自适应混沌量子克隆算法

针对传统进化算法的早熟和收敛速度慢等瓶颈问题,提出了自适应混沌量子克隆算法．算法中采用量子编码来表示个体,利用个体质量、进化代数和个体的分布情况构造变异算子,针对克隆算子局部寻优能力强的特点,通过logistic混沌序列自适应地调节变异尺度,提高种群多样性,避免盲目搜索．对函数优化问题的仿真实验表明:本算法求解精度高,均方差小于10-7;运算次数小,平均运算代数在10代以内就能获得高质量的解．     

基于内分泌激素调节机制的量子进化算法

针对传统量子进化算法用于搜索某些适应度函数时稳定性和精确性差的问题,在计算量子旋转角时引入内分泌激素调节规律,使得量子旋转角根据种群进化代数及个体适应度值自适应调整,提出了一种基于内分泌激素调节机制的量子进化算法.并用于Schaffer函数寻优和三维人脑图像分割.仿真实验结果表明,该算法不仅保留了传统量子进化算法收敛速...     

一种自适应免疫记忆多克隆进化算法

基于免疫系统的克隆选择机制,提出一种用于函数优化的改进免疫克隆算法.该算法针对单克隆选择算法容易陷入局部最优的弱点以及算法在迭代后期易出现停止不前的现象,采用浮点编码,增加了两超变异、启发式交叉和错位交叉三种算子;对不同的抗体群采用不同的进化方法;自适应调节变异和交叉系数及抗体的克隆数量.对三个典型复杂函数的测试结果表明,该算法有效地克服了早熟问题,提高了全局寻优能力,收敛速度快,性能稳定.     

量子进化算法和免疫算法的比较研究

量子进化算法和免疫算法都是解决优化问题的强有力算法。在分析了量子进化算法搜索的特点和免疫算法的机理基础上,对它们进行比较,阐明了二者的不同特点,并通过仿真实例总结出它们在求解多峰值函数优化问题上各自的优缺点。     

自适应并行混沌免疫进化规划

基于克隆选择原理,提出一种新的并行混沌免疫进化规划算法.在算法中,根据抗体抗原亲和度将抗体种群分为两个子群,相应的提出混沌克隆算子和超变异算子,混沌克隆算子在局部空间具有较强搜索能力,超变异算子在广阔空间具有大范围搜索能力,通过两个算子的并行操作使局部寻优和多样性保持相结合,从而提高算法的搜索效率.仿真表明,与传统进化规划(EP)和基于混沌变异的进化算法(EACM)相比较,并行免疫进化规划搜索效率高,能有效抑制早熟收敛现象,可用于解决复杂的机器学习问题.     

一种解决函数优化问题的免疫算法

介绍了免疫算法的基本概念，以及人工免疫系统中的克隆选择原理，基于该原理，结合遗传策略中的高斯变异算子，提出一种免疫算法来解决函数优化问题。给出了算法的描述，数值实验中选择了几个函数进行优化，并将实验数据结果与传统的遗传算法进行了比较。数据实验结果表明，该免疫算法能够寻找到更优的优化结果，并且在收敛速度上明显优于传统的遗传算法。     

基于克隆遗传量子算法的多用户检测

基于免疫克隆选择理论和遗传量子算法,提出了一种解决CDMA系统多用户检测问题的克隆遗传量子算法.通过使用克隆选择算子和遗传量子算法的理论,新算法能执行随机搜索和经验学习.所提的算法把随机神经网络嵌入到克隆遗传量子算法的每一代中.通过结合随机神经网络到CGQA中,可以加快CGQA的收敛速度、减少计算复杂度.另外,CGQA所提供的好的初值可以改善SHNN的性能,嵌入的SHNN还提高了CGQA的性能.在讨论了使用新算法设计多用户检测器的性能特点后,在CDMA系统进行了计算机仿真并和一些多用户检测器进行了比较.仿真结果证明了文中所提多用户检测器的抗多址干扰能力和抗远近效应能力都优于一些应用以前算法的多用户检测器.     

求解多峰函数优化问题的免疫量子进化算法

提出了一种求解多峰函数优化问题的免疫量子进化算法, 该算法依据小生境机制将量子表达的初始 种群划分为子群组, 再对每个子群组利用免疫特性的局域搜索能力包括抗体的克隆选择、记忆细胞产生、免疫细胞 交叉变异、抗体的促进与抑制等进化机制, 找出局域最优解。最终算法可保持所有优化解。算法综合了量子计算的 天然并行性和免疫算法的充分自适应性, 它比传统的进化算法具有更好的种群多样性, 更快的收敛速度, 更有效的 全局和局域寻优能力;证明了算法的收敛性, 最后通过仿真实验表明了该算法的优越性。     

化验室资源调度优化的改进型克隆选择算法

为了提升化验室处理化验单能力,实现资源调度优化,建立了化验室调度模型,引入了克隆选择算子、自适应变异算子以及多种群协同进化思想,提出了改进型克隆选择算法,并运用该算法对化验室处理化验单进行了调度优化。将改进型克隆选择算法与多种类型算法进行对比,结果显示,改进型克隆选择算法能有效改善早熟收敛问题,提高搜索效率,获得最优分配方案,适用于化验室化验单调度问题,满足实际要求。     

函数优化问题的动态并行量子遗传算法

针对传统量子遗传算法在解复杂连续函数优化中存在的早熟收敛、收敛速度慢、计算时间长的问题,提出一种解复杂连续函数优化问题的动态并行量子遗传算法(DPQGA)。采用多种群协同进化,每个子种群按照各自的进化目标在不同的搜索区域进化,形成并行搜索方式,加快算法收敛速度,避免早熟收敛;同时设计了一种新的动态量子旋转角的更新策略及量子门调整策略,减少算法的迭代次数;在最优解连续数代无变化时引入灾变算子,使种群保持良好的多样性。通过对5个测试函数的仿真,结果表明,该算法搜索到的最优解较QGA算法更优。与已有算法相比,该算法在收敛速度、迭代次数、全局寻优能力上都有了较大的改进和提高。     

