基于杂草算法的DNA编码序列研究

在DNA自组装过程中,DNA序列的设计是影响DNA组装在可靠性和稳定性问题上的重要因素。为降低DNA组装时出现碱基错误匹配的概率,提出了一种用于DNA序列设计的入侵杂草优化(IWO)算法。采用汉明距离约束、相似度约束、连续性约束、发卡结构约束及解链温度约束建立一个多目标函数优化的数学模型,将DNA序列集设计问题抽象为带有约束条件的多目标优化问题。通过将该算法产生的编码序列和其它两种优化算法产生的序列进行对比分析,证实了该算法的有效性,并拓展了算法在离散空间中的应用。     

改进智能算法的认知无线Mesh网络优化频谱分配算法

随着网络资源日益紧张,认知无线Mesh网络中的频谱优化分配问题的研究主要集中在总带宽的最大化和占用频谱数的最小化。文中考虑到杂草算法的多样性以及容易实现和编码快捷等特点,提出一种基于改进入侵杂草优化算法(IWO)的频谱优化分配方法(IIOW)。通过对扩散条件中调和指数的优化,使得扩散更加均匀准确,大大加快收敛速度,同时优化了适应度函数的曲线。仿真结果表明:基于改进IWO的优化算法能在最大化总带宽与最小化信道占用数的情况下,获得较为理想的适应度函数曲线,同时加快收敛速度。     

基于AHCP算法的大规模露天矿生产计划问题求解

随着露天矿生产计划问题规模的扩大,生产计划求解的难度急剧增加,传统求解方法难以在合理时间范围内获得高质量的解。针对以上问题,根据矿床开采过程中的特点,设计了一种具有惩罚的凝聚层次聚类算法(agglomerative hierarchical clustering algorithm with penalties,AHCP)与二进制入侵式杂草算法(binary intrusive weed algorithm,BIWO)相结合的方法来求解大规模露天矿生产计划问题。首先采用AHCP算法对块状矿床模型进行块体聚类处理,然后将聚合体作为对象建立0-1整数规划模型,并使用BIWO算法对其进行求解。实验结果表明,AHCP算法可以显著地提高BIWO算法求解大规模露天矿生产计划问题的能力。在保证解的质量的前提下,可将问题的整体求解时间缩短近90%。     

离散二进制粒子群算法分析

粒子群算法（Particle Swarm Optimization,PSO）主要用优化计算实值的连续性问题,而离散二进制粒子群算法（Binary Particle Swarm Optimization,BPSO）则用来优化离散空间问题,它扩展了PSO算法的应用,现已广泛应用到各种离散优化问题计算中,但目前对BPSO算法...     

NRIWO算法求解火力分配多目标规划模型

为满足火力分配在保证毁伤概率较优的前提下降低火力单元的使用数量的要求,建立了火力分配多目标规划模型.基于入侵杂草学说,提出非支配排序杂草优化算法用于解决火力分配多目标规划问题.该算法在初始化和空间扩散阶段采用不同的决策变量编码策略,根据非支配排序的概念,将杂草种群中的个体分为多个等级以区分优劣从而进行生长繁殖.仿真结果表明:新算法每一代具有很强的向最优面逼近能力,体现了很好的均匀性以及解分布的广度,用于火力分配多目标规划,可实时为指挥员提供良好的辅助决策.     

求解连续空间优化问题的改进入侵杂草算法

针对标准入侵杂草算法在求解连续空间优化问题时存在易陷入局部最优、过早收敛的缺点,提出了一种改进入侵杂草算法.改进算法采用反向学习方法构建高质量的初始解,并综合考虑当前种群的适应度值和役龄水平确定各杂草的种子数目.同时,提出了基于分治思想的空间扩散方法以强化算法的搜索性能,并引入个体淘汰机制以避免早熟.最后,对五个测试函数进行了仿真,并与多种算法进行比较,结果表明改进算法的搜索性能得到了显著提升.     

基于改进杂草优化算法的最优线性协作频谱感知

线性加权协作频谱感知模型下,针对虚警概率最大化检测概率的问题,提出了一种基于改进入侵性杂草优化算法的协作频谱感知方案。算法中的可行解与频谱协作感知模型中的权重向量相对应,通过寻求最优权重向量,来达到最大化检测概率的目的。同时将改进后的杂草算法与传统的杂草算法及基于修正偏差因子方法性能进行对比。结果表明,改进后的杂草算法可根据当前噪声环境合理分配系统的权重系数,以较小的迭代次数找到更优的权重向量,在虚警概率一定的前提下,获得高的检测概率,其性能优于原始MDC算法。     

建设项目随机离散型工期-成本优化算法的改进

针对建设项目随机离散型工期-成本优化问题的求解,一般采用遗传算法为外循环、蒙特卡罗模拟算法为内循环的双层循环算法框架. 为减少内层循环中按期完工概率约束条件检验所耗费的计算资源,根据按期完工概率估计值（采用蒙特卡罗模拟方法）的概率特性,提出一种计算资源的高效、动态分配策略,以提升现有算法的计算效率. 通过算例验证,本文建议的改进优化算法可高效、稳定地求解建设项目随机离散型工期-成本优化问题.     

二进制改进粒子群算法在背包问题中的应用

提出了用于求解0 1背包问题的二进制编码的粒子群算法,阐明了该算法求解背包问题的具体实现过程.为了提高粒子群算法的收敛速度,在传统的二进制编码的粒子群算法中嵌入了记忆功能.通过对其他文献中仿真实例的计算和结果比较,表明该算法在寻优能力、计算速度和稳定性方面都超过了文献中提到的遗传算法和模拟退火算法.提出的求解背包问题的二进制改进粒子群算法,同样可以应用于其他离散优化问题.     

