LDecode：具有线性复杂度的GEP适应度评价算法

基因表达式编程(Gene Expression Programming,GEP)在处理复杂长基因时的空间、时间效率较低,为解决这一问题,提出并实现了具有线性复杂度的染色体适应度评价算法.分析了传统GEP算法中借助ET(Expression Tree)树进行染色体适应度评价的局限性;提出并实现了具有线性复杂度的染色体适应度评价算法LDecode算法;针对染色体长度、种群大小、测试数据集大小、进化代数等不同参数,对提出的染色体适应度评价算法进行了评价和分析.试验表明,提出的评价算法运行速度较传统基于ET树的GEP提高了4.5～5.1倍,时间、空间复杂度均为O(n).     

基于GEP基因约简策略的多项式因式分解

将基于基因表达式编程(GEP)的公式发现技术用于多项式因式分解。对标准GEP中个体染色体适应度评价算法和遗传算子进行了改进,提出了一种新的基于GEP的基因约简算法及多项式因式发现算法(以下称FactorGEP算法),分析了多项式因式发现的特殊困难,提出了将有效基因个数作为适应度评价因素的解决方案。试验结果表明,FactorGEP算法完全不需要关于分解的多项式的任何先验知识,可以自动对多项式进行因式分解,并找到最佳的分解。     

基于改进的遗传算法的图像匹配研究

匹配算法的计算量由搜索位置数与相关算法的计算量之积来决定,因此,为了减少总的计算量,需要改进匹配算法和减少搜索位置。提出一种改进的遗传算法的匹配方法,设计了染色体的表示方法、新的适应度函数以及新的遗传操作算子。为了加快算法的收敛速度,对初始种群的选取和遗传算子操作概率的选取提出了新的方法。实验结果表明,该方法更有效地完成了特征图像之间的匹配。     

改进自适应遗传模拟退火算法的结构优化设计

为提高遗传算法的收敛性,避免发生早熟收敛,对遗传算法进行改进.引入一种基于个体适应度值的自适应遗传算法,并将遗传算法和模拟退火算法结合形成一种混合算法,从而提高算法的运行效率和计算精度.算例表明改进的自适应遗传模拟退火混合算法较基本遗传算法更加有效.     

一种基于改进适应度的多机器人协作策略

通过对基于适应度的协作策略及其改进方法的研究发现,针对机器人在两个任务的适应度相同时无法选择出最匹配任务的问题,提出通过加入与机器人起止位置有关的距离适应度函数,使得机器人可以选择出最优匹配任务;同时,针对外部能力适应度,采用更符合实际的高斯分布模型来计算适应度.仿真结果表明,改进后的算法不仅实现了最优匹配,而且算法更高效,更节省能量.     

新型混合粒子群优化算法

针对粒子群算法易陷入局部极值、精度低等缺点,提出了一种基于模拟退火与混沌思想的新型粒子群优化算法(SA-CPSO).在该算法的初始阶段,对粒子位置进行混沌初始化,并引入模拟退火算法对每个粒子的适应度进行评价;在该算法运行过程中根据群体适应度方差对粒子群进行混沌更新;最后通过对几种经典函数的测试计算,结果表明,相对于标准粒子群算法,该新型混合算法提高了局部搜索能力和搜索精度,并有效避免了早熟现象的产生.     

基于优势遗传的自适应遗传算法

针对遗传算法的早熟问题,对自适应遗传算法进行了研究,提出优势遗传的新观点:在交叉算子设计时使适应度高的个体以较高概率进行交叉,并且在变异算子设计时使适应度低的个体以较高概率进行变异,能更有效地产生出优势个体,跳出局部最优.认为算法设计时使平均适应度过快逼近最大适应度是不合适的.由此,提出一种新算法,以优势遗传的原则随个体适应度的变化而自适应地改变交叉和变异概率,在一定程度上有效解决算法的早熟问题.实验表明,该算法能有效提高全局寻优的性能,鲁棒性好.     

