基于实数编码遗传算法的混合神经网络算法

该文比较了神经网络与遗传算法的特点，提出了一种融合遗传算法和BP算法的神经网络算法设计。该方法采用了基于实数编码的改进遗传算法来替代随机设定神经网络的初始权阈值，然后由改进的LMBP算法在已由遗传算法确定了的搜索空间中对网络进行精确训练。仿真结果表明神经网络的逼近能力和泛化能力得到了综合提高，能够有效抑制遗传算法初期收敛的发生，确保了快速达到全局收敛，克服了传统BP算法精度低、收敛速度慢、容易陷入局部极小的缺陷。     

面向组合优化问题的一种全新遗传算法

提出了一种全新的遗传算法，并结合组合优化领域的典型难题——TSP问题，设计了编码、交叉及变异等遗传算子，克服了传统遗传算法的编码及遗传操作未能够充分反映及利用道传信息的缺陷，较大程度上降低了传统遗传搜索中存在的盲目性，搜索速度得到明显提高。最后将本遗传算法应用于20个城市的TSP问题求解，计算结果证明了该遗传算法的收敛质量满足要求，收敛速度明显优于许多现有的算法。     

一种新的混合量子进化算法

量子进化算法(QEA)用于多峰函数优化时,容易陷入局部最优.本文提出一种新的混合量子进化算法,通过双编码机制(经典二进制编码和量子概率编码),以及经典交叉和量子概率编码更新策略,实现了经典遗传算法与量子进化算法的有机结合,在发挥经典遗传算法全局优化能力的同时,利用量子概率搜索提高了算法的局部搜索能力.通过一组典型函数优化实验对该算法的性能进行了考察,并与QEA进行了比较.结果表明,本文算法在解的质量和收敛速度上都要优于QEA.     

基于信息熵的DNA免疫遗传算法

针对标准遗传算法在优化应用中遇到的诸如局部搜索能力差、计算量大、对较大搜索空间适应能力差和早熟收敛等问题,该文通过将免疫算法引入到遗传算法中,利用免疫算法的免疫记忆、自我调节和多样性保持功能弥补其不足,提出了一种基于信息熵的DNA免疫遗传算法.该算法采用DNA链对抗体进行编码,利用信息熵来表示抗体间的亲和度及浓度,并提出了一种新的评估指标--聚合亲和度,有效地实现了抗体群的自我调节和多样性保持策略.最后,利用典型测试函数验证了本文方法的有效性.     

一种改进的基于关联规则挖掘的遗传算法

针对传统的遗传算法容易导致算法的过早收敛而陷于局部最优困境,或收敛时间过长而消耗大量的搜索时间的缺陷,该文提出了一种改进的遗传算法,该算法采用一种自适应变异率和改进的个体选择方法,并且将这种改进遗传算法应用于关联规则的挖掘,实验结果证明这种算法是有效的。     

地震噪声成像系统中任务分配算法研究

建立了地脉动数据并行计算任务分配的数学模型,针对传统遗传算法对复杂问题搜索效率低、易陷入早熟收敛的缺点,根据地脉动数据并行计算中的任务分配问题的实际应用,构建了基于整数编码的单亲遗传算法,并通过优化设计算法中的变异算子提高了算法的搜索能力。实验结果表明,该算法在求解精度、全局寻优和防止过早收敛方面相对于传统遗传算法有了显著提高。     

一种基于种群划分及杂交的免疫遗传算法

在免疫遗传算法中引入免疫算子可以提高算法的收敛速率,但也会降低种群个体多样性,不利于搜索.该文提出一种基于种群划分和杂交的免疫遗传算法,通过划分种群并对种群间的最优个体进行杂交来提高算法的速率和稳定性.实验表明,该算法在性能上可提高10%左右,收敛速度快、稳定性好、精确度高.     

基于混合智能学习算法的函数优化研究

为了改善人工神经网络在优化计算中的一些缺陷和提高遗传算法的局部搜索能力及收敛性能,提出了一种混合智能学习算法,采用遗传算法和误差反向传播算法(BP算法)相结合,将BP算法以一个算子的形式插入到遗传算法中,以提高利用人工神经网络和遗传算法进行优化计算的搜索能力和收敛性能;通过对实例函数的优化计算,对插入BP算子的遗传算法和传统遗传算法的优化结果进行了比较分析,结果表明BP算子的插入对遗传算法的优化性能、收敛速度和收敛精度有较大改善.     