基于改进的贝叶斯分类算法的断路器故障诊断

通过监测断路器分合闸线圈电流识别断路器状态是断路器故障诊断重要方法.但是,由于断路器动作频率不高,分合闸线圈电流的数据样本较小.为了在数据样本较小的前提下对断路器进行快速准确的故障诊断,提出了一种基于改进的贝叶斯分类算法的断路器故障诊断方法.针对原始的贝叶斯算法只适用于处理离散型变量的分类问题、应用范畴较为局限的特点,利用入侵杂草优化算法合理选取标准状态,并以此为基础引入基于标准状态概率分配的连续变量离散化方法对特征量进行离散化,对原始的贝叶斯算法进行了改进.研究表明,改进的贝叶斯分类算法将贝叶斯的应用范畴扩展至连续变量的分类问题,提高了故障诊断的准确率.通过仿真分析验证改进的贝叶斯分类算法在不同训练样本数量的情况下故障诊断的准确性,并与原始的贝叶斯算法和支持向量机进行比较.仿真结果表明在训练样本数量为10的情况下,原始贝叶斯算法、支持向量机和改进贝叶斯算法的故障诊断准确率分别为45.05%、83.15%、92.25%,改进的贝叶斯算法故障诊断准确率明显高于支持向量机,说明改进的贝叶斯算法诊断效果更好;改进的贝叶斯算法故障诊断准确率明显高于原始贝叶斯算法,说明入侵杂草优化算法的优化及基于标准状态概率分配的连续变量离散化方法在提高小样本状态下故障诊断准确率方面有良好的效果;改进的贝叶斯算法故障诊断准确率最高,这表明本文所提改进贝叶斯算法能够在样本数据较小的前提下快速准确地对断路器进行故障诊断.     

杂草算法收敛性分析及其在工程中的应用

针对从自然界中杂草的生长繁殖特性演化而来的新型智能优化算法———扩张性杂草进化算法,通过马尔可夫链,分析证明了它的全局收敛性.相比其他启发式算法,其最大优点是基于种群中优秀的个体有指导地进行搜索,且算法中子代个体按正态分布的方式分布于父代个体周围,在进化过程中通过动态调整此正态分布的标准差,使算法在早期与中期充分保持群落的多样性,较其他启发式算法更容易保证对解空间的全面搜索.而在算法的后期加强对优秀个体周围的局部搜索,从而保证算法能够稳健地收敛到全局最优解.典型的复杂机械优化设计算例结果表明,该算法在优化过程中能有效避开局部最优解,快速、有效地收敛到全局最优解.     

一种新量子遗传算法及应用

基于量子位测量的二进制量子遗传算法,在用于连续问题优化时,由于频繁的解码运算,严重降低了优化效率。针对这一问题,提出了一种基于量子位相位编码的量子遗传算法。该方法直接采用量子位的相位对染色体进行编码,采用量子旋转门实现染色体上相位的更新,采用Pauli-Z门实现染色体的变异。在该方法中,由于优化过程统一在空间[0,2π]n进行,而与具体问题无关,因此,对不同尺度空间的优化问题具有良好的适应性。以函数极值优化为例,仿真结果表明该方法的搜索能力和优化效率明显优于普通量子遗传算法和标准遗传算法。     

利用基因算法实现参数优化的研究

优化问题的实质是搜索空间中寻找一个点，在满足一定的条件下，使其给定的性质指标达以最大值（或最小值），基因算法（ＧＡ）是一种新型的基于遗传学理论，模拟生命进化机制来帝现搜索和优化的算法，该文以一定的目标函数进行了研究，结果表明，该处法能以很大的概率趋于全局最优解。     

离散粒子群优化算法研究综述

粒子群优化(PSO)算法最初是基于连续空间的优化,然而现实世界中许多问题是离散的,近年来其离散化策略和方法受到广泛的关注.本文简要介绍PSO算法的工作原理和粒子更新机制、算法参数的分析与设置,详细介绍PSO算法的三种常见离散化策略的机理及其粒子更新机制,阐述离散PSO算法的应用成果,最后对其未来的研究方向进行展望.     

带时间窗车辆路径问题的混合粒子群算法

将粒子群优化算法与模拟退火算法结合,提出了一种求解车辆路径问题的混合粒子群算法.实例计算及与遗传算法比较的结果表明:应用混合粒子群算法可以快速地求得带时间窗车辆路径问题的优化解;该算法是一种求解离散组合优化问题的有效方法.     

遗传算法在离散变量结构优化设计中的应用

研究适于离散变量结构优化设计的遗传算法．探讨了离散变量结构优化问题的基因表达模式，提出了一种减小基因搜索范围的子空间构造方法．该算法可处理受应力、位移约束的结构优化问题．数值计算实例表明该算法效率高，具有很强的适应性     

基于离散粒子群优化算法的造林规划设计

指出造林规划设计问题实质是一个离散约束优化问题。应用离散粒子群优化算法求解目标函数,以保证解的合理性法和惩罚函数法相结合处理约束条件。分析实例表明,离散粒子群优化算法可用来优化造林规划设计方案,与模拟退火算法比较,效果更好。此研究结果可为科学造林和最优化经营管理提供新思路,丰富粒子群应用领域。     

粒子群与遗传算法的混合算法

针对粒子群算法直接用于求解离散旅行商优化问题会存在诸多困难,通过分析粒子群算法、遗传算法各自优缺点,将粒子群算法、遗传算法有效结合组成混合算法用于求解离散旅行商问题.混合的目的在于保持两种算法各自的优点,并有效地避免各算法原有的不足.对3个不同规模的巡回旅行商问题进行实验,结果表明:混合算法提升了算法的局部搜索能力.