模糊自适应遗传算法

针对标准遗传算法在实际应用中存在的早熟问题,设计了标准遗传算法的一种改进形式--模糊自适应遗传算法.该算法是利用种群的方差和熵来衡量种群多样性,并根据每代种群的方差和熵设计模糊推理系统来自适应控制交叉概率和变异概率.通过多峰函数优化问题的仿真实验,表明了该模糊自适应遗传算法的可行性和有效性.     

遗传算法求解的种群多样性研究

为了提高遗传算法的全局收敛性必须在进化过程中提高和维持种群的多样性.本文针对遗传算法求解TSP问题,探讨了遗传算法种群多样性的检测方法,通过将多种多样性检测方法进行对比实验,结果表明传统的基于表现型的检测方法不能有效反映TSP问题种群的多样性或多样性变化,本文所提出的方法根据种群所有个体的连接矩阵,计算连接矩阵的熵来反映种群多样性,不仅有效且降低了时间复杂度.     

基于最小熵产生选择策略的遗传算法研究

针对遗传算法(Genetic Algorithm, GA)容易陷入局部最优的问题,借鉴热力学非平衡定态下的最小熵增原理,提出一种基于最小熵增原理的热力学选择策略,使个体的选择不再完全依赖于适应值。通过最小熵产生选择策略使种群在保证收敛速度的同时保持多样性,有效避免了种群陷入局部最优。通过定义个体密度来度量种群多样性,利用精英策略驱动种群熵产生快速下降;当种群多样性过低时,使用基于最小熵产生的选择策略产生新种群以保证种群多样性。在0/1背包问题和数值测试问题上的实验结果均表明,该策略能很好地保证解集分布的均匀性,防止种群陷入局部最优。同时,该策略也可应用于目前较新改进的遗传算法中,对算法效率也有一定的改进,具有很好地普适性。     

改进蚁群遗传算法在大规模车间调度中的研究

本章提出一种基于相似度和种群熵的改进蚁群遗传算法,用于求解大规模调度问题。该算法将种群分成勘探、开发、勘探开发以及保留四类种群,根据各种群的功能,采用不同的遗传参数和不同进化策略。在算法中,本文用相似度来建立种群熵。最直观的反映种群的多样性,利用与种群熵相关的种群因子动态的调节种群的规模,以保证种群的多样性。加强算法的并行性。     

基于量子遗传算法的二维最大熵图像分割

图像分割二维最大熵算法存在计算复杂度高的弊端,目前针对这个问题所提出的各类算法效果都不太理想。依据量子遗传算法种群多样性好、收敛速度快的特点,提出了一种基于量子遗传算法的二维最大熵算法,与基于标准遗传算法的二维最大熵算法相比较,取得了更好的实验效果。     

基于种群熵的改进型遗传算法

本文针对遗传算法具有早熟或局部收敛的缺点,根据种群熵S的实际意义,设计了一种可按照当前种群熵S的大小自动切换适应度函数的自适应适应度函数。对基本遗传算法,分别采用指数适应度函数,反比例适应度函数和本文定义的自适应适应度函数,在三种常用检测函数上进行实验,结果表明采用自适应适应度函数的基本遗传算法继承了指数适应度函数和反比例适应度函数的优点,既有强劲的收敛能力,又能保持种群多样性,可以更好更快更精确地收敛到问题的最优解。     

基于灾变遗传算法的超分辨率图像恢复

采用简单遗传算法进行超分辨率图像恢复时,往往由于种群多样性的不足而导致早熟收敛,得到的图像恢复质量不理想。针对该问题,提出了一种基于灾变遗传算法求解高分辨率图像最优估计的方法。在简单遗传算法的基础上,该算法以适应值方差作为灾变的判断条件,将共轭梯度算法作为灾变算子重新构建种群,从而增加了种群多样性。同时对灾变条件和灾变规模进行了分析,并且给出了根据进化代数自适应调节灾变条件的方法。仿真实验表明了该算法的有效性。     

粒子群算法种群结构与种群多样性的关系研究

本文采用种群熵刻画粒子群算法中种群的多样性，并通过一组标准测试函数分析了不同的种群结构及邻城关系对粒子群算法种群多样性变化和算法性能的影响。实验结果表明，不同的种群结构具有不同的信息传递特性，对粒子群种群多样性的变化及算法的搜索效果有着较大的影响，因此对于不同的问题需根据其特点选择不同的种群结构。     

自适应变异的遗传算法求解Flow Shop问题

针对遗传算法在求解流水车间调度问题中易出现早熟收敛的局限性．提出了自适应变异的遗传算法。该算法在运行的过程中，首先定义了一种新的衡量种群多样性的熵．然后根据熵值来确定变异概率。这种变异增强了遗传算法跳出局部最优解的能力。仿真实例的结果表明了该算法的有效性，最后利用该算法设计并实现了一个简单的服装加工智能调度器。     

云环境下方差定向变异遗传算法的任务调度

云环境下遗传算法（GA）的任务调度存在寻优能力差、结果不稳定等问题。对于上述问题,提出了一种基于方差与定向变异的遗传算法（V-DVGA）。在选择部分,在每一次迭代的过程中进行多次选择,利用数学方差来保证种群的多样性并扩大较优解的搜索范围。在交叉部分,建立新的交叉机制,丰富种群的多样性并提高种群整体的适应度。在变异部分,优化变异机制,在传统变异的基础上采用定向变异来提高算法的寻优能力。通过workflowSim平台进行云环境仿真实验,将此算法与经典的遗传算法和当前的基于遗传算法的工作流调度算法（CWTS-GA）进行比较。实验结果表明,在相同的设置条件下,该算法在执行效率、寻优能力和稳定性等方面优于其他两个算法,是一种云计算环境下有效的任务调度算法。     

Stochastic feedback and its relation to the entropy criterion

In this paper, we generalize the interpretation of the entropy criterion by using stochastic feedback. When a common white Gaussian noise of zero mean and unit variance is applied, the entropy of a transfer function is shown to be equivalent to the maximum variance of the outputs fed back and added to the input through multiplication of a stochastic gain. It turns out that the existing minimum entropy control is useful for minimizing the worst effect of external noises on the outputs when stochastic feedback is applied.     