基于实数编码和目标函数梯度的量子遗传算法

提出了一种基于实数编码和目标函数梯度信息的量子遗传算法．该方法用量子比特构成染色体,用实数对量子比特进行编码,用量子旋转门进行染色体更新,用量子非门进行染色体变异．对旋转门的旋转角方向的选择,给出了简易快捷的方法；对旋转角大小的选择,结合了目标函数的梯度信息．该方法将每一量子位看作上下两个并列的基因,每条染色体包含两条并列的基因链,每条基因链代表一个优化解．在染色体数目相同时,可使搜索空间加倍．以函数极值问题和神经网络权值优化问题为例,验证了该方法的有效性．     

基于改进人工蜂群优化算法的PID参数整定

针对传统的PID控制器参数整定方法中存在的整体效率低、控制效果差等问题,提出了一种改进的人工蜂群算法,在标准算法的搜索方程中引入差分进化算法的变异算子,并添加自适应调整参数,提升算法的收敛速度、增强局部寻优效果的同时,平衡了算法的全局探索和局部开发能力。实验表明,改进后的算法对PID控制器的参数整定优化有明显效果。     

人工免疫网络的改进及其在免疫神经控制中的应用

针对人工免疫网络(AIN)搜索能力不强的问题,通过引入新生抗体的进化环节,用遗传算子代替克隆变异作为主要的搜索手段,增强了网络的搜索能力.改进网络被用于免疫神经控制中抽取控制经验,形成知识库,并指导遗传算法在线搜索.仿真结果表明,改进后人工免疫网络的搜索能力得到较大提高;通过引入经验指导,能加快遗传算法的收敛速度,进一步增强了免疫神经控制的实时性.     

BP神经网络的量子学习及应用

在神经网络的训练过程当中,引入量子遗传算法,结合BP梯度下降反传训练方法构造神经网络的量子优化算法。利用量子运算的高效并行性,对神经网络实行量子编码,用量子门旋转来代替网络进化时交叉、变异等更新操作,使得网络训练收敛精度高、收敛速度快、同时避免陷入局部最优的缺点。最后提出了一种基于量子神经网络的预测方法,仿真结果表明,基于量子遗传算法的神经网络,训练次数,误差精度以及预测能力都明显优于BP神经网络。     

人工免疫中匹配算法研究

针对现有基于人工免疫理论入侵检测系统中的亲和力匹配算法研究的不足,导致检测结果误报率和漏报率较高的问题,提出了一种新的进化匹配机制.定义了自体非自体,给出了成熟细胞动态方程,亲和力累积方程和进化匹配算法,建立了模型的形式化描述.采用动态匹配算法加快了进化速度,保存了具有优势特征的物种,提高了检测效率和准确性,使得对抗原的识别率更为有效.实验结果表明,该模型具有定量、高效率和较好的准确性,能积极主动的保护系统不受实质性攻击.为构建新一代高效合理的网络安全系统提供了一种有效方案.     

带有顶端增强算子的遗传算法

二进制编码遗传算法是基于演化和自然选择模型的全局优算法,加速算法的寻优速度具有重要价值,受生物界“王者”现象启发,结合内插外推理论,设计了一种加速遗传算法的顶端增强算子,该算子着眼最优个体群,以赋予适应值最大的个体群更多的操作,顶端加强算子的引入,加强了遗传寻优算法的方向性,有效地防止了算法陷入伪极值点,从而大大提高了算法的收敛速度,该算法不要求被寻优函数连续可微,不增加求解系统的次数,其增加的计算量极小,给出使用该算法对两个遗传法测试函数寻优和一个小规模的神经网络系统训练的算例,并与基本遗传算法进行了比较,仿真结果验证了该算法的有效性。     

模拟追逐算法

提出了一种群体智能算法——模拟追逐算法.该算法模拟长跑比赛运动员追逐竞争过程,设计了追逐算子与探测算子.领先个体执行探测算子操作以便获得更优位置,落后个体为取得竞争优势,设定追赶目标,执行追逐算子操作,完成跟随超越,从而实现群体进化寻优.仿真实验表明,模拟追逐算法有较快的收敛速度和较高的求解精度,是一种稳定的优化算法.     

交叉粒子群算法在大地电磁反演中的应用

大地电磁粒子群算法反演属于非线性反演。在本文中,结合不同类型一维层状介质地电模型,介绍了大地电磁粒子群算法反演方法。在模型层数和参数增加、粒子维数增高时,针对标准粒子群算法处理高维问题容易陷入局部最优和收敛速度降低的缺陷,通过在搜索过程中引入交叉因子,增加了粒子多样性,克服了算法寻优过程中局部收敛的问题,提高了收敛速度。理论模型和实测数据试验结果表明,改进的粒子群算法在大地电磁反演中的寻优质量和效果较为理想。     

基于遗传算法的大型Flow—shop生产调度

Flow—shop调度问题具有建模复杂性、计算复杂性、动态多约束、多目标性等特点。近几年,各种演化计算方法逐渐被引入到生产调度中,特别是遗传算法的应用。为此,应用Matlab开发生产调度程序,并利用实际生产数据进行了仿真;通过相关仿真实验,验证了不同交叉算子和变异算子组合获得的最优解存在差异,获得并验证了一种较好的交叉算子和变异算子组合,其仿真调度数据验证了遗传算法用于求解大型流水车间调度的可行性和有效性。