不同适应度函数的遗传算法在桥梁结构传感器布设中的应用

从模态振型正交性和模态能量两方面出发设计了3个适应度函数,将其分别应用于改进遗传算法和单亲遗传算法。采用两步法对大跨径桥梁结构传感器布设进行定量和定位分析。通过对两种遗传算法、3个适应度函数及有效独立算法在大跨径拱桥中的对比分析,证实了单亲遗传算法比改进遗传算法更适合于桥梁结构传感器的布设,基于组合评价准则适应度函数比单一评价准则适应度函数布设出的传感器位置更加合理,验证了两步法用于传感器定量及定位计算的有效性。     

基于多表达式基因编程的复杂函数挖掘算法

传统的基因表达式编程(Gene Expression Programming) 挖掘复杂函数时,存在进化辈数过大、无法跳出局部最优解等问题,提出了基于多表达式基因编程的遗传进化算法,提高GEP的全局寻优能力, 提出了一种新的多表达式基因编程的遗传进化算法(Multi Expression Gene Programming, MEGP),建立了同一染色体内基因多层次编码、解码模型,理论上分析并比较了MEGP算法的表达空间复杂性,实现了多表达染色体遗传进化算法和染色体适应度评价算法.实验表明, 在解决函数挖掘问题中, MEGP成功率是传统GEP的2～4倍.     

遗传算法改进研究

遗传算法是一种比较成熟的智能算法,一般通过改进遗传算法的算子达到提高算法性能的目的.本文提出一种改进的遗传算法,新的遗传算法对标准的遗传算法中的编码、适应度函数等方面对遗传算法进行了改进,并通过Visual C++软件编程计算,得到了较好的优化结果,实验结果表明提出的算法是有效的.     

多点正交交叉的遗传算法研究

利用正交实验法的全局均衡思想,提出一种采用多点正交交换的遗传算法．算法通过正交表安排遗传算法的交换运算,并在所产生的多个子代中选择适应度大的进入下一次进化,这样既加快了算法的收敛速度又保证了种群的多样性．实验证明,该算法不但可以有效地克服标准遗传算法的缺陷,而且计算速度、精度和算法稳定性也得到了显著提高．     

基于双适应度遗传退火的云任务调度算法

云计算是当前计算机领域研究的热点,其中云任务调度算法性能的好坏直接影响到云计算平台的整体性能.为了满足云计算平台庞大用户群的不同服务需求,针对现有的云计算任务调度算法提出一种双适应度遗传退火任务调度算法(DFG2A),基于该任务调度算法的任务调度策略能够有效平衡用户对任务各项属性的需求,提高云计算平台的用户满意度.实验结果证明了该算法能兼顾云计算平台总任务执行时间和用户需求,是云计算环境下一种有效的任务调度算法.     

并行免疫克隆特征选择算法

针对模式识别中传统的封装式特征选择算法,难以得到较好的特征子集和复杂度较高的分类器评价特征子集的耗时问题,提出了一种用于特征选择的并行免疫克隆算法,采用免疫克隆算法搜索特征,并利用并行算法评价特征子集,即将种群中个体的适应度计算并行在多个计算节点上同时进行．将该算法在Linux刀片集群上基于MPICH软件对UCI数据集进行特征子集选择算法仿真,特征子集采用最近邻分类并采用留一法验证评价．结果表明该算法选出的特征子集优于经典的顺序浮动前向搜索算法和标准遗传算法,与串行算法运行时间相比,在40个CPU时其加速比最高可达29.57．     

基于改进GA的云计算任务调度策略

针对传统遗传算法在云计算任务调度过程中的收敛速度慢和易早熟等问题,提出了一种基于遗传优化算法的双适应度函数改进算法.该算法采用任务完成时间和任务完成成本为双适应度函数,引入个体相似度概念来提高种群质量;采用并列选择法进行选择操作,并且采用自适应规则约束交叉和变异操作,提高种群个体质量,加速进化策略可以有效地避免早熟.结果表明,改进的遗传算法有效地加快了云任务作业调度的收敛速度,并改善了易早熟等现象.     

