基于遗传算法的快速认知无线电系统

近几年来,在认知引擎（CE）中广泛应用遗传算法（GA）优化传输波形的各项参数,然而由于无线电波形需优化的参数和所达到的目标很多,形成了巨大的搜索空间,导致遗传算法收敛时间过长,不能满足认知无线电的实时应用。针对这一问题,提出一种快速认知无线电,通过遗传算法与案例学习结合来缩短反应时间,并进行了简单的实验仿真。仿真结果表明,快速认知无线电能够对环境进行快速自适应,算法收敛时间变短。     

PSIM系统稳定性自校准原理理论分析

针对标准遗传算法在摄像机标定参数非线性优化过程中, 易出现过早收敛和停滞现象的问题, 提出一种新的摄像机标定参数优化方法。首先, 采用非线性的归一化几何排名函数与随机遍历抽样法混合作为选择方法, 对遗传算法进行改进; 然后, 采用改进的遗传算法对摄像机标定参数进行非线性优化; 最后, 将其与标准遗传算法进行标定参数非线性优化对比实验, 实验结果表明: 算法平均绝对误差低于标准遗传算法, 且图像主点坐标更接近参考值, 能较好地缓解过早收敛和停滞现象, 提高了标定精度。     

基于改进遗传算法的摄像机标定参数优化方法

针对标准遗传算法在摄像机标定参数非线性优化过程中,易出现过早收敛和停滞现象的问题,提出一种新的摄像机标定参数优化方法.首先,采用非线性的归一化几何排名函数与随机遍历抽样法混合作为选择方法,对遗传算法进行改进;然后,采用改进的遗传算法对摄像机标定参数进行非线性优化;最后,将其与标准遗传算法进行标定参数非线性优化对比实验,实验结果表明:算法平均绝对误差低于标准遗传算法,且图像主点坐标更接近参考值,能较好地缓解过早收敛和停滞现象,提高了标定精度.     

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。     

认知引擎中决策方法的研究

认知无线电(Cognitive Radio,CR)技术通过智能的频谱管理来解决频谱资源"短缺"问题,它能够感知到授权用户的空闲频谱,并有效地加以利用,从而减少与授权用户的冲突。现有无线电参数调整策略无法根据环境变化和用户需求进行智能调整,认知引擎中的决策方法能够解决该问题。遗传算法(Genetic Algorithm,GA)和二进制粒子群算法是实现认知引擎决策的典型算法,在对2种算法进行了介绍之后,仿真比较了2种算法在性能方面的差异。     

基于免疫克隆算法的认知无线电多信道联合感知方法

该文研究了认知无线电多信道联合感知的数学模型,并将此模型转换为以认知系统总吞吐率最大化为目标的带约束优化问题,进而提出一种基于免疫克隆的多信道联合感知算法。仿真实验表明所提算法在收敛速度以及稳定性上均明显优于已有的基于遗传算法的感知方法,并且所提算法在对主用户造成相同的干扰条件下能提供更高的系统总吞吐率。     

基于混合免疫遗传算法的车辆调度问题

免疫算法是模仿生物体高度进化,复杂的免疫系统仿生的一种智能化启发式算法。在描述车辆调度问题数学模型及免疫算法综述的基础上,引入了一种基于抗体亲和力的混合免疫遗传算法,改进了抗体的交叉算子,解决了路径长度受限的车辆调度问题,实验结果表明,与遗传算法相比较,混合免疫遗传算法能更有效的解决车辆调度问题。     

基于位变异防止遗传算法过早收敛的算法

针对简单遗传算法具有过早收敛的缺点，本文提出了一种基于位变异的防止遗传算法过早收敛的算法。该算法通过种群熵来判断过早收敛的发生。当发生过早收敛时，在单调系数的指导下进行有针对性的位变异．从局部最优解的范围内摆脱出来，算法重新具有进化能力。用数值优化中的三个典型的测试函数对该算法进行测试．仿真实验结果显示该算法可有效地提高算法的全局搜索能力。     