Disturbance attenuation over a first-order moving average Gaussian noise channel

In this paper, the problem of disturbance attenuation has been studied for a linear time-invariant feedback control system with a first-order moving average Gaussian noise channel. By applying the concept of entropy power, a lower bound of signal-to-noise ratio has been achieved which is necessary for stabilisation of a system with the limited channel input power constraint. Moreover, the problem of minimising the influence of a stochastic disturbance on the output has also been investigated, and the controller design method has been obtained by using Youla parameterisation and H₂ theory. It is shown that the minimum variance of the system output depends not only on the disturbance variance, noise variance and unstable poles, but also on the non-minimum phase zeros and channel parameter. Finally, the effectiveness of the proposed results is illustrated by a numerical example.     

基于最大类间方差的最大熵图像分割

最大熵分割算法对于目标与背景之间界限模糊的图像分割效果较好,但该算法对图像边缘的处理能力较差。最大类间方差分割算法对图像边缘的识别能力较强,但该算法对于目标和背景之间界限模糊的图像分割效果不好。针对上述问题,提出了一种基于最大类间方差的最大熵图像分割算法,该算法既能很好地对目标与背景之间界限模糊的图像进行分割,又能有效地识别图像的边缘。实验结果表明,本文所提算法对目标与背景之间界限模糊的图像的分割效果以及对图像边缘的识别能力均优于传统的最大类间方差算法和最大熵算法,且具有更好的有效性和鲁棒性。     

二项分布熵的性质

本文证明了二项分布的熵有如下性质:设X～B(n,p),对确定的n,当p<(1/2)时,熵随着p的增加而增大,当p>(1/2)时,熵随着p的增加而减少,当p=(1/2)时,熵达到最大值;对确定的p,熵随着n的增加而增加。对两个有相同n或p的二项分布,方差相等时,它们的熵也相等;方差较大的二项分布对应的熵也较大。     

一种度量数据信息不确定性的方法

对数据信息不确定性的度量是学术界和工业界十分关注的课题,目前常用的不确定性度量方法基本上是基于方差或信息熵的,在方差计算的基础上提出了一种简单的度量方法来度量随机数据的不确定性,这种度量方法基于累积方差但与传统方的基于方差的形式有所不同,和信息熵具有类似的表示意义而且计算度更快,分析结果表明该方法可以在对离散随机数据的不确定性度量应用中作为一种选择方案。此外,对定义的度量方法的性质和效果进行了讨论。     

Toward a robust optimal point selection: a multiple-criteria decision-making process applied to multi-objective optimization using response surface methodology

During the multi-objective optimization process, numerous efficient solutions may be generated to form the Pareto frontier. Due to the complexity of formulating and solving mathematical problems, choosing the best point to be implemented becomes a non-trivial task. Thus, this paper introduces a weighting strategy named robust optimal point selection, based on ratio diversification/error, to choose the most preferred Pareto optimal point in multi-objective optimization problems using response surface methodology. Furthermore, this paper proposes to explore a theoretical gap—the prediction variance behavior related to the weighting. The ratios Shannon’s entropy/error and diversity/error and the unscaled prediction variance are experimentally modeled using mixture design and the optimal weights for the multi-objective optimization process are defined by the maximization of the proposed measures. The study could demonstrate that the weights used in the multi-objective optimization process influence the prediction variance. Furthermore, the use of diversification measures, such as entropy and diversity, associated with measures of error, such as mean absolute percent error, was determined to be useful in mapping regions of minimum variance within the Pareto optimal responses obtained in the optimization process.

     

Entropy estimation in Turing's perspective

A new nonparametric estimator of Shannon's entropy on a countable alphabet is proposed and analyzed against the well-known plug-in estimator. The proposed estimator is developed based on Turing's formula, which recovers distributional characteristics on the subset of the alphabet not covered by a size-n sample. The fundamental switch in perspective brings about substantial gain in estimation accuracy for every distribution with finite entropy. In general, a uniform variance upper bound is established for the entire class of distributions with finite entropy that decays at a rate of O(ln(n)/n) compared to O([ln(n)]2/n) for the plug-in. In a wide range of subclasses, the variance of the proposed estimator converges at a rate of O(1/n), and this rate of convergence carries over to the convergence rates in mean squared errors in many subclasses. Specifically, for any finite alphabet, the proposed estimator has a bias decaying exponentially in n. Several new bias-adjusted estimators are also discussed.     

基于地形熵和地形差异熵的综合地形匹配算法

水下运载体的导航主要以惯性导航为主,但是,由于水下运载体在海底的运行速度比较慢,惯性导航系统随着时间的累积出现了定位误差增大的缺点,因此需要地形辅助导航来纠正惯导的误差。文中将地形熵和地形差异熵的概念引入到水下地形匹配算法中,设计了基于地形熵和地形差异熵的综合地形匹配算法,并将该算法应用于水下地形辅助导航系统中,经验证该算法取得了良好的纠正惯导定位的效果,实现了水下地形辅助导航的任务。