基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

基于改进GA的云计算任务调度策略

针对传统遗传算法在云计算任务调度过程中的收敛速度慢和易早熟等问题,提出了一种基于遗传优化算法的双适应度函数改进算法.该算法采用任务完成时间和任务完成成本为双适应度函数,引入个体相似度概念来提高种群质量;采用并列选择法进行选择操作,并且采用自适应规则约束交叉和变异操作,提高种群个体质量,加速进化策略可以有效地避免早熟.结果表明,改进的遗传算法有效地加快了云任务作业调度的收敛速度,并改善了易早熟等现象.     

基于种群成熟度的修正遗传算法

提出了一种基于种群成熟度的修正型遗传算法.在该算法中,提出一种新的对个体选择进行交叉的方法.同时分析了遗传算法出现早熟情况的机理.为了避免遗传算法的过早收敛问题,在遗传算法的进化过程中计算和判断种群的成熟度,为种群提供了双进化模式.实验结果表明,新算法不仅提高了算法的精度,而且能克服GA算法中出现的"早熟"现象,是一种提高遗传算法性能的有效改进算法.     

基于改进遗传算法的图像分割

为了快速准确地确定图像的最佳分割阈值,提出了一种改进的遗传算法.该算法通过完善选择机制、引进父子竞争机制和使用二元变异算子进行变异操作,有效地解决了遗传算法的收敛速度慢和种群过早成熟的问题.实验结果表明:采用改进遗传算法对图像搜索阈值时能收敛至全局最优解,并且大大缩短寻找最优阈值的时间,取得良好的分割效果.     

改进自适应遗传算法在BP神经网络学习中的应用

针对遗传算法容易产生局值的问题,提出一种新的自适应遗传算法,改进遗传算子,通过比较两代之间的适应度评估值,选取适合的交叉率和变异率,保证了优秀个体进入下一代,而且避免了种群中最大适应度值的个体的交叉率和变异率为0的情况.最后,将改进后的算法应用于库存控制模型,实验表明,改进后的自适应遗传算法能避免局值,提高网络的收敛速度,改善了网络的学习性能.     

基于共生遗传算法求解应急资源调度

建立了以时间为中心的基于共生遗传算法的数学模型,并对遗传算法进行了适当的改进,使其更满足应急资源调度的要求。分析了求解最佳调配路线设计的遗传算法的构成要素,提出了一种新的交叉方法和适应度函数的计算和评价方法。通过实验对比表明:改进后的算法在相同环境条件下性能优异,该模型能有效地求解应急资源调度问题,并且可以为决策者提供有力的决策支持。     

基于遗传模拟退火算法的QoS组播路由问题求解

提出了一种基于遗传模拟退火算法的带宽时延约束费用最小组播路由选择方法,该方法针对遗传算法的局限性,采用基于备选路径集的整数序列编码机制,对适应度函数进行了调整,改进了交叉和变异操作,并结合了模拟退火算法.实验表明,该算法能够有效地提高收敛速度,避免早熟收敛,能够满足多媒体网络对相应QoS的需求.     

基于个体相似度的改进自适应遗传算法研究

针对遗传算法容易过早地收敛于局部最优解,即早熟问题,本文分析了产生早熟问题的原因,并在此基础上提出了个体相似度的概念。通过个体相似度选择进行交叉操作的父代个体,同时给出一种新的自适应调整交叉概率和变异概率的策略,并以求Schaffer’s F6函数的最大值为目标进行仿真实验。仿真结果表明,改进遗传算法跳出局部最优值的能力大于标准遗传算法和文献[12]算法,平均函数值也高于两者。因此,在全局收敛性上,该方法要优于标准遗传算法和传统自适应遗传算法,能够有效地避免早熟问题的发生。该研究适合于实际的工程应用。     

基于融合遗传原理的蚁群算法在配电网故障恢复中的应用

本文对配电网的故障恢复问题进行了研究,提出了结合实际的配电网故障恢复目标函数,在分析了遗传算法和蚁群算法的基础上,结合遗传算法和蚁群算法的各自优点,提出了一种将遗传算法融入到蚁群算法的新策略,利用遗传算法的交叉操作产生蚁群算法的新的旅行路径,以此提高蚁群算法的全局搜索能力,构造了基于遗传算法的混合蚁群算法。实例分析表明,该算法具有较快的收敛速度和较强的全局搜索能力,避免了不成熟收敛,有效地提高了故障恢复的速度和精度。     

基于协同遗传算法的车间调度问题研究

遗传规划在实际问题中的应用是一个新的发展方向。文章根据车间调度问题的特点,对遗传规划算法进行了改进,借鉴了一种新编码策略将变长编码变成定长,减少了算法复杂度,提高了运算效率;同时设计了一种新的标记交叉算子,这种交叉算法可以有效地避免产生非法解。由于遗传规划问题的收敛性不高,文中将遗传规划和遗传算法有效地结合起来,提出一种协同遗传规划算法,实验表明,改进后的算法比传统算法能更有效地解决车间调度问题。     

基于降半Γ分布函数的自适应遗传算法

针对遗传算法中交叉概率和变异概率难以选取的问题,提出一种新的自适应遗传算法:利用降半Γ分布函数对交叉概率和变异概率进行自适应调整,使这两个参数随基因串的适合度值而变化.仿真结果表明:该算法与传统遗传算法,常规自适应遗传算法相比,有效地克服了过早收敛问题,提高了搜索效率.     

