改进的遗传算法在频率分配上的应用

由于蜂窝移动通信网络中可用的频率资源是有限的,为了有效利用这些频率资源来满足不断增加的客户需求,因此获得一种较优的频率分配方法就显得非常重要。提出了一种改进的遗传算法,该算法采用了新的选择策略和交叉策略,并且在选择个体时还采用了精英保护机制。仿真结果表明,改进后的算法能够很好地解决频率分配问题。它有效地保证了种群中个体的多样性,而且不仅提高了算法的收敛率,还加快了收敛速度。     

一种基于Chirp探测的短波频率分配算法

针对短波通信网频率优化分配问题,本文利用chirp探测系统提供的信道参数,建立了带有信道约束的数学模型,并研究了用遗传算法求解模型的具体方法.该遗传算法采用的编码方式是信道频点的整数序列号,个体是一组经过分配的序列号.在仿真过程中发现由算法本身带来的严重违反约束条件的问题,通过比较三种不同约束处理方法得以解决.仿真计算的结果表明,模型建立得当,算法有效解决优化分配的问题.     

基于自适应免疫遗传算法的多序列比对

针对多序列比对问题提出一种基于自适应免疫遗传算法的多序列比对方法。为了保持群体中个体的多样性，以及加快算法的收敛速度，该算法中交叉概率和变异概率根据群体的多样性自适应调整，并且在选择免疫算子时采用择优策略，将免疫算子引入到自适应遗传算法中，通过对个体接种疫苗来进一步提升个体的存活能力。     

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.     

无线传感网络监测数据分类算法仿真分析

研究无线传感网络数据的准确分类问题。针对无线传感网络监测得到的数据属性呈现高冗余特征,用传统的BP神经网络进行分类易陷入局部最优解、泛化能力差、收敛速度慢与精度低等问题,造成数据很难被准确分类,提出用免疫算法优化BP神经网络的分类算法。该算法利用免疫算法所具有的全局收敛特性和个体多样性保持机制,全局搜索优化BP神经网络的权值,再用BP算法对其开展局部搜索工作。仿真实验结果证明,该算法能够有效克服训练经典BP神经网络时容易陷入局部极值的不足,加快了网络的收敛速度,传感器网络数据分类识别的准确率也得到了大幅度提高。     

免疫算法

本文在分析标准遗传算法的优越性与存在不足的基础上,借鉴生命科学中免疫的概念与理论,提出了一种新的算法——免疫算法.该算法的核心在于免疫算子的构造,而免疫算子又是通过接种疫苗和免疫选择两个步骤来完成的.理论证明免疫算法是收敛的,并结合TSP问题,提出了免疫疫苗的选取与免疫算子的构造方法.最后,用免疫算法对75城市的TSP问题进行了仿真计算,并将其计算过程与标准遗传算法进行了对比,结果表明该算法对减轻遗传算法后期的波动现象具有明显的效果,同时使收敛的速度有较大的提高.     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法.进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络...     

传感器网络分布式免疫遗传聚类算法研究

本文研究无线传感器网络数据的聚类分析问题.针对传统 k‐means 对初始聚类中心敏感和易于陷入局部次优解的缺点,提出一种基于传感器网络的分布式免疫遗传 k‐means 聚类算法.该算法将聚类中心作为染色体,通过遗传算法来优化传统 k‐means 聚类算法的初始聚类中心,将免疫算法的选择操作引入染色体的遗传进化中,使染色体的浓度和适应度共同对其在进化中被选择产生影响,实现了染色体种群的多样性保持机制和自我调节功能,将搜索工作引向全局最优,较好地解决了 k‐means 算法的早熟现象问题.实验结果证明,本文算法改进了数据的聚类划分效果,能够把聚类结果快速收敛至全局最优,聚类准确率较高.     

