一种多样性保持的分布估计算法

针对传统分布估计算法中存在的早熟收敛问题,在讨论种群多样性保持方法和早熟原因的基础上,提出一种多样性保持的分布估计算法（EDA-DP）,具体措施包括：根据混沌运动具有的随机性、遍历性、初值敏感性和规律性等特点引入混沌变异算子;根据个体适应度值和种群中各个体之间的距离信息自适应调整变异半径;根据种群中的个体浓度信息生成子代种群。基准测试函数的实验结果表明,EDA-DP能够有效防止早熟收敛,在提高解的精度和加快收敛速度方面均有所改善。     

基于遗传算法的Pareto多目标配电网重构

配电网重构一般采用对单一目标优化,而配电网重构却是一个多目标优化问题。因此,在此提出了基于小生境思想的遗传算法,以配电网的经济性、安全性和供电可靠性为目标,并采用Pareto寻优方式,得出Pareto最优解集,实现了和以往不同的另一种寻优方式,即先寻优后决策。在寻优过程中,通过小生境环境和交叉率和变异率的自适应机制,提高了遗传算法的全局收敛能力和收敛速度,并通过算例验证了方法的有效性。     

基于自适应截断策略的约束多目标优化算法

为提高约束多目标优化问题所求解集的分布性和收敛性,该文提出基于自适应截断策略的约束多目标优化算法。首先,自适应截断选择策略能够保留Pareto最优解和约束违反度及目标函数值均较优的不可行解,不仅提高了种群多样性,而且能够较好地兼顾多样性和收敛性;其次,为增强算法的局部开发能力,在变异操作和交叉操作之后进行指数变异;最后,改进的拥挤密度估计方式只选择一部分Pareto最优解和距离较近的个体参与计算,不仅更加准确地反映解集的分布性,而且降低了计算量。通过在标准测试问题(CTP系列)上与其他4种优秀算法的对比结果可以得出,该算法所求解集的分布性和收敛性均得到一定提高,而且相较于对比算法在求解性能上具备一定的优势。     

基于模糊支配的高维多目标进化算法MFEA

为提高高维复杂多目标优化算法的收敛性和解集分布性,提出一种基于模糊支配的高维多目标进化算法MFEA.在第二代Pareto支配类高维多目标进化算法模型基础上,利用模糊理论对模型中的环境选择进行改进,提出基于模糊隶属度的支配关系,并结合Harmonic、k邻域法和小生境技术对其中的拥挤密度估计方法进行改进,最后根据高维多目标的特点并结合模糊理论α-截集的思想提出了新的环境选择策略.将该算法与目前性能最好的5种多目标进化算法在标准测试函数集上进行对比试验,结果表明本文算法与其他算法相比具有明显的优势,不仅提高了算法的收敛性能,而且保证了Pareto最优解的均匀分布性.     

网络异常检测中一种隶属度函数优化的新方法

对遗传算法的特性进行了研究,在其基础上引入了隔离小生境技术和自适应机制,提出一种改进算法.改进后的算法更接近于实际的进化行为.能够提高优化性能.以网络流量为数据的异常检测实验仿真表明,改进的算法比传统的遗传算法更有效,能够提高异常检测的性能.     

基于类圆映射的高维多目标可视化方法

可视化技术有利于对高维多目标优化问题求解所得的解集进行评价与分析,但是现有的高维多目标可视化方法无法有效保持解集的Pareto支配关系、前沿密度分布及形状。针对以上问题,本文提出类圆映射可视化方法.首先将多目标按相关性均匀排列在单位圆圆弧上,根据适应度函数值将解集映射为类圆空间内的一个多边形,并通过多边形的几何中心和面积对解集进行3维可视化.在此基础上对类圆支配与均衡性进行了定义,并对类圆映射下的支配关系、映射遮挡等进行了理论分析与证明.与平行坐标系、主成分分析方法和径向可视化方法相比表明,本文方法能保持解集Pareto支配关系,并能反映解集在原始空间的密度分布和形状。此外,还能有效避免解集映射点遮档.其有利于决策者进行可视化评价和选择高维多目标解集.     

基于多邻居结构的自适应元胞差分算法

针对传统多目标优化算法在求解Pareto解集时存在全局搜索能力与局部寻优能力无法得到有效平衡的问题,提出了一种基于多邻居结构的自适应元胞差分算法.该算法在保留传统元胞差分算法进化特点的基础上,使用更加丰富的多邻居结构替换原有的单一邻居结构,并且依据相应元胞个体的性能优劣来对其邻居结构进行选择分配.同时,面对进化过程中的复杂性能需求,算法定义了一种周期性变化的变异策略来实现不同进化阶段的自适应调节.最后,利用DTLZ系列测试函数对算法性能进行测试,并通过与四种经典的多目标优化算法相比较,证明了改进后的算法拥有更好的收敛性与分布性.     

