选择算子与遗传算法的计算效率分析

指出了遗传算法的选择方式与其全局收敛性和收敛速度的关系．常用的选择算子不能保证算法的全局收敛性,在引入改进选择策略后轮盘赌选择方式能保证算法的全局收敛性．但收敛速度较慢．同时给出了遗传算法选择操作的若干策略．     

基于支持向量机对种群特征回归分析的自适应遗传算法

在分析标准遗传算法易发生早熟收敛的基础上,提出了遗传算法种群特征代间海明距离的概念,代间海明距离可以较好的反映算法运行的总体与动态性能.应用支持向量机对遗传算法的代间海明距离进行了回归分析,遗传算法依据回归分析结果调整其整体优化策略,同时依据算法当前运行情况自适应调整种群的多样性,有效地避免了遗传算法的早熟收敛.数值实验结果表明,该改进算法搜索整体性较强,搜索效率优于标准遗传算法,提高全局优化能力.     

遗传算法的随机摄动法

为避免遗传算法在进化计算过程中失去种群多样性并陷入局部最优解,提高其全局优化搜索的运行效率和精度,提出一种遗传算法的改进方法－随机摄动算法,它是将复制,交叉,变异后群体中的各个体在确定的某处邻域随机摄动,如引起适应度值增加,则接受随机摄动操作,否则以变异权率接受随机摄动操作,然后以能量函数的概念及其运行机理进行了说明,算例表明,本文所提出的随机摄动算法易于实施,且十分有效。     

免疫遗传算法的逻辑电路进化设计研究

针对电路进化设计时传统进化算法收敛速度慢且易陷入局部最优解等问题,模拟人体免疫系统的机制,设计了一种改进的免疫遗传算法用于逻辑电路的进化设计.首先建立电路进化设计模型,对种群中抗体进行多目标适应度评估;然后改进抗体的选择机制并将精英抗体作为记忆单元保存;最后引入自适应交叉、变异策略保持抗体多样性并提高算法的收敛性.实验结果表明:该算法具有较强的全局搜索能力,能有效地减少搜索到全局最优解的迭代次数,并设计出新颖、高效的电路结构.     

基于混合遗传算法的多无人机巡逻路径优化

假设无人机巡逻的起、终点均为派出所,提出了一种融合传统遗传算法和爬山算法的警用无人机巡逻路径优化模型——混合遗传算法。按照轮盘赌法则,进行种群个体的选择,以增大优秀种群个体被选中的概率,达到较好的优化效果。同时定义了与路径优化相适应的基因交叉和变异规则。仿真结果表明,提出的混合遗传算法在寻优效果上明显优于传统遗传算法。     

基于Memetic算法的仿真用例集约简技术

在芯片项目中,回归测试是一项重复进行的工作,需耗费大量资源,用例集的反复执行可确保设计的正确性,但会产生较大的测试运行代价。将遗传算法的特点与局部搜索策略的优点有机结合,对约简问题进行数学建模,设计了Memetic算法,对其中的全局策略和各算子、局部策略进行了改进,以功能覆盖率为衡量标准,在完全覆盖的情况下,Memetic算法较标准遗传算法的收敛速度更快,用例集更精简,并较大程度地降低了回归测试的运行代价。     

基于模糊遗传算法的XNOR/OR展开式最小化研究

提出一种改进的模糊遗传算法用于求解XNOR/OR展开式最小化问题. 在算法进化过程中,采用模糊规则对交叉率和变异率进行修正, 以提高算法的收敛速度, 并在一定程度上抑制了局部收敛现象的发生. 并采用8个MCNC Benchmark电路对该算法进行测试, 结果表明: 所提算法具有较好的优化效果和较高的收敛速度.     

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.     

模拟退火-改进遗传算法及其应用

论述了遗传算法在全局搜索中的优势和模拟退火算法在局部寻优中的能力,进而提出了两者相结合的算法：模拟退火一改进遗传算法。通过比较,说明模拟退火一改时遗传算法的优化性能更好、更完善,并在实际应用中取得了良好的应用效果。     

求解自融资投资组合模型的量子行为的粒子群优化算法

为有效求解自融资投资组合模型,基于粒子群优化(particle swarm optimization,PSO)算法,提出了一种改进的量子行为的粒子群优化算法(LDQPSO)。在算法的设计中,借助Levy飞行策略对粒子位置的迭代公式进行更新,用于提高算法的局部收敛精度和全局探索能力;针对迭代后期的早熟问题,引入了多样性的判定和增强的操作。算法性能测试结果表明,LDQPSO算法在收敛精度和鲁棒性上比已有的3种PSO改进算法有更好的表现。应用改进算法对自融资投资组合模型进行了求解。与传统的遗传算法、差分进化、粒子群优化算法和量子行为的粒子群优化算法相比,LDQPSO算法在实际应用中拥有更好的寻优能力。     

基于遗传算法的多核支持向量机的参数优化

提出了利用遗传算法对多核支持向量机的权系数进行寻优的方法GA-MKL,先选择表现能力最好的参数的单核构成多核,再利用遗传算法来对多核的核系数来寻优.采用该算法在UCI标准数据集上进行了实验,结果表明,该算法为多核SVM的系数选择提供了一种可行的方法.与单核SVM相比,该方法具有更好的分类能力,和其他多核学习算法相比,性能也有一定的提高.     

