交叉算子与免疫算子的作用比较

通过应用免疫原理设计免疫算子对交叉结果进行修复，将免疫算子作为“有导向的变异算子”取代经典演化算法中的“盲目的变异算子”，可以有效抑制优化过程中的退化现象。该文以旅行商问题为例，通过设置不同的交叉概率和免疫概率，对免疫遗传算法中交叉算子和免疫算子的作用进行研究。实验结果表明，交叉算子的作用在于保证候选解的多样性和建设性（将局部近似最优解组合成全局近似最优解）；而免疫算子的作用则是对候选解进行局部优化，二者的结合体现了搜索过程中勘探与开采的统一。     

一种改进的双群进化规划算法

双群进化规划算法采用高斯振荡变异算子对解空间进行大范围盲搜索,效率较低。针对该问题提出一种改进的双群进化规划算法。采用与适应度函数相关的变异算子替换原双群进化规划算法中的高斯振荡变异算子,实现对解空间的导向性高效搜索。仿真结果表明,改进算法性能高于原有算法。     

基于改进免疫算法的固定信道分配

在蜂窝移动通信网络中,频谱资源日益紧缺,为了提高频谱的利用率,运用一定的优化算法合理规划频率资源显得尤为重要。免疫算法在解决频率分配问题中比遗传算法有更好的特性,但仍然存在着收敛率低和易陷入局部最优解等缺点。针对上述问题,本文提出了一种改进的免疫算法,该算法根据最大频率需求数自适应的选择为分配难度大的小区还是频率需求数多的小区优先分配信道;采用自适应交叉算子和选择性变异技术,并用交叉之后的最小适应度值去控制变异算子的前进方向;在选择个体时还采用了改进的精英保护机制。仿真结果表明,改进后的算法提高了算法的收敛率和加快了收敛速度,能够很好地解决频率分配问题。     

遗传算子的分析

阐述了遗传算法的特点,分析了遗传算法中选择算子、交叉算子和变异算子的特性,讨论了不同遗传算子对算法最优结果的获得所起的作用,提出了改善算法性能的措施,并设计了切实可行的选择算子、交叉算子和变异算子。模拟结果表明,遗传算法能在较短的时间内提供优化解,为解决复杂的优化问题提供了可行方案。     

基于免疫粒子群的嵌入式系统软硬件划分方法

针对嵌入式系统软硬件划分问题,提出一种粒子群算法与免疫克隆选择算法相结合的免疫粒子群软硬件划分方法。该算法重新定义了亲和力、克隆算子、变异算子和选择算子,有效克服了粒子群算法容易陷入局部最优的缺点。仿真实验表明该算法有效提高了解的精度,获得了更合理的软硬件划分结果。     

遗传算子的分析

阐述了遗传算法的特点，分析了遗传算法中选择算子、交叉算子和变异算子的特性，讨论了不同遗传算子对算法最优结果的获得所起的作用，提出了改善算法性能的措施，并设计了切实可行的选择算子、交叉算子和变异算子。模拟结果表明，遗传算法能在较短的时间内提供优化解，为解决复杂的优化问题提供了可行方案。     

改进的混合蛙跳算法

为提高混合蛙跳算法在优化问题求解中的性能,提出了一种改进混合蛙跳算法。改进算法在原算法基础上加入了变异算子,并根据算法进化过程的不同阶段和进化过程中候选解分布情况,利用模糊控制器对变异算子的变异尺度进行调整,实现了变异算子在解空间中搜索范围的动态调整。通过对优化问题中4个典型测试函数的仿真实验表明,与基本蛙跳算法和已有改进算法相比,改进算法在寻优精度、收敛速度和求解成功率上均有一倍以上的提高,尤其在高维复杂优化问题求解中体现出较强的寻优能力。     

单机分批排序问题的变异蚁群算法

文章考虑了求解单机分批排序问题的蚁群算法,首先设计了求解单机分批排序问题的蚁群算法,然后给出该蚁群算法的关于信息素的内变异算子和外变异算子,最后给出了计算结果比较分析。     

基于自适应选择和变异的改进粒子群算法

针对基本粒子群优化算法搜索精度低和易早熟的缺点,提出了一种基于自适应选择和变异算子的改进粒子群算法。选择算子可提高粒子群的整体适应度,增强粒子群的局部搜索能力;变异算子则能扩大粒子群的搜索范围,防止粒子群陷入局部最优。搜索时,根据全局极值在迭代过程中的变化情况,自适应地调整选择算子和变异算子使粒子群飞向全局最优。典型函数的算例测试表明,改进的粒子群算法较传统算法具有更高的搜索精度和更强的抗早熟能力。     

一种基于双变异算子的免疫网络算法

针对遗传算法难以解决多峰函数优化的问题,提出一种基于双变异算子的免疫网络算法.该算法借鉴免疫系统的克隆选择和免疫网络理论,采用双变异算子提高算法的全局和局部搜索能力.利用动态网络抑制策略保持神群的多样性,自适应地调节抗体群的规模.仿真结果表明,该算法能有效地改善种群的多样性,较好地实现全局优化与局部优化的有机结合,具有更强的多峰函数优化能力.     

