基于熵的双群体遗传算法研究

提出了一种基于熵的双群体遗传算法.首先采用熵最大的方法产生两个初始化群体,使得初始化的个体尽可能均匀分布在遗传搜索空间.在一个群体中设计了基于熵最大的直接替代选择运算并采用高变异率提高遗传算法的全局探索能力.在另一个群体中采用逐渐减小的动态变异率提高遗传算法的快速局部搜索能力.两个群体之间的相互移民策略均衡了遗传算法的全局探索能力和快速局部搜索能力.实验显示,基于熵的双群体遗传算法对复杂多模函数寻优在全局收敛率和收敛速度上都具有一定的优势.     

一种基于有性繁殖的遗传算法

为了更有效地抑制标准遗传算法 (SGA)中的早熟收敛现象和提高收敛速度 ,提出了一种基于有性繁殖的遗传算法 .该算法借鉴了自然界最常见的有性繁殖现象 ,首先将每个个体编码为配对的双染色体码串 ,并增加性别染色体编码 ,以建立遗传个体的性别特征 ;然后 ,通过建立有性遗传进化算子来对不同性别的个体赋予不同的进化控制参数 ,以使得雄性个体具有较强的全局探索能力 ,而使雌性个体具有较强的局部快速寻优能力 ,最后通过建立对应的有性遗传交叉、变异算子 ,使得这种基于有性繁殖的遗传算法具有更强的全局寻优能力和快速收敛能力 .用该算法对一系列典型函数和其他优化问题进行了优化计算试验 ,结果证明 ,该算法不易陷入早熟收敛 ,且全局搜索能力和局部搜索能力平衡较好 ,收敛速度快 ,同时也验证了这种基于有性繁殖的遗传算法的有效性和优良性能 .     

基于父个体更新的自适应遗传算法

遗传算法作为一种模仿生物自然进化过程的随机优化算法,其群体规模对算法的性能影响很大,群体规模越大,越有利于提高算法的寻优能力,但随着群体规模增大,计算量也显著增加。该文在传统自适应遗传算法整个进化过程中,分阶段对一些适应度较差的父个体进行更新,增大了搜索空间,提高了算法的寻优能力且未增加群体规模。仿真实验表明,与传统自适应遗传算法相比,该算法能显著提高解的质量和鲁棒性。     

排挤小生态遗传算法的改进方法

提出了基于搜索空间聚类分析的聚类排挤小生态遗传算法.通过分析适应值曲面的拓扑结构和扩大相似个体的搜索范围,聚类排挤可确定搜索空间的局部性,减少排挤的替换错误并抑制种群的遗传漂移;通过结合确定性替换和概率替换策略,聚类排挤提高了并行局部爬山能力和并行子种群维持能力.对不同多峰问题的仿真优化结果表明,聚类排挤小生态遗传算法的有效峰数量、平均峰值比和全局最优解比等综合性能一致地优于适应值共享、简单确定性排挤和概率排挤等小生态遗传算法.     

基于遗传算法和直接搜索策略的PID整定研究

该文在详细分析遗传算法和直接搜索法优缺点的基础上提出了一种基于遗传算法和直接搜索策略的混合优化算法。该算法既具有遗传算法的全局寻优能力,又具有直接搜索法的局部寻优能力。可大大提高寻优的精度和速度。该混合算法先用遗传算法对给定区域进行全局的粗略搜索,然后用直接搜索法对其中部分较优个体进行局部的精细搜索。应用于PID自整定的仿真实验表明：该算法可节约绝大部分的进化代数,极大地提高寻优的速度,同时,PID整定的参数一致性好,具有比遗传退火策略更一致的寻优精度。     

基于多种群遗传与思维进化的混合算法

多种群遗传算法（MPGA）搜寻最优解的能力受初始种群分布的影响,在解决复杂函数优化问题时存在早熟收敛风险,而思维进化算法（MEA）存在局部搜索精度低和全局收敛速度慢的问题。针对两者的不足,提出一种MPGA和MEA混合的优化算法MPGA-MEA。为参与MEA趋同操作的各子群体设置不同的控制参数,独立进行遗传搜索,同时利用移民算子增强子群体的互动,实现协同进化,直至子群体成熟。在此基础上,释放劣质子群体,并选择全局公告板中记录的优质个体执行交叉和变异操作,产生中心个体,对应生成的临时子群体参与新一轮的迭代寻优。基于不同测试函数的仿真结果表明,该混合算法相较于MPGA和MEA,MPGA-MEA对高维多峰函数的寻优能力得到明显提升。     

一种基于矩阵遗传算子的优化组合遗传算法

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码具有对搜索空间表示精细、容易位值计算的特点,提出矩阵遗传算子,实现群体性对样本空间探索,从而增强遗传算法的全局搜索性能,与具有良好局部搜索性能的遗传算子组合应用,构造了基于矩阵遗传算子的优化组合遗传算法,保证了算法的全局收敛性.实验结果表明,该算法具有更好的整体寻优能力,对利用基于二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义.     