基于改进遗传算法的配电网故障定位方法

针对传统遗传算法在分布式电源的不同投切情况下需要改变适应度函数和开关函数,导致故障定位稳定性和精度降低的问题,提出了一种基于改进遗传算法的含分布式电源配电网故障定位方法.该算法使用改进变异和交叉算子在提高收敛速度的同时能避免陷入局部最优解;使用改进的适应度函数和开关函数,以更好地适应分布式电源的不同投切情况;引入分级处理思想以加快大规模电网故障定位的计算速度.仿真实验结果表明,该算法能有效地定位含分布式电源配电网的多重故障问题,相比于传统的遗传算法具有更优的稳定性与定位精度.     

基于改进遗传算法的多维关联规则挖掘方法及应用

对遗传算法进行改进,并应用于多维关联规则挖掘中.在该算法中提出了一种基于免疫机制的新选择策略,并引入随机数,采用自适应方法随机动态选取交叉和变异概率.这种新算法不仅有效地抑制了早熟收敛现象,而且大大提高了搜索效率.     

用改进蚁群算法求解分布式车间调度问题

为解决分布式制造环境下的复杂产品的调度问题,提出一种改进蚁群算法。将禁忌搜索算法与蚁群算法结合,弥补蚁群算法搜索时间长和易陷入局部最优等问题。以两个车间的分布式调度为例进行仿真研究,并与传统蚁群算法、改进遗传算法、显性基因遗传算法的仿真结果进行比较,实验表明该改进蚁群算法具有较好的收敛性和稳定性,收敛速度较快。     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

动态变异遗传算法

遗传算法是根据达尔文生物进化理论而提出的一种优化算法。该文提出了一种新的遗传算法,理论分析显示,它不仅能保持遗传种群的多样性,而且能快速收敛。计算机仿真实验证明了改进后的遗传算法能够有效地克服不成熟收敛、进而搜索到全局最优解,并将这种新遗传算法用于BP网络的拓朴结构的优化和连接权值的训练,实例表明了该算法的有效性和可行性。     

基于可变种群遗传算法的MIMO直接盲多用户检测

本文研究了遗传算法在MIMO系统中直接盲多用户信号检测问题,通过分析遗传算法种群的构成对算法收敛速度和性能的影响,本文提出了一种基于可变种群的改进遗传算法,测试函数的计算表明,与传统的遗传算法相比,改进的算法能够以比较快的速度收敛到全局最优解,利用改进的算法对MIMO系统的直接盲多用户信号检测的仿真结果也进一步表明了算法的有效性。     

AGA-DE求解柔性作业车间调度问题

针对柔性作业车间调度问题并结合其求解的特点，提出一种以最大完工时间最小化为目标的自适应遗传差分进化算法。在种群初始化过程中引入GLR初始化方法，有效改善机器选择部分初始解的质量；提出一种新的自适应交叉变异概率公式改进交叉和变异函数，并运用遗传算法的精英保留+轮盘赌策略，结合“贪婪思想”的差分进化的选择策略，使算法的搜索逐渐走向最优解；通过经典算例仿真以及与传统遗传算法结果的比较，证明改进算法在最大完工时间和收敛速度上的优化，验证了改进算法的可行性和有效性。     

解决车间作业调度问题的嫁接遗传算法

针对现有遗传算法在解决大规模车间作业调度问题时存在收敛速度过慢与早熟的局限,基于植物学的嫁接思想,提出了一种改进的混合遗传算法——嫁接遗传算法. 算法通过引入嫁接种群和交叉概率矩阵,在明显加快收敛速度的同时,还增强了避免早熟的能力. 最后通过经典的调度例子测试表明了算法的有效性和高效性.     

改进自适应遗传算法在函数优化中的应用研究

为了改善传统自适应遗传算法的收敛速度以及局部收敛问题,根据种群适应度的集中程度,以种群的最大适应度、最小适应度以及适应度平均值这3个变量为基础,设计了改进的自适应交叉概率和变异概率来调整整个种群的交叉概率和变异概率,提出了一种基于种群适应度集中程度的改进自适应遗传算法.将该算法应用于函数优化中,仿真结果验证了其具有"快速收敛"的特点,且在很大程度上可避免遗传算法的早熟现象.