基于遗传算法和模拟退火算法优化神经网络的铁路营业里程预测

提出应用遗传算法(GA)和模拟退火(SA)优化神经网络预测铁路营业里程.采用3层前馈神经网络实现铁路营业里程的时间序列预测,输入节点数为5,隐层节点数为8,输出节点数为1.对神经网络的连接权重和节点阈值的确定,采用GA和SA算法相结合的混合优化学习策略.两种算法结合时,SA算法处于外层,GA处于内层.GA采用实数编码,把要确定的神经网络节点连接权重和节点阈值作为基因串.数值计算结果表明混合优化的神经网络的学习速度和精度都比单纯BP算法得出的结果好.因此,用GA-SA混合优化的神经网络预测铁路营业里程是可行的.     

用嵌套插队算法解决旅行推销员问题

提出了一种求解TSP问题的近似算法一嵌套插队算法。这种算法结合了启发式算法和随机化算法以及局部寻优的思想。实验结果表明对于较小规模的TSP问题，直接用插队算法(QJA)就能以很大的概率获得巳知最优解。对于规模较大的TSP问题．嵌套插队算法(NQJA)能获得质量高于著名的启发式算法的解。另外，用嵌套插队算法找到的Chinal44的最短路径优于目前巳知的最短路径。嵌套插队算法是专门针对TSP问题而提出的，但其思想也可以给求解其他NP难解的组合优化问题以启发。     

用嵌套插队算法解决旅行推销员问题

提出了一种求解TSP问题的近似算法--嵌套插队算法.这种算法结合了启发式算法和随机化算法以及局 部寻优的思想。实验结果表明对于较小规模的TSP问题,直接用插队算法(QJA)就能以很大的概率获得已知最优 解。对于规模较大的TSP问题,嵌套插队算法(NQJA)能获得质量高于著名的启发式算法的解。另外，用嵌套插队 算法找到的China144的最短路径优于目前已知的最短路径。嵌套插队算法是专门针对TSP问题而提出的，但其思 想也可以给求解其他NP难解的组合优化问题以启发。     

基于蜂群算法的多小波图像去噪研究

针对在多小波图像去噪中阈值难以选取问题,提出基于群体智能算法—人工蜂群算法(artificial bee colonyalgorithm,ABC)优化多小波阈值。详细介绍了群体智能算法的发展历程和分类,阐述了ABC算法的基本原理、工作流程,及其优化多小波阈值在图像去噪中的具体步骤,比较了遗传算法(genetic algorithm,GA)、粒子群算法(par-ticle swarm optimization,PSO)、蚁群算法(antcolonyoptimization,ACO)以及ABC算法4种算法各自的优缺点。将提出的方法与GA算法和PSO算法优化多小波阈值进行了对比,通过仿真,证明提出的算法可以有效地去除高斯白噪声,提高图像的峰值信噪比(peak signal to noise ratio,PSNR),具有很好的去噪效果。     

求解TSP问题的动态邻域粒子群优化算法

旅行商(TSP)问题是一个典型的NP问题.为了克服基本粒子群优化(PSO)算法在求解离散问题所具有的计算时间长和容易陷入停滞状态等问题,本文基于“簇”思想,对粒子间距离进行重新定义并给出了相应的动态邻域PSO算法.实验结果表明了新型算法在求解TSP问题中的有效性,同时提高了算法的性能,并具有更快的收敛速度.     

自适应蚁群算法在TSP问题中的应用

针对传统的蚂蚁算法容易出现早熟和停滞现象,提出了一种自适应蚂蚁算法(Self-Adaptive Ant Colony Algorithm,SAACA)并选择典型TSP问题进行实验.结果表明:改进的蚁群算法具有更好的搜索全局最优解的能力以及更好的稳定性和收敛性.     