GASS Ⅱ遗传模拟混合智能优化算法

通过对遗传算法算子的行为分析,给出概率动态变化的交叉和变异算子.同时,将遗传算法与随机模拟结合,设计GASS Ⅱ遗传模拟混合智能优化算法.随机模拟采用缩减方差、加速收敛的分层抽样技术,保证抽样遍布整个搜索空间,突破个体分布"畸形"交叉对遗传算法进化能力的限制,有效发挥遗传算法的隐合并行搜索特性,在发生不成熟收敛时能从当前局部解中跳出,搜索转向具有更高适应度的抽样解,迅速收敛到全局最优解,从而有效避免早熟现象,提高了寻优的效率与精度.Benchmark问题评测结果显示出该算法的有效性.     

一种多策略结合的改进文化算法

为了更有效地抑制文化遗传算法的早熟收敛现象和提高收敛速度,提出了一种多策略结合的文化遗传算法。该算法在信念空间,使用与文化算法不同的接受函数、影响函数和更新函数,在群体空间,针对种群采取多种群化,并采用自适应的交叉变异操作且多种群之间加入竞争机制的遗传算法,这样使得改进后的算法具有更强的全局寻优能力和局部寻优能力,有效避免陷入局部最优,抑制了早熟收敛,提高了收敛效率。用上述算法对几个典型函数进行优化,实验证明了多种群自适应的文化遗传算法的有效性和可行性,新的算法不易陷入早熟收敛,此外全局搜索能力和局部搜索能力得到有效平衡,收敛率高。     

基于Matlab的遗传算法解决多峰RBF神经网络模型全局最优化问题

以多峰RBF神经网络模型为例,研究了结合Matlab神经网络工具箱和遗传算法工具箱建立神经网络模型并求解模型的全局最优解,同时比较该模型中不同交叉算子对遗传算法全局寻优能力的影响.结果表明,采用启发式交叉算子能有效抑制遗传算法的早熟,提高其全局寻优能力,为用遗传算法解决多峰神经网络模型全局最优化问题提供了一种有效的途径.     

多Agent协作的生物网络服务质量的智能评估模型

生物网络结构是为设计和实现可调整的、适虚的及可生存的网络应用的中间件.生物网络的服务和应用是通过多Agent之间的相互协作,动态地选择Agent所提供的服务来完成的.基于模糊逻辑、神经网络和遗传算法相结合的方法提出了多Agent协作的生物网络整体服务质量的智能评估和优化模型,它是一种基于五层模糊神经网络的模型,并采用遗传算法进行优化.仿真实验验证该模型的可行性.该智能评估模型能够高效地处理多Agent的模糊和非确定的服务质量评估问题.     

带种族遗传算法的神经网络辨识器及其应用

为了解决油田动态系统建立数字模型难和模型训练难的问题,以多层动态前向网络为模型框架,给出了一种新的油田系统神经网络辩识器,它对上述系统具有通用性。为了训练该辩识器和避免极值问题,模拟生物种族进化机制,设计了新的种族遗传算法。该算法是由改进的带共享机制的遗传算法、启发式山峰聚类算法和新的Powell算法有机结合构成的新型混合算法。应用表明,种族遗传算法具有极强的全局和局部搜索能力,这确保了上述神经网络辩识器具有很高的预测精度,平均相对误差在1%以内。     

扩散遗传算法及其应用研究

针对遗传算法在局部搜索能力方面的缺陷,提出了一种基于扩散算子的遗产算法(简称扩散遗产算法)。该算法中包含的扩散算子是变异算子,其主要作用是在遗传搜索中进行局部搜索。用扩散遗传算法和实数编码遗传算法分别训练用于解XOR问题的神经网络,对比结果表明,论文提出的算法兼具强的全局搜索能力和局部搜索能力,因此,该算法可以不借助其它局部搜索算法而单独作为神经网络训练算法,从而简化训练算法,提高训练效率。该算法对提高遗传算法搜索效率和求解精度具有重要的意义。     

