加速遗传算法在移动通信基站规划中的应用

基站分布规划是一个多目标优化问题,当基站数量较多时,寻优过程复杂且所需时间长,针对传统退火规划方法易陷入局部最优及不稳定等缺点,提出一种基于加速遗传算法的基站规划优化方法:在基站分布规划中同时考虑覆盖率和外界电磁干扰两个因素,寻找基站的最佳位置,建立基站选址问题的目标优化模型.仿真结果表明,加速遗传算法运行结果的适应度值为2.142,与传统算法相比,该算法的收敛速度快,最优解精度高,避免了早熟收敛,能够有效提供与网络建设要求相符合的最优基站位置分布方案,为实际工程应用提供参考依据.     

基于遗传算法的图论聚类方法

针对传统图论聚类算法对初始聚类中心的敏感性以及聚类结果与样本输入次序等问题,提出了基于遗传算法进行图论聚类分析的基本原理和实现方法.实验结果表明,遗传算法应用于图论聚类分析能够搜索到更为精确的聚类中心值,其结果明显好于传统图论聚类算法.     

双向中继网络中基于压缩感知的稀疏信道估计

为提高双向中继网络中稀疏信道估计的精度并减少训练序列的长度, 利用双向中继信道(Two-way Relay Channel, TWRC)的潜在稀疏特性, 研究了基于压缩感知的稀疏TWRC估计问题, 提出了一种改进的正交匹配追踪(Improved Orthogonal Matching Pursuit, IOMP)算法. 新算法运用迭代重加权最小二乘估计代替了正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法中的最小二乘估计过程, 通过对样本进行迭代重加权, 逐步减小了异常样本的影响, 不断地修正了估计值, 在使用相同长度的训练序列时, 提高了估计的精度. 与传统的最小二乘估计算法相比, 新算法能够在获得相同估计效果的情况下, 显著减少所需训练序列的长度. 仿真结果验证了基于新算法的稀疏TWRC估计的有效性.     

Power Lindley-Logarithmic分布及其参数估计

将Power Lindley分布和Logarithmic分布"混合"得到一个危险率形式多样的新型寿命分布Power Lindley-Logarithmic(PPL)分布,研究了该分布的矩、分位数、危险率函数、顺序统计量的极限分布和参数的极大似然估计(maximum likelihood estimation,MLE),验证了极大似然估计的相合性和渐近正态性,应用EM(expectation-maximization)算法求参数的极大似然估计,并进行了Monte Carlo模拟.模拟实验表明,EM算法得到的参数的极大似然估计很好地反映了参数的真值,且PPL分布参数的极大似然估计具有良好的渐近正态性.     

具有物理模型数据处理的多目标优化及其算法

针对具有物理模型参数的辨识，提出了新的多目标优化模型及遗传算法.它突破了数据处理最小误差的传统思想，提出了“病态”数据分析方法,进一步挖掘了数据中的信息.文中充分利用“病态”数据分布的特征，通过遗传算法求解，确定了电磁场分布物理模型在实际问题中的适用范围，有效地提高了多目标优化模型的精度和实用价值.     

遗传算法的改进及其在排课问题中的应用

分析基本遗传算法中传统选择、交叉策略的不足,结合多种选择方法及模拟退火机制,提出改进的选择策略;在交叉阶段,利用蚁群算法的正反馈机制改进了交叉策略;采用最大允许停滞代数的方法来结束算法的运行。由在排课问题中的对比实验可以看出,本文提出的改进算法改善了遗传算法局部搜索能力弱的缺点,提高了算法运行效率。     

利用启发式信息优化多连接查询的遗传算法

结合多连接查询的特点,讨论了在左线性树空间的遗传优化算法,采用有序串编码方法和专门的杂交、变异算子;并利用查询优化中的增量启发式信息初始化种群,来提高遗传算法的收敛速度．我们将遗传算法与迭代修正的局部搜索策略相结合,解决传统的遗传算法缺乏较强的局部搜索功能的问题．     