一种改进的实数自适应遗传算法

研究了基于实数编码的遗传算法的改进问题．针对实数编码在搜索后期存在搜索效率低、易早熟收敛等现象．讨论了遗传算法的参数调节问题．提出一种自适应交叉概率和变异概率，既考虑了进化代数对算法的影响，又考虑到每代不同个体适应度的作用，给出一种改进的实数自适应遗传算法．最后利用3个测试函数对算法进行验证，在函数的最终值、平均运行代数、收敛概率几方面都取得了较好的结果．     

基于DNA遗传算法的曲面最短路径问题

DNA遗传算法采用遗传算法的整体结构，借助生物学DNA技术，利用DNA双螺旋结构和碱基互补配对原则进行编码运算，继承了遗传算法全局搜索的能力，提高了算法的有效性和收敛速度，避免了经典的遗传算法容易出现的“早熟收敛”和“收敛速度慢”的难题，求解了曲面最短路径规划问题。数值仿真实例证明了该算法的有效性和实用性。     

Multi-objective topology and sizing optimization of truss structures based on adaptive multi-island search strategy

This paper uses genetic algorithm to handle the topology and sizing optimization of truss structures, in which a sparse node matrix encoding approach is used and individual identification technique is employed to avoid duplicate structural analysis to save computation time. It is observed that NSGA-II could not improve the convergence of non-dominated front at latter generations when solving multi-objective topology and sizing optimization of truss structures. Therefore, an adaptive multi-island search strategy for multi-objective optimization problem (AMISS-MOP) is developed to enhance the convergence. Meanwhile, an elitist strategy based on archive set is introduced to reduce the size of non-dominated sorting to improve computation efficiency. Two numeric examples are presented to demonstrate the performance of AMISS-MOP. Results show that the global Pareto front could be found by AMISS-MOP, the convergence is improved as generation increases, and the time spent on non-dominated sorting is reduced.     

基于元胞遗传算法的智能组卷的研究

智能组卷是一个包含多重约束条件的目标优化问题,遗传算法的群体搜索策略可以为多目标优化提供较好的解决方案。但传统的遗传算法在组卷过程中存在收敛速度慢、收敛性较差等缺点,组出的试卷质量不高。提出一种新的元胞遗传组卷算法,将群体中的所有元胞按照一定的演化规则演化之后,再进行遗传操作,并把该算法应用到智能组卷中。实验结果表明,新的元胞遗传组卷算法与传统的遗传组卷算法相比,可以有效地提高收敛速度,并能进一步改善收敛性,组出的试卷更加符合人们的要求。     

一种基于服务选取的SBS云资源优化分配方法

获取满足全局优化目标的资源分配策略,是影响云环境中基于服务的软件系统(service-based software system,简称SBS)运行时优化效果的关键.然而,由于SBS内部复杂的业务逻辑关系和云环境中的资源约束,现有分配方法无法得到最优资源分配量.以满足SLA约束和最小化资源成本为目标,根据不同资源状态对应不同组件服务性能的特点,将组件服务可能的资源分配量、相应性能及成本转换为备选逻辑服务集,进而提出了一种云环境中基于服务选取的SBS资源优化分配模型,并设计了一种求解模型的混合遗传算法.算法采用整数编码以提高求解效率,并在选择算子中引入了精英保留策略,从而保证收敛到全局最优解.为提高遗传算法的局部搜索能力、加快收敛速度,以局部搜索策略改进了标准变异算子.实验验证了所提出的资源优化分配模型和求解算法的有效性,并表明:与分支定界法及精英保留策略遗传算法相比,混合遗传算法能够在较大规模的问题上快速获得具有较低资源成本的资源分配策略.     

基于遗传算法的饲料配方设计

首先,对遗传算法作了简要阐述,鉴于遗传算法的全局并行搜索能力,提出了基于遗传算法的饲料配方设计,并在遗传算法中采用了实用有效的实数编码方案。仿真实验说明,该方法在速度和解的质量方面都达到了令人满意的效果,为复杂问题的优化提供了一种新的有效的方法。     

An effective hybrid optimization strategy for job-shop scheduling problems

Simulated annealing is a naturally serial algorithm, but its behavior can be controlled by the cooling schedule. Genetic algorithm exhibits implicit parallelism and can retain useful redundant information about what is learned from previous searches by its representation in individuals in the population, but GA may lose solutions and substructures due to the disruptive effects of genetic operators and is not easy to regulate GA's convergence. By reasonably combining these two global probabilistic search algorithms, we develop a general, parallel and easily implemented hybrid optimization framework, and apply it to job-shop scheduling problems. Based on effective encoding scheme and some specific optimization operators, some benchmark job-shop scheduling problems are well solved by the hybrid optimization strategy, and the results are competitive with the best literature results. Besides the effectiveness and robustness of the hybrid strategy, the combination of different search mechanisms and structures can relax the parameter-dependence of GA and SA.Scope and purposeJob-shop scheduling problem (JSP) is one of the most well-known machine scheduling problems and one of the strongly NP-hard combinatorial optimization problems. Developing effective search methods is always an important and valuable work. The scope and purpose of this paper is to present a parallel and easily implemented hybrid optimization framework, which reasonably combines genetic algorithm with simulated annealing. Based on effective encoding scheme and some specific optimization operators, the job-shop scheduling problems are well solved by the hybrid optimization strategy.     

