基于Hamming神经网络聚类分析的进化策略

本文提出了一种基于Ｈａｍｍｉｎｇ神经网络聚类分析的进化策略,模糊自适应Ｈａｍｍｉｎｇ神经网络各类族的权重矢量纪录被进化搜索过的区域,并相应妄下该区域内最优个体和它的适应度,因此通过Ｈａｍｍｉｎｇ神经网络对进化个体的聚类分析,进化策略具有搜索记忆性,可以充分保证下一代遗传群体中个体遗传基因的丰富性,从而避免早熟现象的发生,这种进化策略还可以避免在被搜索过的区域内的无用搜索,进而加快进化策略的收敛速度     

采用主流FPGA的数字电路在线生长进化方法

采用主流FPGA器件构建了在线进化平台,提出了一种适合较大规模数字电路在线进化的生长进化方法。该方法模拟植物生长机理进化以解决进化速度缓慢问题,采用增长验证评估方法取代传统的穷举式验证评估方法来解决在线验证评估难题;应用免疫遗传算法克服遗传算法的早熟收敛问题;采用多参数级联十进制整数编码方法缩短染色体长度;采用生长进化方法成功地进化出了16位加法器和8位乘法器。对比实验结果表明,采用生长进化方法无论是进化出的电路规模,还是进化速度均优于传统的直接进化方法。     

改进的遗传算法在云资源调度上的应用

针对传统的遗传算法(GA)在解决云资源调度问题时容易过快收敛和陷入局部最优等问题,提出了一种联合进化的遗传算法(JCGA).该算法利用多优选保留技术将适应值大的个体放到优选子种群,通过与普通子种群进行联合交叉,使种群往更优的方向进行进化.实验结果表明,JCGA算法不仅可以保证种群的多样性,还可以避免种群陷入局部最优.     

改进遗传算法在桁架结构优化设计中的应用

文章针对简单遗传算法的早熟现象及不能处理带有复杂约束的优化问题,提出了一种基于乘子法与伪并行遗传算法的改进遗传算法,并将其应用于桁架结构优化设计中.计算结果表明改进遗传算法全局寻优能力强.     

浮点数与格雷二进制混合编码的遗传算法

本文提出了一种结合浮点数编码和格雷码编码的混合编码遗传算法。该算法有机结合了浮点数编码和格雷码编码的优点，不易陷入早熟收敛且局部搜索能力强，收敛速度快。本文对一系列典型函数进行了优化计算，试验结果证实了这种混合编码遗传算法的有效性和优越性能。     

基于IOCDGA的模糊目标柔性作业车间调度优化

具有模糊目标要求的柔性作业车间调度,是柔性作业车间调度的扩展,它能够满足生产实际中对成本、生产周期及交货期等多方面指示的要求。与多目标调度相比,它还能够处理非精确指标要求问题,并且可以满足关键零件的特殊要求。为了实现对具有模糊目标柔性作业车间调度优化,提出了一种具有个体优化群体多样性的遗传算法（IOCDGA）,以加快收敛速度,避免早熟问题。该算法针对文中的编码方法,定义了群体平均差及熵,用来表示群体的多样性指标。通过多样性指标控制交叉率和变异率,该算法的进化侧重于单个或少数个体达到最优,而不是传统GA中的全部个体均为最优。计算结果表明,该算法可行,并减少了迭代次数。     

多层设计参数的叶型气动优化

针对叶片型面的设计问题,提出一种基于遗传优化算法的多层参数化方法.这种方法类似多层网格法原理,利用Bézier曲线的递推算法进行各层之间的设计变量转化,使得优化迭代过程中,下层群体中得以保存上层的优秀个体.根据遗传算法固有的并行特性构建了局域网并行优化平台,并对基本遗传算法进行了改进,从而大大缩短优化时间、提高优化效率.最后设计了曲线逼近和叶型优化的算例,结果显示多层参数化方法能明显加速收敛,在个体数较少时,效果更为明显.     

基于容流匹配的进离场航班调度优化模型和算法

综合考虑机场的空中等待航班数量、空域容量、场面容量以及机场起飞需求等约束条件,以可变的优先级为调配手段,以总延误时间最短为目标函数,建立了一个新的基于容流匹配的进离场航班调度优化模型。引入合作型协同进化遗传算法,设计了用一对代表个体形成合作团体的新选择方式,有效解决了传统遗传算法种群多样性低、易早熟等问题。仿真结果表明,该模型能够在满足机场容量限制的同时,有效降低航班的总延误时间。     

利用遗传算法进行稠密视差图估计

提出了一种利用遗传算法解决立体匹配问题的方法以获得稠密的视差图。与以往方法不同．本将立体匹配问题看作一种多极值的优化问题——从一组可能的视差图中找到最合适的一个。在大量的优化算法中，已经证明对于具有广阔搜索空间的全局优化问题，遗传算法是一种潜在的有效方法。从这个思想出发．本把每一个视差图看作是一个进化个体．并把视差值作为染色体进行编码．因此该算法中．一个个体将会包含大量的染色体。然后，把一些匹配约束转化形成目标函数，利用遗传算法去搜索待解决问题的全局最优解。另外，为了减少匹配上的不确定性以及时间消耗，中还采用了从粗糙到细致的层次化匹配策略(coarse—to-fine strategy)。最后给出合成图与真实图的匹配实验结果．以验证该方法的性能。     