基于粒子群-蚁群融合算法的移动机器人路径优化规划

基于TSP问题,提出了一种基于粒子群-蚁群算法相互融合的综合优化算法对移动机器人路径规划问题进行研究。通过粒子群算法对全局路径实施粗略搜索,获得部分次优解,在获得次优解的路径上进行信息素分布,再采用蚁群算法进行精确搜索,得到路径规划的最优解。实验结果表明:粒子群-蚁群融合优化算法在路径寻优上优于蚁群算法及粒子群算法。     

蚁群算法求解TSP问题若干改进策略的研究

蚁群算法是求解TSP问题的一个性能较好的仿生型的智能优化算法,但存在着运行时间长、容易陷入局部最优的缺点,导致停滞现象的出现,找不到全局最优解.实验表明,使用候选集合策略和局部搜索策略能提高算法所求得的解的质量,同时也会明显加快求解的速度.使用信息素变异和重新初始化策略,能增加路径探索的多样性,使算法对搜索空间的探索始终保持在一个合理的水平上,有效地避免算法陷入停滞状态,从而找到全局最优解.     

人工神经网络混合剪枝算法

目前人工神经网络(ANN)应用中所遇到的挑战之一就是如何针对特定问题确定相应网络。基于进化算法和局部搜索算法两类策略的特点和不足,文中提出了混合剪枝算法HAP(HybridAlgorithmofPruning)。算法首先联合进化算法代表之一遗传算法(GA)和反向传播算法BP的不同优势完成ANN网络结构和权重进化的初步阶段;然后应用多权重剪枝策略(MW-OBS)进一步简化、确定网络结构。结合案例与以往的混合策略算法进行对比研究,结果表明HAP在寻优能力、简化网络结构、保证稳定性等方面均有明显优势,更加适合大规模ANN的优化问题。     

GASA-SVM改进算法及其在柴油机供油系统故障诊断中的应用

针对目前支持向量机(SVM)参数选择的盲目性,结合遗传算法GA的并行搜索和模拟退火算法SA的概率突跳特性,提出一种改进的基于遗传退火算法(GASA)混合策略优化支持向量机惩罚函数和核函数参数的GASA-SVM算法。利用柴油机供油系统油压波形的实测数据,归一化处理后作为诊断模型的特征值,建立了基于GASA-SVM的柴油机供油系统故障诊断模型。通过与BP神经网络、RBF神经网络、SVM和GA-SVM故障诊断模型比较表明:应用GASA-SVM建立的故障诊断模型在故障识别准确性上优于其它网络模型,能够有效进行柴油机供油系统的故障诊断。     

图像增强技术中的智能算法

提出了一种基于粒子群与模拟退火算法相结合的进化算法.该算法利用模拟退火算法全局收敛性好和粒子群算法收敛速度快等优点，通过交换这两种算法的信息得到最优解.将这种新算法应用于灰度图像的自适应增强，实例计算表明该算法稳定性好，在收敛速度和求解精度方面都优于遗传算法等一些其它进化算法.     

基于遗传算法的波分复用环网业务疏导

通过把波分复用环网中的业务疏导问题归结为组合优化问题，提出了一种基于遗传算法的业务疏导算法，该算法可用于单向环网或双向环网，并适用于任何类型的业务需求，数值结果表明，该算法的性能优于贪婪算法，总体和模拟退火算法相当，甚至在某些方向还优于模拟退火算法。     

生命线工程网络抗震优化算法研究

以生命线工程网络系统造价为优化目标,网络拓扑结构为优化参数,网络节点抗震连通可靠度为约束条件,建立生命线工程网络系统的抗震拓扑优化模型.同时,介绍了利用递推分解算法来获得单元重要度的方法,进而利用遗传算法、模拟退火算法和遗传-模拟退火混合算法,进行了生命线网络系统的抗震拓扑优化分析.其中,遗传算法通过对种群选择、交叉和变异操作不断进化以获得优化解,模拟退火算法则通过扰动当前解产生新解来获得优化解,遗传-模拟退火混合算法则通过将遗传算法中的变异操作以模拟退火操作代替获得优化解.利用三种优化方法对两个算例进行生命线工程网络系统的抗震拓扑优化分析.计算结果对比表明,遗传-模拟退火混合算法具有最好的优化能力.     

