混合遗传算法对BP神经网络算法的改进

介绍了用混合遗传算法对基本的BP神经网络算法进行改进的理论和实验，在混合遗传算法中使用了跨世代精英选择、退火算子以及自适应交叉和变异方法，取得了较好的效果。     

基于遗传算法的网络化制造单元选择问题研究

为解决网络化协同制造过程中物理制造单元选择问题，提出一种改进的基于遗传算法的物理制造单元优化选择算法。算法采用整数编码，每个染色体代表一条可执行加工路线；为获取最优的可执行加工路线，以总的运行成本、运行时间和加工质量为优化目标构造目标函数；求解过程中，在每一代种群中计算出与每个染色体相对应的成本、时间、质量指标及目标非标准化对决策的影响度，进而利用影响度因子确定群体中每个染色体对最小运行成本、最小运行时间及最优加工质量的相对优属度，再利用相对优属度构造相对适应度函数，并求取相应的适应度函数值，减小了目标非标准化对优化结果的影响。最后给出了应用该算法处理复杂零件协同制造中制造单元选择的一个实例，以证明算法的可行性与有效性。     

基于改进细菌觅食算法的测试用例生成方法

针对测试用例自动化生成技术中效率较低的问题,尝试引入新的细菌觅食算法,并结合测试用例生成问题提出了一种基于细菌觅食算法的改进算法（IM-BFOA）。IM-BFOA首先采用Kent映射来增加细菌的初始种群和全局搜索的多样性,其次针对算法中趋化阶段的步长进行自适应设计,使其在细菌趋化过程中更加合理化,并通过实验仿真验证其合理性,最后根据被测程序构造适应度函数来加速测试数据的优化。实验结果表明,与遗传算法（GA）、粒子群优化（PSO）算法和标准细菌觅食优化算法（BFOA）相比,该算法在保证覆盖率的前提下,在迭代次数和运行时间方面都是较优的,可有效提高生成测试用例的效率。     

基于个体排序的自适应遗传算法

针对遗传算法容易陷入局部最优的缺点,文中提出了一种基于个体排序的自适应遗传算法。在传统自适应遗传算法中,交叉概率和变异概率的自适应更新是依据个体的适应度值进行的。但是在算法后期,由于种群陷入局部极值,使得值的差异变小,更新时难以体现个体差异。借鉴序优化的思想,在所提改进算法中,将个体适应度值排序,并采用排序号替代适应度值。这种采用序差异取代值差异的方法能够增大种群中、后期的交叉概率和变异率的值,有利于避免算法陷入早熟收敛。文中对几种标准的函数进行了测试,结果表明,改进后的算法在收敛速度和收敛精度方面优于其他两种自适应改进算法。     

基于混沌机制与Levy变异烟花算法的服务组合优化

为了在大规模Web服务环境中筛选出满足用户复杂应用需求且综合性能高的服务组合,提出一种混合混沌机制与Levy变异的改进烟花算法。首先利用混沌理论产生初始烟花群体,避免种群个体分散不均,造成重复多次局部寻优现象;然后在搜索过程中引入Levy变异算子,提高算法的全局搜索能力,有效避免早熟收敛;最后采用精英选择策略筛选下一代烟花种群,降低了算法的时间开销。通过大量实验结果说明了该算法的寻优性能和稳定性。     

基于遗传算法的函数级别软件错误定位

针对软件开发过程中的错误定位问题,提出一种以函数调用路径和遗传算法为基础的软件错误定位方法FGAFL。将软件测试中的错误定位问题转化为组合优化问题,结合函数调用路径对错误定位的影响构建适应度函数。通过遗传算法在候选种群中迭代搜索具有较高可疑度的候选错误分布,得到最优解。根据最优解对程序中的函数按可疑度进行排序,依次检查函数并定位错误的具体位置。实验表明,FGAFL方法可以有效降低运算量并缩减代码审查的范围,提高错误定位的精度和效率。     

基于适应度函数的无人船遗传算法航径规划

遗传算法通过适应度函数选取最优的路径,采用了无人船转弯半径来改进适应度函数,实现无人船遗传算法航径规划。考虑到无人船机动性能对航迹平滑性的要求,在初始种群中利用贝塞尔曲线优化方法,将原有的折线路径优化成光滑的曲线路径;在适应度函数中添加曲率判断,以无人船最小转弯半径为约束条件,设置曲线路径的最大曲率,最后通过适应度函数筛选出符合约束条件的光滑路径。仿真结果表明,所提出的方法能获得符合无人船最小转弯半径约束的光滑路径,相比于平滑算法,该方法的曲率更小,收敛速度更快。     

基于改进鲸鱼优化算法的传感网络节点移动策略

针对传感网络监测区域难以完全覆盖,导致节点移动能耗较大、网络寿命较差的问题,提出一种基于改进鲸鱼优化算法的传感网络节点移动策略。建立传感器节点模型,确立通信范围,计算网络节点覆盖率。为满足通信信噪比要求,结合信息增益构建信道模型,制定通信协议。分析传统鲸鱼算法中个体捕食过程,探究螺旋式与收缩包围两种位置更新方式。引入自适应步长参数,根据节点总数量、覆盖半径与区域边长等参数,计算个体适应度值,选取初始种群,以覆盖率最大为目标,确定当前最优解的位置,经过不断更新,当迭代次数最大时输出全局最优解,即节点移动位置。仿真结果表明,当节点数量为180个时,而本文方法的传感网络节点寿命为28min;当节点数量为10时,本文方法的总路程理想值和解空间之比为0.120,降低了节点移动能耗。