马铃薯专家系统中基于遗传算法的知识发现的研究

主要讨论了从数据库中发现有用的知识建造专家系统,利用遗传算法构建知识发现子系统,以解决在处理复杂数据时的仿真丢失问题。结合项目实际设计了系统的结构和工作流程,并对实现系统的关键技术进行探讨和构想,以此提高求解问题的效率,增强系统在实际应用中的适用性。实现了遗传算法在马铃薯专家系统建立过程中的应用。     

遗传算法进化中积木块的识别和利用研究

提出了一种基于积木块识别的遗传算法，该算法通过对进化过程中的候选积木块进行识别与利用来加速搜索，从而避免遗传算法随机搜索的盲目性．利用经典的对称旅行商问题求解过程来测试各种识别方法，再利用积木块的识别结果改进原有遗传算法，包括改进积木块的识别率以及基于积木块的交叉、变异算子．与基本遗传算法的计算结果对比分析表明，所提算法可显著提高遗传算法的搜索效率，减小遗传算法随机搜索的波动性．     

混沌变步长量子遗传算法

针对多数量子遗传算法在搜索解时没有充分利用搜索过程中的先验知识的问题,结合混沌运动的遍历性和量子遗传算法的群体搜索性,提出一种基于混沌变尺度梯度下降的量子遗传算法.算法采用梯度下降法对量子遗传操作获得的优良个体进行局部搜索,引导种群的进化.结合混沌优化策略产生自适应步长,在搜索初期加快寻优速度,随着搜索逐渐接近最优点,混沌产生的小步长实现在最优解所在的小范围内进行精确搜索.实验结果表明,该方法的综合性能优于传统的量子遗传算法及遗传算法.     

免疫遗传算法学习贝叶斯网等价类

针对遗传算法学习贝叶斯网存在的问题, 提出一种基于骨架搜索的免疫遗传算法学习贝叶斯网等价类, 该方法综合了基于约束和打分搜索的方法, 可以在遗传过程中避免产生非法结构, 并从骨架空间映射到等价类空间进行搜索. 实验数据表明, 免疫算子的使用可有效缩小搜索空间规模, 加快收敛速度, 提高执行效率.     

基于改进遗传算法的自动化制造单元调度

研究了一类带时间窗口的自动化制造单元调度问题。为了克服基本遗传算法求解此类问题容易陷入局部最优这一缺陷,在设计改进遗传算法时,采用基于循环序列的编码排列方式,并配合使用两点交叉操作,以增强进化过程中种群的多样性。采用启发式目标函数以引导种群向有利方向进化。针对进化过程中产生的大量不可行解,提出了具有联动修复机制的修复策略,根据修复过程自适应搜索待修复目标片段,同时引入禁忌表记录各基因的移动方向以避免迂回搜索,从而保证算法的搜索效率和求解质量。最后,使用文献中的8个基准案例进行算法测试,测试结果验证了本文提出的改进遗传算法的有效性。     

基于复合式遗传算法的电机排产优化

为了解决电机的排产优化问题,提出了一种复合式遗传算法进行求解.首先,采用Palmer法产生一个初始解,同时随机产生其他个体来共同组成初始种群;其次,采用子种群分类交叉和种群整体替换策略进行交叉和替换操作;最后,利用Metropolis准则控制变异操作,得到新的种群.整个迭代进化过程采用模拟退火算法的控温准则进行控制,以此寻求最优解.对L公司的生产数据及其订单进行测试,试验结果表明:复合式遗传算法相比传统的遗传算法,能在一定程度上优化排产顺序,提高生产效率;而相比较新改进的遗传算法,其搜索速度更快,算法性能更优.     

混合遗传算法求解多中心联合配送路径问题

针对传统遗传算法在求解多中心车辆路径问题时存在:传统编解码方式引起的染色体长度不固定导致计算效率低下和易产生不可行解;扰动过程中双亲遗传算子计算效率较低;难以平衡不同进化时期种群中精英比例与种群多样性间、搜索深度与搜索广度间的关系等问题,本文设计一种混合遗传算法,在编解码方式上将配送网络信息分开表达,提高计算效率;在选择操作上引入平衡精英比例与种群多样性的控制参数;此外,还提出一种自适应搜索范围策略,以有效平衡搜索深度与搜索广度间的关系.通过实验例证和对比分析,验证了算法的有效性.研究成果为求解多中心联合配送车辆路径问题提供一种新思路,也可为相关的物流配送决策提供指导.     

基于遗传算法的模糊关系确定方法及仿真

模糊系统的模糊推理方法常依赖于一系列由主观决定的参数,如模糊隶属函数、模糊关系矩阵等．如何确定这些参数会直接影响系统的性能．为了能对这些参数进行优化,文中采用一种新型的模糊推理方法,在此基础上,利用遗传算法产生出模糊推理方法中的最优参数．同时,在进化演变的搜索过程中,使用不断调整适应函数的手段,解决了遗传算法过早收敛于次优解的问题,提高了遗传算法的搜索精度．     

基于改进的自适应遗传算法HCGA的测试数据自动生成

针对软件测试数据的自动生成,提出了一种自适应遗传算法和爬山算法相结合的改进算法HCGA. 通过设计自适应交叉和变异算子,加强了遗传算法的前期全局搜索能力;在进化后期嵌入了爬山算法,提高了局部搜索能力. 实验结果表明,该算法在测试数据的自动生成上优于遗传算法,提高了效率.     

利用优化的遗传算法解决饲料配方设计问题

 利用改进和优化传统遗传算法的选择策略、搜索空间,自适应调整交叉率和变异率提高了计算效率,并在遗传进化过程中用优秀个体群来逐步缩小搜索空间,提出了求解饲料配方设计问题的一种改进方法(GA+).应用该方法对3个经典非线性测试函数进行了仿真,在收敛速度和全局优化方面好于现有的遗传算法.结果表明,GA+较好地保持了种群的多样性,精度高、收敛速度快,对求解饲料配方设计问题非常有效.