融合正弦余弦算法和精英算子的花授粉算法

针对花授粉算法（FPA）具有寻优精度较低,稳定性不高的问题,提出了一种融合正弦余弦算法和精英算子的花授粉算法（SCA-EFPA）。针对花授粉算法的局部授粉过程,授粉范围小且易陷入局部最优值的问题,利用正弦余弦算法的“局部开发”和“全局搜索”特性,并作简化改进后引入;针对其全局授粉过程,搜索范围较大且寻优精度低的问题,引入精英花粉算子以提高寻优精度并且进行变异和交叉操作以保持种群多样性。达到整个改进后的算法具有提高寻优精度的目的。选取多组标准测试函数来测试改进算法的各项性能。结果表明,与基本花授粉算法、粒子群算法和差分变异算法等相比,融合正弦余弦算法和精英算子的花授粉算法具有更高的寻优精度,更好的稳定性和收敛性。     

融合头脑风暴思想的教与学优化算法

针对教与学优化（TLBO）算法在求解高维问题时表现出的收敛速度慢、解精度低、易陷入于局部最优的问题,提出了一种融合头脑风暴思想的改进教与学优化算法（ITLBOBSO）。在该算法中设计了一种新的“学”算子,并以其替换TLBO算法中的“学”。该算法在种群的迭代过程中,当前个体首先执行“教”算子。随后,在种群中随机选择两个个体,令其中优秀的个体与当前个体执行头脑风暴式学习,提升当前个体的状态。为了赋予算法早期良好的探索能力和后期对新解的开发能力,在该算子的公式中引入柯西变异和一个与迭代次数关联的随机参数。进行的一系列的仿真实验表明,与TLBO算法相比,所提算法在11个Benchmark函数上的解精度、鲁棒性和收敛速度都有大幅度提升。在2个约束工程优化问题上,ITLBOBSO所求得的耗费成本比TLBO算法降低了4个百分点。由此验证了所提出的机制对克服TLBO弱点的有效性,所提算法适合用来求解较高维度的连续优化问题。     

对IUMDA算法的改进

IUMDA算法是进化算法的一种，模拟生物进化过程构造人工系统的模型，是一种全局优化搜索算法。由于仅仅使用选择算子和基因池重组算子，IUMDA算法经常会出现未成熟收敛现象，极大地影响了算法的性能。针对IUMDA算法存在的不足，可以在IUMDA算法中增加变异操作，加入变异算子来对算法进行改进，以便维持群体的多样性，有效地防止未成熟收敛现象。加入变异操作可以使IUMDA算法在性能、运算规模及收敛速度等方面有很大的提高。通过实验及理论分析可以看出，在IUMDA算法中加入变异算子并选择适当的变异率后，可以有效地防止未成熟收敛现象的出现，有助于提高解的质量，减小运算规模，而且能够增加算法收敛到全局最优解的概率，极大地提高了算法的性能。     

改进的基因表达式程序设计及其在函数建模中的应用

该文提出了一种改进的基因表达式程序设计的遗传进化算法PGEP，新的算法引入三个算子：（1）基于精英保存策略的精英子空间算子；（2）基于全局收敛策略的变重组、变换概率Pc和变变异概率Pm算子；（3）基于群体搜索技术的变维子空间算子。将改进的基因表达式程序设计应用于函数建模，获得满意的结果。     

面向局部光照突变的时间和空间中心对称局部二值模式算子

针对现有背景建模方法对局部光照突变非常敏感的问题,提出了一种新的时间和空间中心对称局部二值模式(TSCS-LBP)算子,并基于该算子的直方图设计了一种背景建模方法。TSCS-LBP算子在中心对称局部二值模式(CS-LBP)算子的基础上加入时域信息和中心像素信息,并引入有光照因子的自适应阈值,从而在保持较低计算复杂度的基础上,具有能够快速适应光照突变的能力。在此基础之上设计的背景建模方法,能够在常用实验场景中较为准确地检测出前景,有较高的抗噪性和检测精度;同时在有局部光照突变的特殊场景中也有很好的适应能力,与已有方法相比有较高的优越性。实验结果表明了本文方法的有效性和鲁棒性。     

一种面向局部光照突变的TSCS-LBP算子

针对现有背景建模方法对局部光照突变非常敏感的问题,提出了一种新的时间和空间中心对称局部二值模式（TSCS-LBP）算子,并基于该算子的直方图设计了一种背景建模方法。所提出的TSCS-LBP算子,在CS-LPB算子的基础上加入时域信息和中心像素信息,并引入有光照因子的自适应阈值,从而在保持较低计算复杂度的基础上,具有能够快速适应光照突变的能力。在此基础之上设计的背景建模方法,能够在常用实验场景中较为准确的检测出前景,有较高的抗噪性和检测精度;同时在有局部光照突变的特殊场景中也有很好的适应能力,与已有方法相比有较高的优越性。实验结果证明了所提出方法的有效性和鲁棒性。     

具有邻域搜索机制的爆炸搜索算法

受烟花(炸弹)爆炸的启发,提出一种新型的智能优化算法——爆炸搜索算法(ESA)。该算法引入邻域搜索的思想,包含3个重要算子：爆炸搜索算子,迁移算子,变异算子,具有较大的局部-全局搜索能力,且收敛速度快、稳定性好。对benchmark函数集进行仿真并与CPSO等算法进行比较,实验结果证实了ESA的高效性。