多个体参与交叉的Pareto多目标遗传算法

Pareto多目标遗传算法是利用Pareto最优的概念发展出的一种求解多目标优化问题的向量优化方法,能够得到Pareto最优解集.由于采用常规的两个体参与交叉的遗传算法,使整个算法耗费在小生境(Niche)算子上的时间太多,导致算法的效率较低.本文发展出多个体参与交叉的Pareto多目标遗传算法,群体中的个体采用真实值表示,使该算法的速度大大提高,同时证明了相应的模式定理,并提出用方差和熵来分析该算法对解群多样性的影响.最后用算例说明了采用多个体参与交叉的Pareto多目标遗传算法与常规算法比较的结果,证明了本文提出算法的优越性.     

新的无线传感器网络覆盖控制算法

首先,设计了节点自适应传感半径调整算法(AASR,adaptive adjustment of sensing radius),通过节点自适应选择最佳的覆盖范围,有效地进行节点覆盖控制,减少节点能量虚耗,提高覆盖效率。其次,从调整效果、能量消耗和覆盖冗余度3个方面对节点自适应传感半径调整算法进行了模拟实验和分析。仿真结果表明,AASR能够有效提高节点生存时间,减少能量消耗,提高覆盖率。     

基于改进小生境遗传算法的微波/光混合链路中继卫星资源调度方法

针对微波/光混合链路中继卫星系统多资源约束下的多目标综合调度问题,分析了微波与激光混合链路的主要特点和影响因素,建立了混合链路资源调度多目标约束规划模型;将小生境技术引入遗传算法,并设计了基于精英保留的选择机制和自适应的交叉、变异算子,提出了一种改进的小生境遗传算法对模型进行求解。所提算法可有效避免遗传算法局部优化能力差及容易陷入局部最优等缺陷,同时能够防止最优解的丢失,解决了混合链路多资源约束下的多目标综合调度问题。仿真结果表明,相对与传统的遗传算法,本文算法在保持种群多样性和求解全局最优解方面具有优势,有效解决微波/激光混合链路中继卫星系统的多目标综合调度问题。     

基于小生境伪并行遗传算法的自主机器人路径优化

提出了一种新的遗传算法——小生境伪并行遗传算法(NPPGA)，用于对自主机器人运动路径进行优化。这种遗传算法是对小生境遗传算法和并行遗传算法的一个有效改进，该方法兼顾了对局部最优解和全局最优解的搜索，维持了群体的多样性，避免了早期收敛现象的发生；同时也增强了自然群体进化的并行性，加快了搜索进程。实验结果表明，该方法是有效可行的，通过合理选取选择、交叉、变异及小生境算子，能得到机器人路径规划最优解。     

类金刚石薄膜光学参数反演的改进遗传算法

椭偏法测试薄膜不能直接得到薄膜的光学参数,需进行数值反演算法近似求解.采用遗传算法,借鉴竞争选择、小生境和适应值调节思想,对选择算子、变异算子、交叉算子三个重要箅子进行了适当改进,改进后算法有效防止了"早熟"现象.并搜索到了全局最优,降低了操作者对拟合模型设定初值的要求.在实践上.通过3种拟合方式的结果对比,得到了可靠...     

基于TDOA和SDOA的宽带辐射源双机无源定位算法

针对双无人机无源雷达对宽带辐射源目标的直接无源定位(DPD)初始值敏感,提出一种基于小生境拓扑结构改进矢量粒子群算法(NTVIPSO)的直接无源定位算法。本文算法将直接法和间接法结合起来,依靠间接法中尺度差参数构造约束条件,利用小生境矢量粒子群求解得到精确的位置。仿真结果表明本文粒子群算法优于矢量粒子群算法和邻域拓扑结构粒子群算法。提出的存在扰动情况下尺度差约束条件下的直接无源定算法精确度低于直接法,但优于间接法;计算复杂度低于直接法,大于间接法。     

小生境概率主成分分析分布估计算法

文章在概率主成分分析分布估计算法的基础上提出了一种基于小生境的分布估计算法。将选出的最优个体集合随机划分为两部分，分别用概率主成分分析模型进行分布估计，并产生新个体。然后利用分布参数自动地调节小生境的参数，将产生的新个体融合到小生境当中。试验结果表明，该算法能够有效地防止早熟收敛，可以较大的提高算法的全局搜索效率。     

一种增强型多目标烟花爆炸优化算法

现实中多目标优化问题的多样化和复杂化要求发展新的多目标优化算法.在混合多目标进化算法设计思想和新型进化模型的启发下,提出一种增强型多目标烟花爆炸算法eMOFEOA,该算法利用均匀化与随机化相结合的方法生成均匀分布的初始种群,为算法后续搜索提供较好的起始点;对烟花爆炸半径采用精细化控制策略,即不同世代的种群具有不同的爆炸半径,而且同一种群内部因个体支配强度的差异而具有不同的爆炸半径,以节省计算资源;利用简化的k-最近邻方法维持外部档案的多样性.本文算法与另5种对等比较算法一同在12个基准多目标测试函数上进行性能比较,实验结果表明eMOFEOA算法在收敛性、多样性和稳定性上具有总体上显著的性能优势.     

