于其它遗传算法。     

改进的混合粒子群算法

为了能够有效避免搜索过程陷入局部最优,从而增强全局搜索能力,提出一种基于模拟退火的粒子群算法.算法中引入遗传算法中常用的轮盘赌选择算子,能在早期抑制部分超级粒子对种群的控制,增加了群体的多样性.通过测试函数的比较表明,混合算法能很好地保持种群多样性,具有良好的计算精度和全局寻优能力.     

超磁致伸缩执行器磁滞模型的参数辨识

准确辨识磁滞模型参数是保证超磁致伸缩执行器位移控制精度的关键,而单一算法难以实现对超磁致非线性模型参数的精确辨识。该文提出了一种新型混合优化策略,即改进的遗传退火算法,并将其应用于对超磁致伸缩执行器位移磁滞模型参数的辨识。该算法兼顾了遗传算法和模拟退火算法的优点,同时还引入了机器学习原理,将模拟退火算法作为遗传算法中的种群变异算子,并将模拟退火算法中的抽样过程与遗传算法相结合。此算法不仅充分发挥了遗传算法并行搜索能力强的特点,且增强和改进了遗传算法的进化能力,同时提高了系统的收敛性和收敛速度,避免最优解的丢失。通过仿真和试验研究表明,该算法相对于遗传算法有更高的精度,可有效精确辨识超磁致伸缩执行器磁滞模型的参数。     

遗传模拟退火算法在玻璃和晶体色散方程参量反演中的应用

根据已测K9玻璃和晶体(ZnS,MgF2,Calcite)的实验数据,将遗传模拟退火算法应用于修正的Sellimeier方程的参数反演中,建立了上述材料的色散方程。同时比较了遗传模拟退火算法和遗传算法(包括标准遗传算法和多种群遗传算法)在迭代搜索性能方面的差异。结果表明:遗传模拟退火算法的优化效果最优并且性能最稳定。同时,将通过遗传模拟退火算法所得K9玻璃和晶体在某一光谱区域的色散方程应用于其他光谱区域中,发现色散方程的拟合值与实验值符合较好,这表明通过该方法所得色散方程具有较好的外推性。因此,通过遗传模拟退火算法进行色散方程的参量反演方法可以用于其他材料色散方程的拟合。     

基于遗传/模拟退火算法的蒸发波导反演研究

在实现雷达海杂波反演蒸发波导剖面的寻优运算中,应用遗传算法时把握全局的能力较强,但局部搜索能力较差,易出现早熟收敛现象;应用模拟退火算法时具有较强的局部搜索能力,但全局搜索能力较差,运算效率不高.针对此问题,将两种算法进行了融合,并分析了遗传/模拟退火混合算法的参数选取及抗噪性能.利用模拟海杂波功率进行了仿真试验,结果表明:遗传/模拟退火混合算法能够互相取长补短,适用于一定噪声干扰范围内解决反演蒸发波导剖面的问题.     

基于改进的遗传-模拟退火的有序任务调度算法

分析了基于任务复制的典型算法，提出了基于任务复制的改进的遗传一模拟退火的有序任务调度算法。在改进的遗传算法中利用模拟退火的方法可以缓解遗传算法的选择压力．增强了遗传算法的全局收敛性．避免了在搜索过程中陷入局部最优。     

混合并行遗传算法求解TSP问题

该文应用多种群遗传并行进化的思想,对不同种群基于不同的遗传策略,如变异概率,不同的变异算子等来搜索变量空间,并利用种群间迁移算子来进行遗传信息交流,以解决经典遗传算法的收敛到局部最优值问题,对于TSP(Traveling Salesman Problem)进行了求解,仿真结果表明,该文算法的收敛性能优于经典遗传算法。