基于遗传蚁群算法的雾计算任务调度研究

雾计算是部署在网络边缘的分布式系统,任务调度是雾计算中最重要的研究问题之一.针对雾计算环境下任务请求的合理调度问题,提出基于雾计算的遗传蚁群算法.算法前期利用遗传算法快速搜索能力避免蚁群算法前期搜索能力不足的问题,后期利用蚁群算法正反馈的特性进行解空间的搜索.仿真实验结果表明,该算法在CPU执行时间和分配内存方面优于传统的遗传算法和蚁群算法.     

一个基于神经网络和遗传算法的游戏自主角色的设计

具有学习能力和动态适应环境变化的自主角色已经成为商业游戏的一个卖点,采用传统的人工智能方法往往无法实现复杂的自主角色的行为,基于此,采用非确定性的神经网络和遗传算法来实现自主角色已经成为当前游戏人工智能的一个热点。分析了游戏自主角色的特点, 建立了NPC的自主认知模型,同时采用神经网络和遗传算法相结合的游戏自主角色的设计思路,利用遗传算法优化神经网络的方法设计了一个自主角色的框架,建立了一个游戏角色的自学习模型,通过仿真实验表明采用神经网络和遗传算法相结合的非确定性算法形成的游戏角色的自学习系统要比传统的NPC角色更加自主和智能化。     

适应噪声环境的改进遗传算法

遗传算法领域考虑噪声存在的情况非常复杂,设计合理的改进方法提高遗传算法的性能非常必要.从改进算法设计策略的角度,基于引进平滑滤波的方法提出了改进方法,并利用计算机仿真实验,与现有方法比较,结果表明改进的遗传算法不仅提高了算法的收敛性能,并且提高了算法的计算速度.归纳并通过实验表明了现有方法的有效性.最后,从信噪比这样一个新的角度对噪声环境下的遗传算法进行分析,得出了有效的改进方案.     

遗传算法与带权搜索融合的QoS组播路由算法

针对传统多约束路由选择算法计算负担重的问题，论文提出了一种基于遗传算法与带权宽度优先搜索融合的QoS组播路由算法.所提方法融合了遗传算法与带权宽度优先搜索方法，在分组丢包率、带宽、时延抖动、时延等QoS条件约束下，通过所提算法快速得到备选路径，并获取最优的组播路径.在仿真实验中，将所提算法与LDT进行了相比，实验结果表明，论文所提算法可以解决多约束条件下的QoS分组路由问题，并能够有效降低计算负载、减少算法执行时间.     

基于模糊K—Modes和免疫遗传算法的聚类分析

为了克服传统的模糊K-Modes算法分类正确率低、收敛速度慢的缺点,文中将免疫遗传算法应用到聚类分析中,提出了一种基于模糊K-Modes和免疫遗传算法的聚类算法.通过引入免疫算子,不仅提高了收敛速度,而且避免了陷于局部极小,从而能较快地收敛到全局最优解.免疫算子包括抽取疫苗、接种疫苗和选择疫苗.实验结果证明,此算法具有较好的聚类效果,且稳定性强.     

遗传算法优化的神经网络入侵检测系统

研究确保网络安全问题,网络入侵手段具有多样性的,针对病毒和黑客攻击,传统方法检测易出现因初始权值设置不当,导致检测速度慢、检测正确率低的难题,为了提高网络检测正确率,提出一种遗传算法来优化BP神经网络权值的网络入侵检测方法.方法首先通过遗传算法找到BP神经网络的最适合权值,而后采用优化的BP神经网络对网络入侵数据进行学习和检测.实验结果表明,与传统网络入侵检测算法相比,优化的BP神经网络提高网络入侵检测正确率,加快了网络入侵检测的速度,提高检测效率,为设计提供了依据.     

一种快速的Rough集属性约简遗传算法

遗传算法适合复杂问题的处理因此可用于属性约简的求解.目前利用遗传算法进行属性约简的主要不足是:适应度函数计算复杂,效率不高.尤其在处理大型决策表时,计算时间将大量聚集在适应度函数的计算上,从而导致算法性能下降.为了更快的计算适应度函数,在研究基于正区域的区分对象对集的基础上,设计了一种计算适应度函数的快速方法.利用启发信息设计了一种快速的属性约简遗传算法.通过实例分析和算法实验表明该算法能够高效求出决策表的属性约简并且适合处理大型决策表.     

基于链式竞争遗传算法的KSW熵的图像分割

针对最佳熵阈值图像分割算法过程中计算复杂度高的问题,提出了一种基于链式竞争遗传算法的最佳熵阈值确定法(KSW熵法)的图像分割算法.通过将3个邻域的链式竞争引入到常规遗传算法框架下,实现特征选择过程;将改进的遗传算法应用到最佳阈值图像分割算法中,完成对阈值的寻优过程.仿真实验结果与分析表明:算法在分割速度和效果上均优于传统的最佳阈值图像分割算法和单纯的遗传优化最佳阈值图像分割算法.     

基于数值计算方法的遗传算法的优化研究

对其遗传算法的交叉及变异算子进行了深入研究,利用数值计算方法对遗传算法中的算子进行改进,提出了基于黄金分割法、最速下降法、Fibonacci法、"取大"、"取小"法的遗传算法的新算子.并通过实验对改进的遗传算法进行了实证检验,所得结果与传统算法进行了比较,改进算法行之有效,效果更加显著.     