基于自适应支配准则的高维多目标进化算法

基于松弛支配的高维多目标进化算法（Many-objective Evolutionary Algorithms,MaOEAs）由于能够有效地提高区分解的能力,受到广泛关注,但该类大多数算法处理不同目标的优化问题时普适性较差.针对这个问题,本文提出一种基于自适应支配准则的高维多目标进化算法（Adaptive Dominance Criterion Based Evolutionary Algorithm for Many-objective Optimization,ADCEA）.首先,自适应准则（Adaptive Dominance Criterion,ADC）根据目标空间中相邻解间的角度信息和目标数目,设计一种自适应小生境方法,并结合收敛性指标信息,实现对候选解的非支配排序.然后,为了进一步增强种群的多样性,在环境选择中引入参考向量分割种群技术;最后,构建合理的适应度函数,并根据适应度值大小选取收敛性和多样性较好的非支配解集.实验证明,本文所提的方法在处理不同目标的优化问题时普适性提高,并在平衡种群的收敛性和多样性上取得显著效果.     

高斯光束整形非球面透镜的粒子群优化设计方法

提出了一种设计激光光束整形系统的新方法粒子群优化算法。根据能量守恒定律,推导出光束整形系统中任意光线与入射面和出射面交点坐标之间的变换关系,并把用此变换关系得到的光线与出射面的交点坐标作为目标值。把追迹光线在输出面上的交点坐标与目标值差的绝对值作为光束整形系统的能量分布变换评价函数,把出射光线方向矢量的y分量绝对值作为准直评价函数,并将能量分布变换评价函数与准直评价函数的和作为光束整形变换系统的总评价函数,依此函数作为粒子群算法中的适应度函数,对适应度函数进行极小值操作,便可得到了一个既能把光强高斯分布转换为光强均匀分布,又能近似实现光束重新准直的非球面整形透镜系统。用这种方法设计了一个单非球面凹平透镜,可以把光强高斯分布、光斑半径30 mm的红光激光光束整形为光强均匀分布、光斑半径为36 mm的平顶光束,且准直出射。证明这种设计方法简单有效。     

实测大气模型下雷达定位公式的解析式兼论有效地球半径

实测大气模型,只能用多个线性成层大气模型的总和来代表。据此导出了实测大气模型下,目标视在距离的精确解析求和式。从而当初始视在仰角为零时,可得到目标视在距离的精确解。该文指出,使用中值近似是获取大气折射精确解的一种途径,而且通过积分中值近似可导出有效地球半径。对有效地球半径的推导方法和应用进行了讨论。     

A network security situation prediction model based on wavelet neural network with optimized parameters

The security incidents ion networks are sudden and uncertain, it is very hard to precisely predict the network security situation by traditional methods. In order to improve the prediction accuracy of the network security situation, we build a network security situation prediction model based on Wavelet Neural Network (WNN) with optimized parameters by the Improved Niche Genetic Algorithm (INGA). The proposed model adopts WNN which has strong nonlinear ability and fault-tolerance performance. Also, the parameters for WNN are optimized through the adaptive genetic algorithm (GA) so that WNN searches more effectively. Considering the problem that the adaptive GA converges slowly and easily turns to the premature problem, we introduce a novel niche technology with a dynamic fuzzy clustering and elimination mechanism to solve the premature convergence of the GA. Our final simulation results show that the proposed INGA-WNN prediction model is more reliable and effective, and it achieves faster convergence-speed and higher prediction accuracy than the Genetic Algorithm-Wavelet Neural Network (GA-WNN), Genetic Algorithm-Back Propagation Neural Network (GA-BPNN) and WNN.     

一种基于免疫的抗体优化策略及应用

受自然免疫系统相关机理的启发,本文提出了一种引入进化梯度的免疫遗传算法(EG-IGA)并应用于抗体的优化。该算法基本思想是将生成的多样性抗体,分成若干个小生境,并排挤掉同一个小生境中的较差抗体,保留优良抗体;然后执行GA交叉、变异等操作:再利用进化梯度为优良抗体标记进化方向,按标记的进化方向继续局部寻优,以较快的速度寻找最优的抗体种群。最后将EG-IGA算法和NGA算法分别运用在同一个多峰值函数上,实验结果表明,本文所提出的EG-IGA算法具有提高解的精度及收敛速度、找到更多最优解等特点。