Agent协商优化问题的快速混沌遗传算法

随着Internet的日益完善和电子商务的普及，如何快速、高效地进行Agent协商是我们必须面对和解决的一个重要问题。文章在Bazaar协商模型下，给出了一种快速混沌遗传算法，该算法首先将混沌机制引入遗传算法，并在搜索中，以具有一定保证的当前最优解为中心不断压缩优化变量的搜索区间，对算法进行加速。这样即克服了遗传算法过早收敛的缺点，又解决了引入混沌后遗传算法收敛慢的问题。仿真实验表明，它是解决Agent协商优化问题的一种快速有效算法。     

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。     

Parameter adjustment based on improved genetic algorithm for cognitive radio networks

Multi-objective parameter adjustment plays an important role in improving the performance of the cognitive radio (CR) system. Current research focus on the genetic algorithm (GA) to achieve parameter optimization in CR, while general GA always fall into premature convergence. Thereafter, this paper proposed a linear scale transformation to the fitness of individual chromosome, which can reduce the impact of extraordinary individuals exiting in the early evolution iterations, and ensure competition between individuals in the latter evolution iterations. This paper also introduces an adaptive crossover and mutation probability algorithm into parameter adjustment, which can ensure the diversity and convergence of the population. Two applications are applied in the parameter adjustment of CR, one application prefers the bit error rate and another prefers the bandwidth. Simulation results show that the improved parameter adjustment algorithm can converge to the global optimal solution fast without falling into premature convergence.     

An evolutionary algorithm for broadcast scheduling in wireless multihop networks

A technical challenge in successful deployment and utilization of wireless multihop networks (WMN) are to make effective use of the limited channel bandwidth. One method to solve this challenge is broadcast scheduling of channel usage by the way of time division multiple access (TDMA). Three evolutionary algorithms, namely genetic algorithm (GA), immune genetic algorithm (IGA) and memetic algorithm (MA) are used in this study to solve broadcast scheduling for TDMA in WMN. The aim is to minimize the TDMA cycle length and maximize the node transmissions with reduced computation time. In comparison to GA and IGA, MA actively aim on improving the solutions and is explicitly concerned in exploiting all available knowledge about the problem. The simulation results on numerous problem instances confirm that MA significantly outperforms several heuristic and evolutionary algorithms by solving well-known benchmark problem in terms of solution quality, which also demonstrates the effectiveness of MA in efficient use of channel bandwidth.     

MEBML在优化排样中的应用

MEBML（Mind-Evolution-Based Machine Leaming,基于思维进化的机器学习）是模仿人类思维进化而提出的一种新型机器学习算法。由于它开创性运用了不同GA（遗传算法）操作方法的趋同与异化操作，大大扩展了GA的性能。MEBML可应用于各种优化领域及非数值问题（如：群体社会行为仿真）。文中在深入研究MEBML的基础上，将MEBML应用于机械领域的优化排样中，提出了一种MEBML应用于排样时的有效的编码方案及辅助算子（如蠕动算子）。     

一种改进的遗传算法的实现及性能研究

在Visual C 环境下,用C语言实现了一种改进的遗传算法,该算法通过实数编码、改进的遗传操作算子,并引入精英保留策略,可克服常规算法中收敛速度慢、早熟及局部收敛等缺陷。经GA测试函数验证该算法是有效的。与MATLAB遗传算法优化工具箱和SGA的系统仿真结果进行了比较,结果显示该算法不仅显著提高了全局搜索能力,加快了收敛速度,而且也改善了求解的质量及其优化结果的可靠性,是求解复杂函数优化问题的一种有潜力的算法,结合自行研发的微波管CAD软件,可望用于微波管性能优化,提高微波管设计能力。     

实数遗传算法的改进及性能研究

提出一种粒子群优化方法(PSO)与实数编码遗传算法(GA)相结合的混合改进遗传算法(HIGAPSO).该方法采用混沌序列产生初始种群、非线性排序选择、多个交叉后代竞争择优和变异尺度自适应变化等改进遗传操作;并通过精英个体保留、粒子群优化及改进遗传算法(IGA)三种策略共同作用产生种群新个体,来克服常规算法中收敛速度慢、早熟及局部收敛等缺陷.通过四个高维典型函数测试结果表明该方法不但显著提高了算法的全局搜索能力,加快了收敛速度;而且也改善了求解的质量及其优化结果的可靠性,是求解优化问题的一种有潜力的算法.     