基于混合遗传算法的MPRM最小化

MPRM(Mixed-Polarity Reed-Muller)最小化是RM(Reed-Muller)电路逻辑综合过程中一个非常重要的阶段,对于输入数较多的布尔函数,传统遗传算法(Genetic Algorithm,GA)在解决MPRM最小化问题时收敛过早.提出了一种基于混合遗传算法(Hybrid Genetic Algorithm,HGA)的MPRM最小化算法,该算法将基于相异度的局部改善策略结合到GA算法的迭代过程中.局部改善策略对种群中最佳个体和与之相异度最大的个体实施交叉操作生成新个体,并将新个体与最佳或最差个体进行竞争.将所提算法应用于一组具有较多输入数的MCNC基准电路,并与其他智能MPRM最小化算法进行比较.结果表明,局部改善策略能够避免算法陷入局部极小,增强了全局收敛能力.与模拟退火遗传算法(Simulated Annealing Genetic Algorithm,SAGA)相比,HGA算法在获得类似结果的前提下提高了时间效率;与Hybrid multi-valued DPSO算法相比,HGA在得到基本相同的算法结果时,时间效率亦基本相同.     

基于混合遗传算法优化的MLP神经网络的调制方式识别

提出了一种基于遗传算法与多层感知神经网络的调制识别方法,运用改进遗传算法优化的多层感知神经网络分类器对各种调制信号的特征矢量进行分类识别.利用遗传算法的高效全局特性,克服了传统BP算法易于陷入局部最优解的缺点,同时在遗传算法基础上增加梯度下降算子,加快了收敛速度,使得分类器的识别率、收敛速度和鲁棒性得到明显改善,仿真实验的结果证明了此方法的有效性和可行性.     

基于智能优化算法的车间调度问题研究

车间的生产调度是一个非常复杂的问题,本文主要介绍车间调度问题模型以及蚁群算法、遗传算法、模拟退火算法等智能优化算法的研究情况,有效的生产调度方法和智能优化算法的应用,在很大程度上可以提高企业的效益.     

动态优化算法综述

动态优化算法的研究已成为优化算法领域研究的一个热点.对于基于种群的优化算法而言,它主要可以分为环境变化后增加多样性的方法、运行过程中始终保持多样性的方法、基于记忆机制的方法、多种群方法和基于预测机制方法5类.动态优化算法的关键是在搜索过程中始终保持搜索空间开发和探索之间平衡.该类算法不仅能发现最优个体,而且能在动态环境中跟踪变化了的最优个体.在今后的动态优化研究中,重点应放在动态优化算法理论方面和算法设计、构建上,使它更接近现实问题.     

演化仿真优化的若干问题研究

针对仿真优化这一仿真领域提出了演化仿真优化的概念及其形式化语言描述，并给出了演化仿真优化的算法实现框架、分类，指出了仿真优化与演化算法相互取长补短的策略。为了提高速度和效率提出了一种混合演化仿真优化的算法：基于拉网的仿真优化算法（MESOAs）。该算法结合仿真系统的输出信息，构造出系统的响应曲面来指导演化算法，同时又不要求系统连接、可导，因此具有通用性、鲁棒性、隐含并行性等优点，它能有效地解决不确定环境（含随机系统和定性系统）的仿真决策优化，连续时间仿真控制优化问题等。最后，给 出了两类测试演化仿真优化算法的测试实例。一类是随机函数，另一类是GI／G／S排队模型，试验的结果表明在解的质量和速度两方面MESOAs都优于曲面响应法、随机搜索法。     

256色模式下图形图像处理系统中对不规则区域的处理

概述了图形图像处理系统中关于不规则区域的基本算法，包括：区域填充，边界跟踪，边界标志，几何处理，区域分割等等．并且，根据２５６色模式的特殊性，对传统的算法做了有针对性的改进，加快了处理速度，使其更适合于电影电视字幕、动画卡通人物等不规则图形图像区域．同时还给出了改进算法的程序设计的技巧．     