用遗传算法精确计算圆度误差

提出了一种应用遗传算法计算满足最小区域法的圆度误差的新思路,并对传统的遗传算法提出了一些改进。采用实数值编码,其计算结果精确度非常高,理论上可以获得全局最优解;保留上一代种群中适应度最好的个体到下一代,可以确保解的收敛性;对基于实数值编码的繁殖算子、交叉算子、变异算子给出了具体的操作方法。仿真结果表明,用改进的遗传算法求解圆度误差,简单明了,收敛速度快,在计算机上容易实现。     

Assembly Line Balancing Based on Double Chromosome Genetic Algorithm

Aiming at assembly line balancing problem, a double chromosome genetic algorithm （DCGA） is proposed to avoid trapping in local optimum, which is a disadvantage of standard genetic algorithm （SGA）. In this algorithm, there are two chromosomes of each individual, and the better one, regarded as dominant chromosome, determines the fitness. Dominant chromosome keeps excellent gene segments to speed up the convergence, and re cessive chromosome maintains population diversity to get better global search ability to avoid local optimal solu- tion. When the amounts of chromosomes are equal, the population size of DCGA is half that of SGA, which significantly reduces evolutionary time. Finally, the effectiveness is verified by experiments.     

Hybrid Multipopulation Cellular Genetic Algorithm and Its Performance

The selection pressure of genetic algorithm reveals the degree of balance between the global exploration and local optimization.A novel algorithm called the hybrid multi-population cellular genetic algorithm（HCGA）is proposed,which combines population segmentation with particle swarm optimization（PSO）.The control parameters are the number of individuals in the population and the number of subpopulations.By varying these control parameters,changes in selection pressure can be investigated.Population division is found to reduce the selection pressure.In particular,low selection pressure emerges in small and highly divided populations.Besides,slight or mild selection pressure reduces the convergence speed,and thus a new mutation operator accelerates the system.HPCGA is tested in the optimization of four typical functions and the results are compared with those of the conventional cellular genetic algorithm.HPCGA is found to significantly improve global convergence rate,convergence speed and stability.Population diversity is also investigated by HPCGA.Appropriate numbers of subpopulations not only achieve a better tradeoff between global exploration and local exploitation,but also greatly improve the optimization performance of HPCGA.It is concluded that HPCGA can elucidate the scientific basis for selecting the efficient numbers of subpopulations.     

基于宏突变的遗传程序设计改进探讨

本文针对基本遗传程序设计收敛速度缓慢的现象,提出基于宏突变的遗传程序设计。其主要目的是从突变这一方面对遗传程序设计进行改进。提出了通过增加突变机会,设计一些新的突变算子两种策略来进行探讨提高遗传程序设计的收敛性能的合理、可行途径。通过实例验证,说明所提出的改进方法是有效可行的,对提高遗传程序设计的收敛性能有显著的作用。     

关于带Rayleigh商位移的QL方法

本文讨论带Rayleigh商位移的QL方法的收敛性。给出了带Rayleigh商位移QL方法的收敛条件,并给出了带Rayleigh商位移QL方法不收敛的充分必要条件,证明了带Rayleigh商位移QL方法对任何不可约对称三对角矩阵总是有效的。     

基于退火惩罚混合遗传算法求解生产批量计划问题

针对以获得最低生产成本为目的的批量生产计划问题，提出了该问题的混合整数规划模型，首先，根据单级多资源批量计划问题的特点提出了问题的数学描述，；然后根据该数学问题的复合性，利用遗传算法的随机搜索和进行化过程寻找问题的全局最优解，为了防止适应度函数的过早收敛，引入退火惩罚因子对适应度函数进行处理，使得获得全局优解的可能性加大，实验结果表明，该方法能获得比传统遗传算法更为理想的近似最优解。     

基于小生境遗传算法的多峰函数优化

根据多峰目标函数的具体情况,应用遗传算法随机寻优得到若干个最优值,以这些值作为小生境遗传算法的先验知识,指导小生境距离参数的确定。依据此方法确定小生境距离参数,应用小生境遗传算法成功求解了shubert多峰函数的所有全局最优值。并与相同遗传操作和相同参数下的遗传算法作比较,小生境遗传算法不但能一次性地寻求到解空问中所有的最优解,而且就寻求一个最优点而言收敛速度快于非小生境遗传算法。     

一类增量式支持向量机的分析

针对训练数据发生增量改变时,标准一类支持向量机的批处理算法需要重新进行训练,不适合在线增量环境学习的问题,提出一种详细的增量式标准一类分类向量机算法,并通过理论分析对该算法的可行性和有限收敛性进行了证明,确保该算法的每步调整都是可靠的,并确保该算法通过有限步调整最终收敛到问题的最优解。在标准数据集上的实验结果验证了理论分析的正确性。     

Ultrasonic Computed Tomography Imaging Method of Concrete Materials Based on Simulated Annealing Genetic Algorithm

Stability and accuracy of the imaging results are still unmet practical demands for ultrasonic computed tomography(CT)of concrete material.To address these issues,a CT technique based on simulated annealing genetic algorithm(SAGA)is presented in this work.Firstly,a natural weight matrix with clear physical meaning is introduced in the inverse algorithm and then a quadric broadening objective function is formed according to the propagation characteristics of ultrasound in concrete.After that,the simulated annealing(SA)searching is added to speed up the inverse process and to improve the convergence and stability of the algorithm.Finally,the optimal inverse imaging results have been achieved by variable ectopic adaptive genetic algorithm.The numerical simulation experiments have shown that the usage of the correct priori information and the excellent characteristic of SAGA in searching the global minimum value of the function have produced accurate and effective results with stable numerical values.The imaging resolution is improved and the imagining results reflecting the inner defections of the tested objects are more reliable and accurate.