具有组合变异策略的回溯搜索优化算法

针对回溯搜索优化算法收敛速度慢和易陷入局部最优的缺陷,提出了一种基于组合变异策略的改进回溯搜索优化算法。为了提高历史种群的多样性并扩大算法的搜索空间,在算法迭代过程中采用柯西种群生成策略,利用柯西分布尺度系数生成历史种群;引入基于混沌映射和伽玛分布的组合变异策略,在一定概率下对较差个体进行变异生成质量较好的个体;对新种群中越界个体采用越界处理策略,确保算法在预定的搜索空间内搜索。选取了11个标准测试函数,在低维和高维状态下进行数值仿真,并与3种表现良好的算法进行比较,结果表明该改进算法在收敛速度和收敛精度上有很大优势。     

Nonlinear inversion of potential-field data using a hybrid-encoding genetic algorithm

Using a genetic algorithm to solve an inverse problem of complex nonlinear geophysical equations is advantageous because it does not require computer gradients of models or “good” initial models. The multi-point search of a genetic algorithm makes it easier to find the globally optimal solution while avoiding falling into a local extremum. As is the case in other optimization approaches, the search efficiency for a genetic algorithm is vital in finding desired solutions successfully in a multi-dimensional model space. A binary-encoding genetic algorithm is hardly ever used to resolve an optimization problem such as a simple geophysical inversion with only three unknowns. The encoding mechanism, genetic operators, and population size of the genetic algorithm greatly affect search processes in the evolution. It is clear that improved operators and proper population size promote the convergence. Nevertheless, not all genetic operations perform perfectly while searching under either a uniform binary or a decimal encoding system. With the binary encoding mechanism, the crossover scheme may produce more new individuals than with the decimal encoding. On the other hand, the mutation scheme in a decimal encoding system will create new genes larger in scope than those in the binary encoding. This paper discusses approaches of exploiting the search potential of genetic operations in the two encoding systems and presents an approach with a hybrid-encoding mechanism, multi-point crossover, and dynamic population size for geophysical inversion. We present a method that is based on the routine in which the mutation operation is conducted in the decimal code and multi-point crossover operation in the binary code. The mix-encoding algorithm is called the hybrid-encoding genetic algorithm (HEGA). HEGA provides better genes with a higher probability by a mutation operator and improves genetic algorithms in resolving complicated geophysical inverse problems. Another significant result is that final solution is determined by the average model derived from multiple trials instead of one computation due to the randomness in a genetic algorithm procedure. These advantages were demonstrated by synthetic and real-world examples of inversion of potential-field data.     

一种新型遗传算法

给出了一种基于拉马克学习和精英保留策略的新型遗传算法。设计了拉马克学习规则和拉马克遗传算法框架,给出了算法收敛性的数学证明,并利用测试函数与经典遗传算法进行了对比实验。实验结果表明,该算法具有较好的收敛性能和局部搜索能力,可以用于求解各种工程优化问题。     

基于DNA的连续优化算法

用遗传算法进行函数优化已得到了较好应用。与遗传算法相比,DNA的编码更具丰富性,译码更具多样性,基因级操作更灵活,且更容易用DNA计算机实现。鉴于基于DNA的函数优化研究还较少,提出了一种基于DNA的连续优化算法。该算法用表示DNA的基本元素符号进行碥码,用其对应的密码子表征变量参数,用DNA的复制、重组、变异和倒位等操作实现对解空间的搜索。在这些过程中,参考了精英保留策略和模拟退火算法等思想方法,采取了若干加快收敛、同时满足搜索多样性要求的措施,以使算法加快收敛且不易早熟和陷入局部最优。计算机仿真实验表明该算法具有收敛快,精度高等特点,效果令人满意。     

一种具有混合编码的二进制差分演化算法

差分演化(DE)是Storn和Price于1997年提出的一种基于个体差异重组思想的演化算法,非常适用于求解连续域上的最优化问题.首先引入"差异算子"等概念,给出DE的一种简洁算法描述,并分析了它所具有的特性.然后,为了使DE能够求解离散域上的最优化问题,基于数学变换思想引入"辅助搜索空间"和"个体混合编码"等概念,通过定义一个特殊的满射变换,在辅助搜索空间的作用下将连续域上的高效差分演化搜索变换为离散域上的同步演化搜索,由此提出了第1个二进制差分演化算法:具有混合编码的二进制差分演化算法(HBDE).接着,给出了HBDE的依概率收敛和完全收敛的定义,并利用离散Markov随机理论证明了HBDE是完全收敛的. HBDE不仅完全具有DE的各种特性和所有优点,而且非常适用于求解离散域上的最优化问题,对随机生成的大规模3-SAT问题实例和典型0/1背包问题实例的数值计算表明:该算法具有很好的全局收敛性和稳定性,其性能远远超过二进制粒子群优化算法和遗传算法.