基于反时限混沌郊狼优化算法的BP神经网络参数优化

针对郊狼优化算法优化性能弱及多样性低等问题,提出一种基于反时限衰减算子的混沌郊狼优化算法(ICCOA).首先,在个体迭代更新过程加入反时限衰减权重因子,使得全局搜索与局部开发能力保持平衡的同时提高算法的搜索速度;其次,加入基于Tent混沌映射的混沌干扰机制,将种群中部分较差个体经过映射产生新个体,进而增大种群多样性;接着,为了验证ICCOA算法的优化能力,分别在10、30和100维度下进行函数优化测试,并与5种优化算法进行比较,其实验结果表明ICCOA算法具有良好的优化性能;最后,将ICCOA算法应用于BP神经网络参数优化,提出新的神经网络模型(ICCOABP),并与标准神经网络、基于遗传算法的BP神经网络参数优化方法一同应用于机器学习的分类任务进行性能比较,实验结果表明ICCOABP算法具有高效性.     

基于约束区域神经网络的动态遗传算法

提出一种基于约束区域神经网络的动态遗传算法,将遗传算法的全局搜索和约束区域神经网络模型的局部搜索结合了起来.利用动态遗传算法确定神经网络模型的初始点,同时使用神经网络确定动态遗传算法的适应度函数.该算法具有一定的理论意义和生物意义.与标准的遗传算法相比,缩小了搜索规模,可获得不定二次规划问题更好的近似最优解.     

基于融合算法的测试优化选择问题研究

测试优化选择是个集覆盖问题,而启发式算法是求解集覆盖问题的有效方法。文中将遗传算法、BP神经网络和模拟退火算法进行融合,提出了一种融合算法,该算法充分利用遗传算法全局搜索能力强、BP神经网络训练能力强和模拟退火算法搜索速度快的优点,既避免陷入局部最优的现象,又提高了搜索的效率和精度。该算法已应用于求解测试优化问题。实例证明,该算法能够快速有效地求得测试优化问题的最优解。     

改进的自适应遗传算法在人体行为识别中的应用

为提高传统自适应遗传算法优化的BP神经网络对人体行为的识别率,提出了一种改进的自适应遗传算法优化的BP神经网络预测方法。该算法使用新的动态变化的交叉和变异分布指数计算公式来优化传统的二进制交叉和多项式变异操作,根据种群集中和分散的剧烈程度自适应地增大或减小交叉和变异的概率,极大地弥补了传统的交叉和变异操作所造成的破坏优良个体的缺陷。通过搭建遗传算法优化的BP神经网络模型,对3000组不同人体行为的加速度数据进行测试,实验结果显示,经过改进后,算法的准确率从92.31%提升到了96.47%。     

量子遗传算法优化BP神经网络的网络流量预测

为了提高网络流量的预测精度,提出了一种改进的多种群量子遗传算法优化BP神经网络的网络流量预测模型。在确定了神经网络的结构后,采用多种群量子遗传算法对BP神经网络的初始权值和阈值进行优化。该模型利用K均值聚类算法将种群划分成若干子种群,多个子种群分别进化以保持种群的多样性。子种群间通过移民操作进行信息交互,减小了算法陷入局部最优的概率。同时采用一种自适应的量子旋转门调整策略加快算法的收敛速度。仿真结果表明,相较传统方法,该模型在网络流量预测方面具有收敛速度快、预测精度高的优点。     

遗传算法优化神经网络权值盲均衡算法的研究

将遗传算法与神经网络盲均衡算法相结合,提出了两段式优化神经网络权值的方案。首先利用遗传算法全局搜索能力强的特点优化初始权值,然后发挥BP算法局部搜索速度快的特点得到最佳权值。经计算机仿真表明,该算法与传统BP神经网络盲均衡算法相比,收敛速度加快,稳态剩余误差减小,误码率降低。     

Bearing parameter identification of rotor–bearing system using clustering-based hybrid evolutionary algorithm

A new bearing parameter identification methodology based on global optimization scheme using measured unbalance response of rotor–bearing system is proposed. A new hybrid evolutionary algorithm which is a clustering-based hybrid evolutionary algorithm (CHEA), is proposed for global optimization scheme to improve the convergence speed and global search ability. Clustering of individuals by using a neural network is introduced to evaluate the degree of mature of genetic evolution. After clustering-based genetic algorithm (GA), local search is carried out for each cluster to judge the convexity of each cluster. Finally, random search is adapted for extrasearching to find a potential global candidate, which could be missed in GA and local search. The proposed methodology can identify not only unknown bearing parameters but also unbalance information of disk by simply setting them as unknown parameters. Numerical example and experimental results were used to verify the effectiveness of the proposed methodology.