基于遗传算法的试题库智能组卷系统研究

智能计算机辅助教学（ＩｎｔｅｌｌｉｇｅｎｔＣｏｍ ｐｕｔｅｒ－Ａｓｓｉｓｔｅｄ Ｉｎｓｔｒｕｃｔｉｏｎ ,ＩＣＡＩ）中一个关键的问题是试题库的智能组卷．针对该问题的特点,建立了该问题的数学模型,给出了用遗传算法解决此问题的新方法,实验结果表明该方法能有效地解决试题库研究中的智能组卷问题,具有较好的性能和实用性．     

基于多维决策属性的分布式双向信任链发现算法

信任链发现算法是信任管理的核心内容,其中双向信任链发现算法相比于其他算法效率较高而被广泛采用,但是目前已有的双向信任链发现算法存在以下不足：1）没有实现对角色的动态管理,不能对授权委托进行深度控制;2）没有实现分布式的信任证存储.针对上述问题,本文基于多维决策属性进行细粒度的角色授权,采用CAN协议实现分布式的信任证存储,并在此基础上,提出了一种新的分布式双向信任链发现算法.仿真实验表明,该算法具有较好的负载均衡性,实现了最小信任证图的构建,实例验证算法在实际应用中可行.     

交叉算子的性质分析

遗传算法中,交叉算子是基本算子,其算子的选取好坏将直接影响最终的寻优结果,研究遗传算子性质极其重要.以两点交叉算子(含固定位)为例,分析其性质并提出一些改进方案.     

基于遗传算法的人脸精确定位

提出一种基于遗传算法的人脸图象精确定位方法,作为人脸检测与人脸识别之间的一个中间优化处理过程,以解决由于人脸检测技术的定位误差导致人脸识别错误的问题。精确定位问题转化为一个在离散空间中的优化搜索问题,以遗传算法作为优化搜索方法,利用其收敛速度较快、鲁棒性强和全局寻优等优点,改进了基于身份子空间统一模型的人脸识别系统的识别效果。实验结果表明,基于遗传算法的人脸图象精确定位方法能够有效地提高人脸识别系统的识别率。     

基于粗糙集理论的示例学习研究

到目前为止，一些启发式算法被提出用于基于扩张矩阵理论的示例学习研究，该文基于粗集理论研究示例学习问题，提出了粗集理论下的几个新概念，如：必要选择子，核选择子集，约简选择子集和所产生复合的评价指标；精确度、覆盖度和简单性，给出了扩张矩阵的粗糙集算法，并提出了基于覆盖度和简单性的遗传算法最优示例学习方法。     

不精确分式规划的一种有效算法

对于不精确分式规划,给出一个具有简单形式的等价规划以及一个参数规划．提出有关它们之间联系的一些基本理论,构造了通过求解参数规划来求解不精确规划的一簇算法．在一定的假设下,该簇算法的收敛速度至少是线性的．通过每次迭代中适当的选择参数可以得到具有全局收敛性的超线性算法,并且该簇算法在每次迭代时参数的取法有很大的灵活性,从而在求解时允许有较大的误差而无损于相应的收敛速度．     

基于遗传操作的延迟和度约束的多播路由启发式算法

基于启发式思想的简单性和路径相似性原理，采用遗传算法的交叉和变异操作，提出了一种快速的满足延迟和度约束的最小费用多播路由树的生成算法(DDCMRA)，以解决直接修改延迟约束或者度约束多播路由算法时寻优时间长、并且可能导致部分目的节点因不能满足延迟或者度约束而不能加入多播的问题．仿真结果显示。该算法获得的多播路由树满足延迟和度约束，费用较少，运行时间接近CSPT和RA算法．该算法也为动态多播路由树生成和网络负载平衡提供了一种方法．