基于 SADPSO 的 MPRM 最小化算法

针对混合极性Reed-Muller(mixed-polarity Reed-Muller,MPRM)逻辑最小化问题,提出一种基于SADPSO (hybrid simulated annealing and discrete particle swarm optimization)的智能算法.该算法将模拟退火(simulated anhealing,SA)与离散粒子群优化(discrete particle swarm optimization,DPSO)相结合,对DPSO所得到的最佳解应用SA,帮助算法跳出局部极小.使用所提出算法和已有智能MPRM最小化算法分别对23个MCNC基准电路进行逻辑最小化,并对算法结果质量进行定量评价.结果表明,与已有智能MPRM最小化算法相比,所提出算法具有更好的全局收敛能力,能够提高算法结果质量.     

OFDM系统的子信道比特快速自适应分配算法

通过对OFDM的子信道比特分配空间进行分析,本文提出着眼于误比特概率梯度的动态LMS算法和全局优化算法。全局优化算法是基于混合遗传算法思想。相对Hughes-Hartogs算法,两种算法计算量大幅下降,并且具有递推性。仿真结果表明,快衰落信道下动态LMS算法接近理想性能;慢衰落信道下动态LMS算法和全局优化算法结合应用,可以接近理想性能。     

河道水量还原计算中的遗传BP人工神经网络方法

将遗传算法GA及人工神经网络BP算法结合起来运用于河道水量的还原计算.结果表明:基于GA BP的河道水量还原优化算法能够克服BP算法自身不可优化的弊病,较好地改善网络全局寻优能力,提高网络速度,防止网络陷入局部最小值.同时该算法较确切地反映出河道水量还原计算中河道水量形成非线性这一本质现象,提高了河道水量还原计算结果的精度.     

Brillouin scattering spectrum character extraction based on genetic algorithm and seeker optimization algorithm

A new hybrid optimization method based on genetic algorithm(GA) and seeker optimization algorithm(SOA) is presented in this paper. The hybrid algorithm optimizes SOA by using crossover and mutation operations in GA in order to improve the global search ability of SOA. Four algorithms, i.e. particle swarm optimization(PSO), SOA, GA and quantum-behaved particle swarm optimization(GA-QPSO) and GA-SOA are used to process the simulation and experimental data of Brillouin scattering spectrum(BSS) at different temperatures. The results show that GA-SOA improves the accuracy of extracting the center frequency shift and the minimum center frequency of Brillouin scattering spectrum compared with other three algorithms. The shift error is 0.203 MHz. Therefore, GA-SOA can be applied to the accurate extraction of BSS characteristics.     

基于遗传算法的文档聚类算法的设计与仿真(英文)

在各种聚类算法中,K—means是一种基于划分的经典算法．但是由于Kmeans方法对于初始中心点的选择非常敏感,有可能导致聚类结果收敛于局部,本文提出了一种基于遗传算法来对类中心点进行全局寻优的文档聚类算法．在传统相似度计算的方法中,文档相似矩阵为绝大部分元素为0的稀疏矩阵,忽略了关键字之间的部分相似性,影响了文档之间的相似度．为此,本文改变了传统相似度计算的方法,通过关键字之问的部分相似度,设计出更加精确的文档相似度计算公式。在遗传算法的设计中,将K个类中心点组成的矩阵作为初始个体,采用浮点数进行编码;适应度函数采用所有类内距离的均方差之和加1的倒数表示,当类内均方差之和越小,则个体的适应度越大,被选择进入下一代的概率也越大．通过选择、交叉和变异等步骤对聚类的中心点进行反复迭代寻优,最终找到最优的类中心点．通过实验仿真,K—means收敛速度快,聚类的平均目标函数大于genetic algorithm（GA）且正确率明显小于GA．本文提出的GA算法的分类正确率能达到98％以上,与传统的K—means方法相比,聚类的准确性更高,说明本文提出的算法是一种行之有效的文档聚类方法．     

微粒群优化在Job-shop调度中的应用

Job-shop调度问题是典型的NP-难问题，利用微粒群优化的全局搜索能力和高搜索效率以及模拟退火算法的局部搜索能力，发展了一种快速、且易于实现的新的混合启发式算法，并将其应用于求解标准Job-shop调度问题，计算结果以及与其他算法的比较说明，该算法是一种求解Job-shop调度问题的可行且高效的方法。