多约束条件下无人机航迹规划

针对多约束条件下的无人机航迹快速规划问题,建立了导航精度约束下无人机航迹规划模型,并设计了“基于Dijkstra算法的航迹规划法”求解模型。通过校正策略优选、校正方案优选和O-D邻接矩阵处理方式,简化搜索路径,降低计算量,提高执行效率,从而实现对传统Dijkstra算法的改进。在满足导航精度约束条件的前提下,以航迹长度最短和经过校正点数量最少为研究目标进行仿真实验,并将所得结果与传统Dijkstra算法和遗传算法所得结果分别进行对比,发现此算法在精度与复杂度方面均优于传统算法和遗传算法。此结果表明,导航精度约束下无人机航迹规划模型和“基于Dijkstra算法的航迹规划法”在解决多约束下无人机航迹规划问题方面具有一定的正确性、有效性和先进性。     

求解车间作业调度问题的混合遗传算法

针对Job-Shop调度问题,将自适应遗传算法与改进的蚂蚁算法融合,提出了自适应遗传算法与蚂蚁算法混合的一种优化算法。首先利用自适应遗传算法产生初始信息素的分布,再运行改进的蚂蚁算法进行求解。该算法既发挥了自适应遗传算法和蚂蚁算法在寻优中的优势,又克服了各自的不足。实验结果表明,该算法在性能上明显优于遗传算法和蚂蚁算法,并且问题规模越大,优势越明显。     

基于遗传算法的多小波数字图像水印算法

提出了一种基于遗传算法的多小波数字图像水印算法,在离散多小波变换(DMT)域中嵌入水印信息,利用遗传算法进行参数优化,提高水印图像的质量和水印的鲁棒性.实验结果表明,在利用遗传算法在GHM多小波变换域中嵌入水印比离散小波变换(DWT)域中嵌入水印更具有鲁棒性.     

基于改进元胞多目标遗传算法的机床主轴优化

为了进一步提高元胞遗传算法在求解多目标优化问题时的收敛性和分布性。在多目标元胞遗传算法的基础上,引入了三维空间元胞,提出了三维元胞多目标遗传算法。采用多目标基准测试函数对该算法进行了测试,并将其与目前比较流行的几种多目标遗传算法进行对比。结果表明,此种算法在收敛性和分布性上取得了更好的效果。采用以上这几种算法分别对机床主轴多目标优化问题进行了求解,相比其他几种算法,改进的多目标元胞遗传算法得到了更优的结果,说明了改进的算法在求解此问题时行之有效。     

模糊神经网络的DNA算法训练

提出了基于DNA计算和遗传算法的DNA遗传算法,给出了DNA遗传算法的结构，讨论了遗传操作算子,利用DNA遗传算法对FNN进行学习，比采用梯度型算法和遗传算法有更高的学习精度和更快的收敛速度,该算法有全局收敛性避免了采用梯度型学习算法训练FNN时固有的局部收敛问题，同样，该算法加速了FNN的训练，能够在线应用．     

基于改进自适应遗传算法的智能组卷算法

传统的组卷算法具有组卷速度慢、成功率低和组卷质量不高等缺陷。为了解决该问题,提出一种基于正弦形式自适应遗传算子的改进遗传算法的组卷算法,理论分析和实验结果表明,与基本遗传算法和自适应遗传算法相比,改进的遗传算法更能满足组卷的实际需求,在全局搜索性能、收敛速度和组卷成功率较基本遗传算法和自适应遗传算法有显著提高,证明了改进算法的有效性和优越性。     

一种基于全局协同与局部进化的遗传算法

改进了协同进化遗传算法中的协同操作,提出了一种基于全局协同与局部进化的两层框架模型和基于此模型改进的遗传算法（GCLEGA）,在高层,采用基于邻域的局部进化算法,旨在加强局部搜索,加速收敛速度,在底层,采用改进的多种群协同进化算法,旨在改善群体的多样性,克服未成熟收敛,两层之间通过提升操作关联,使全局搜索与局部搜索、全局收敛性与收敛速度有机地统一了起来。实验结果显示,GCLEGA在改善未成熟收敛和提高收敛速度两方面都具有良好的性能。     

量子遗传算法及其在多用户检测中的应用

量子计算与遗传算法相结合的量子遗传算法是当今计算智能领域的一个前沿课题。文章从研究遗传算法在并行实现上的困难和改进方法出发,探讨了量子计算与遗传算法结合的理论基础,分析了量子遗传算法的理论和结构,最后提出了一种基于量子遗传算法的多用户检测方法。仿真结果表明,基于量子遗传算法的多用户检测器抗多址干扰的能力明显优于经典遗传算法多用户检测器。     

文化遗传算法的研究及其在函数优化中的应用

为了提高遗传算法的性能,将遗传算法纳入到文化算法框架中组成群体空间和信念空间,提出一种新的优化算法。在群体空间的遗传进化过程中引入随机种群来增加算法的勘探能力,并组织较差个体依概率与信念空间中更新后的优秀个体进行交叉操作;在信念空间充分利用对优秀个体所包含信息的开采能力并采用耗散结构来提高整个空间的自组织能力,更新优秀个体,在很大程度上提高了算法的速度和效率。实验结果表明,新算法能有效地应用于函数优化。     

一种可寻得全局最优解的改进变异算子

文献[1]分析了典型遗传算法不成熟收敛的起因,据此提出了一种改进的遗传变异算子,计算机仿真实验证明改进后的遗传算法能有效地克服不成熟收敛,进而搜索到全局最优解。     

基于文化算法的家庭服务机器人任务规划

通过对家庭服务机器人任务规划问题进行形式化描述,给出了问题的求解模型,提出了一种改进的文化算法,通过算法中信念空间和种群空间的相互联系和相互促进实现求解。算法采用独特的编码方式,其种群空间采用遗传算法作为进化手段,采用较为独特的信念提取方式构造算法的信念空间并促使其进化。将该算法用于家庭服务机器人大赛的仿真平台上,证明其有效性。