基于变异概率自适应调整的逆序遗传算法研究

提出一种改进的遗传算法，根据个体适应度不同对变异概率进行自适应调整，使群体中的优良模式不易被破坏，同时又保证了种群个体的多样性，从而提高了算法的搜索效率。算法中改变了交叉与变异的操作顺序，避免了个体适应度的重复计算，提高运行速度。仿真结果表明，该算法优于普通遗传算法。     

云计算环境下基于SVM的数据分类

为了提高数据的分类效率和准确度,利用云计算提供的弹性集群平台来解决计算力伸缩性瓶颈,并用MapReduce编程模型对SVM进行Map和Reduce并行化处理,并将基于优化理论的遗传算法（ GA）引入SVM分类算法中对分类器参数进行优化,以分类器的准确率作为GA算法适应度函数,找出全局最优的模型参数和核函数参数值。经开源云计算平台Hadoop实验验证,数据分类的准确度有了明显的提高,整个分类过程的加速度几近呈线性增加。     

基于DNA编码的多重约束目标的智能组合优化

在组卷策略中,多重约束目标的智能组合优化问题一直是人们研究的热点．大多数的优化算法都是基于传统的遗传算法,这些算法的适应度不高,并且交叉算子和变异算子对适应度的影响很大．针对这些缺陷,本文提出了一种新的优化算法DNA_YH算法,该算法将DNA编码引入到多重约束目标的组合优化问题中,并完成了DNA编码、初始化种群、个体适应度计算和遗传操作的优化过程．经过实验证明DNA_YH算法的最优适应度高于其他相关算法,并且交叉算子和变异算子对适应度的影响都很小,得到了较好的优化效果．     

Method for distributed deployment of the virtual network function manager for MEC

Aiming at achieving efficient virtual network function deployment under the Mobile edge computing (MEC) architecture,a virtual network function manager (VNFM) deployment method based on the immune optimization algorithm is proposed.First,a mixed integer programming model is used to build the mathematical model of VNFM deployment.Then,a deployment solution based on the immune optimization algorithm is given.Aiming at obtaining the optimal deployment solution towards the minimum communication cost,the algorithm comprehensively considers the antibody affinity and antigen affinity of chromosomes with respect to individual fitness in the population and the diversity characteristics of the immune system,respectively.Simulation results show that compared with the current deployment method,the individual evaluation mechanism of the proposed algorithm can more effectively evaluate the fitness and similarity of individuals in VNFM deployment problems.The proposed method can effectively prevent the algorithm from falling into the local optimum during the deployment process.The optimal solution improves the performance of the algorithm;it can speed up the algorithm’s convergence efficiency and simultaneously reduce the CPU time for algorithm execution.     

基于自组织膜计算的案例推理属性权重优化方法

为了解决案例推理检索过程中属性权重的合理分配问题,提出了自组织膜计算属性权重优化方法.首先建立了衡量权重分布是否合理的适应度函数,并设计了细胞型的单层膜结构以及对权重对象集进行膜计算寻优的选择、交叉、变异和双向交流规则,然后根据适应度函数和设计的规则训练并确定基本膜的个数,从而得到合理分配属性权重的自组织膜计算算法.最后通过UCI中的5个回归数据集和某污水处理过程溶解氧质量浓度的生产数据进行回归实验,结果表明:该方法应用于案例推理过程可以有效降低回归的拟合误差,说明自组织膜计算方法分配的属性权重比较合理,可以进一步提高案例推理模型的求解性能.     

Remanufacturing closed-loop supply chain network design based on genetic particle swarm optimization algorithm

As the huge computation and easily trapped local optimum in remanufacturing closed-loop supply chain network (RCSCN) design considered, a genetic particle swarm optimization algorithm was proposed. The total cost of closed-loop supply chain was selected as fitness function, and a unique and tidy coding mode was adopted in the proposed algorithm. Then, some mutation and crossover operators were introduced to achieve discrete optimization of RCSCN structure. The simulation results show that the proposed algorithm can gain global optimal solution with good convergent performance and rapidity. The computing speed is only 22.16 s, which is shorter than those of the other optimization algorithms.