应用于贴片机贴装顺序优化的遗传算法的比较和改进

元件贴装顺序优化是决定贴片机生产效率的关键问题,传统的解决贴装顺序优化问题的方法有遗传算法,蚁群算法,SS(伞布搜索法)等。使用较多的还是遗传算法。遗传算法中包含选择算子、交叉算子、变异算子,且编程思想简单,但容易出现局部最优,过早收敛等情况。在此,通过对遗传算法在贴装顺序优化应用的结果比较找到一种更适合的遗传算法,使之拥有较快的收敛速度和全局优化性。     

混合智能算法在电子设备动态管理优化中的应用

应用微分进化算法( DEA)与字典排序算法( DSA)相结合的智能算法优化管理电子设备动态货位,研究了基于分拣选路径、存取效率、支架稳定性的动态管理多目标优化问题,并与采用遗传算法( GA)的动态管理优化进行了比对,发现字典排序算法能够按照数字顺序大小构建基于分拣选路径、存取效率、支架稳定性等因素重要程度的多目标函数,微分进化算法则能对多目标函数实施有效优化。仿真结果表明,混合智能算法迭代步数少,收敛速度快,具有更好的执行效率。     

一种改进变异算子的混合遗传算法

分析了遗传算法传统变异算子的缺陷,为解决遗传算法搜索效率低下及早熟收敛的问题,设计了一种融合遗传搜索和模式搜索的混合遗传算法。理论分析与实验仿真结果表明,所给出的混合遗传算法是有效的,在收敛速度、精度和稳定性方面均有明显的提高。     

MDP-Based Network Selection Scheme by Genetic Algorithm and Simulated Annealing for Vertical-Handover in Heterogeneous Wireless Networks

The hybrid algorithm for real-time vertical handover using different objective functions has been presented to find the optimal network to connect with a good quality of service in accordance with the user’s preferences. Markov processes are widely used in performance modelling of wireless and mobile communication systems. We address the problem of optimal wireless network selection during vertical handover, based on the received information, by embedding the decision problem in a Markov decision process (MDP) with genetic algorithm (GA), we use GA to find a set of optimal decisions that ensures the best trade-off between QoS based on their priority level. Then, we emerge improved genetic algorithm (IGA) with simulated annealing (SA) as leading methods for search and optimization problems in heterogeneous wireless networks. We formulate the vertical handoff decision problem as a MDP, with the objectives of maximizing the expected total reward and minimizing average number of handoffs. A reward function is constructed to assess the QoS during each connection, and the AHP method are applied in an iterative way, by which we can work out a stationary deterministic handoff decision policy. As it is, the characteristics of the current mobile devices recommend using fast and efficient algorithms to provide solutions near to real-time. These constraints have moved us to develop intelligent algorithm that avoid the slow and massive computations. This paper compares the formulation and results of five recent optimization algorithms: artificial bee colony, GA, differential evolution, particle swarm optimization and hybrid of (GA–SA). Simulation results indicated that choosing the SA rules would minimize the cost function, and also that, the IGA–SA algorithm could decrease the number of unnecessary handovers, and thereby prevent the ‘Ping-Pong’ effect.     

基于自适应遗传算法的星载SAR天线方向图与模糊综合

该文针对改善星载合成孔径雷达(SAR)的模糊特性,提出了一种自适应遗传算法。该算法同时对模糊和方向图进行优化。首先确定模糊区域,然后以天线方向图的主瓣宽度和副瓣电平(包括星载SAR模糊区域的副瓣电平)为目标函数,应用自适应遗传算法对天线方向图进行综合。为了避免早熟的现象,在该算法中,交叉概率、变异概率和变异范围同时进行了自适应的变化。和非自适应遗传算法相比较,该算法迭代步骤少,收敛速度快。仿真结果表明,模糊度得到了很好的抑制,对星载SAR系统设计具有实际意义。