基于IGA的阵列天线干扰抑制算法

该文提出了一种基于免疫遗传算法（IGA）的干扰抑制算法,在射频端基于功率判决直接通过调节权系数进行波束形成,可以有效地抑制阵列天线中与信号方向不同的干扰。该算法在标准遗传算法的基础上,引入了疫苗注射和抗体浓度调节等免疫机制,通过抗体的期望繁殖率实现对抗体的促进和抑制,大大提高了种群的多样性,通过注射疫苗的方法提高了收敛效率,能有效而实时地抑制阵列天线中的干扰。计算机仿真结果证明了该算法的有效性和鲁棒性。     

自适应免疫遗传算法在认知决策引擎中的应用

提出一种自适应免疫遗传算法,设计自适应免疫遗传算子。该算法利用交叉率和变异率自适应调整策略,既防止交叉变异中的个体退化,又保证种群的多样性,并能快速收敛到全局最优解。仿真分析表明,与遗传算法等其他算法相比,该算法具有收敛速度快、平均适应度高、稳定性好等优点,能满足认知引擎参数优化的需要。     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法。进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络模型。利用所建立的混合神经网络模型对渤海某海域年极值冰厚进行训练预测,并将模型预测结果与实际数据以及动态拓扑预测的结果进行对比,表日周基于混沌免疫遗传算法的神经网络模型具有很高的预测精度和工程适用性。     

基于无线射频定位系统的网络拓扑优化

以遗传算法和免疫算法相结合的算法为研究手段,为无线射频网络的拓扑结构做了优化.这个设计在传统的遗传算法上加以改进,结合了遗传算法和免疫算法的优点,将免疫算法作为遗传算法的一个更新个体的算子,从而提高了遗传算法的搜索能力,使得网络拓扑的结果更加优秀.     

基于免疫的并行单亲遗传算法研究

在分析了单亲遗传算法的优越性与存在不足的基础上，借鉴生物免疫概念与理论并结合并行计算的思想，提出了一种新的遗传算法——基于免疫的并行单亲遗传算法。理论分析和仿真结果表明，该算法不仅能够有效地保持群体多样性，而且减轻了遗传算法后期的波动现象，同时收敛速度有明显的提高。     

一种新的矢量量化索引值分配算法

借鉴于生物免疫系统强大的防御能力,本文提出了一种免疫克隆(MCIAA)算法.该算法能更好地在群体的收敛性和个体的多样性之间保持动态平衡,有效地克服了局部收敛和早期收敛问题.将该算法应用于噪声信道矢量量化索引值分配寻优中,在存在信道噪声时,可较好地提高矢量量化器的性能.模拟试验表明该算法比其他算法有更好的增益和收敛速度.     

多QoS约束条件下的多目标网络优化

多约束、多业务、多目标的网络优化是一个复杂且涉及范围广泛的课题。文中在对该课题进行分析的基础上,提出了一种基于遗传算法的多目标网络优化算法(MOPGA)。该算法使用了多约束条件下的路径集预处理,使得每项业务能够获得所需的QoS服务质量,通过对所有业务的路由号进行编码,将问题的解空间转换到遗传算法的搜索空间,达到对全网业务的综合考虑。改进后的适应度函数刻划了网络的费用、链路利用率方差和最大链路利用率、爆破处理以及个体淘汰机制增加了种群多样性,挣脱了未成熟收敛。以求解精度作为算法终止条件,使得算法运行时间减少。仿真实验表明,所提出的算法能高效、快速解决实际多目标网络优化问题,同时在满足多QoS约束条件下可均衡各子目标函数。     

基于人工免疫网络的动态聚类算法

聚类分析的两个基本任务是分析数据集中簇的数量以及这些簇的位置.大多数的聚类方法通常只关注后一个问题.为了在聚类数不确定的情况下实现聚类分析,本文提出了一种新的结合人工免疫网络和遗传算法的动态聚类算法—DCBIG.新算法主要包含两个阶段:先使用人工免疫网络算法获得聚类可行解,然后使用遗传算法依据聚类可行解实现动态聚类.本文对获得聚类可行解的条件和概率进行了分析.仿真实验结果表明与现有方法相比,新方法具有更高的收敛概率和收敛速度.     

基于量子遗传算法的航空通信频率动态分配

为了更加有效地对航空通信频率进行分配,提出了一种基于量子遗传算法的航空通信频率动态分配方法。通过对频率动态分配思路进行分析,建立了频率动态分配框架,给出了频率动态分配的具体流程。在此基础上,讨论了航空通信频率动态分配问题,定义了航空通信频率动态分配约束条件,建立了航空通信频率动态分配模型。最后,运用量子遗传算法和遗传算法对算例进行仿真对比。结果表明：量子遗传算法在种群适应度和收敛速度上具备明显的优越性,频率动态分配模型能够根据不同种群数量条件动态调整适应度,能够较好满足航空通信频率分配问题动态性、准确性、时效性等实践运用要求。