基于遗传算法的柔性作业车间柔性分批调度问题研究

针对柔性作业车间柔性分批调度问题的复杂性,采用遗传算法进行求解,在引入柔性分批方法后,并提出了染色体的两级编码方法,设计了2种交叉和变异操作方法,以防止操作中非法解的产生,提高求解效率.该算法不仅解决批量分批,而且也解决子批排序和选择加工路线的问题.对比整批调度和柔性分批调度的Makespan后,仿真结果表明,柔性分批调度可缩短生产周期,验证了采用新算法的可行性和有效性.     

基于自适应遗传算法的OFDMA资源分配

针对OFDMA系统,提出了基于边缘自适应(MA)准则的子载波分配算法,该算法基于一种新颖的自适应遗传算法.在新算法中的交叉概率、变异概率随着群体适应度的改变而改变,同时在该算法的初始种群中加入优秀基因的个体,使得算法快速收敛,并能搜寻到优秀的子载波分配方案.仿真结果表明:新算法与已有分布式算法、遗传算法相比较,在性能上有较大的改善,并远优于静态的频分多址资源分配方式.     

集群系统任务调度算法

任务调度是集群系统的关键技术之一,针对总线结构DAG模型下的任务调度问题,提出一种基于混沌改进的遗传模拟退火算法,简称Chaos-GSA。该算法在原有遗传模拟退火算法的基础上引入混沌系统,改进种群初始化方法和交叉、变异算子,提高算法的收敛速度,并在降温时考虑染色体资源平均利用率,使具有较大资源利用率的个体更容易被选择。实验结果表明:该算法与传统GSA算法相比,有明显的优越性,可以减少时间跨度,提高资源的利用率。     

基于多样变异随机搜索的差分进化算法

为解决差分进化算法(DE)易陷入局部最优、收敛速度慢等问题,提出一种基于多样变异随机搜索的差分进化算法(DMSDE),并证明算法依概率收敛.DMSDE算法在保留DE算法变异操作的同时采用变异比例因子自适应调整策略提高种群进化效率;然后利用改进的交叉算子加快算法收敛速度;此外,构造了一个新颖的多样变异算子来增强算法局部搜索能力并确保种群多样性.通过8个常用标准测试函数上的实验表明,所提出的算法在收敛精度、稳定性、收敛速度方面都优于其他5种算法,具有较高的优化性能.     

一种基于整体退火遗传算法的动态IR Drop分析新方法

提出了一种基于整体退火遗传算法的动态IR drop分析方法.该方法在经典遗传算法基础上,引入父代竞争和适应函数模拟退火处理,优化了动态分析的输入向量,加快了分析速度.实验表明,与经典遗传算法相比,该方法提高了动态IR drop分析的准确性,提高了算法收敛速度,繁殖代数平均减少了35%,分析结果改进了10%左右.     

自适应memetic算法求解集合覆盖问题

集合覆盖问题是一个经典的NP困难的组合优化问题,有着广泛的应用背景.首先,采用动态罚函数法将集合覆盖问题等价转化为无约束的0-1规划问题.然后,基于集合覆盖问题的结构特征,设计了初始种群构造方法、局部搜索方法、交叉算子、动态变异算子和路径重连策略,提出了一个高效求解该0-1规划问题的自适应memetic算法.该算法有效平衡了集中搜索和多样化搜索.通过45个标准例子测试该算法,并将其结果与现有遗传算法进行了比较,表明该算法能够在可接受的时间内找到高质量的解,能够有效求解大规模集合覆盖问题.     

基于遗传算法的片上网络低功耗映射

随着片上网络(Network-on-Chip)集成度的提高,功耗逐渐成为设计的焦点.本文提出了一种在延时约束条件下,基于遗传算法的片上网络通信链路的低功耗映射算法.该算法使用数组方式编码染色体,并采用非常规码的交叉和变异运算因子.它充分利用遗传算法的群体优势,能快速有效地对通信功耗作优化.实验表明,该算法能平均减少50%左右的通信功耗.     

一种基于核的在线策略梯度算法

策略梯度算法是一种广义的策略迭代方法,由于其高效性得到了广泛的关注和研究.策略梯度算法包括策略评估与策略改进两个部分.传统的在线策略梯度方法在处理大规模问题时,表现不佳.为此,提出一种基于核的在线策略梯度算法,在强化学习经典算法评论家行动者的框架下,采用核方法近似表示值函数与策略函数,采用真在线时间差分算法评估策略的值函数,并根据真在线思想改进策略参数的更新方式.最后通过平衡杆问题和爬山小车实验验证算法的有效性.     

面向产业集群内多供应商的订单分配模型研究

通过分析供应商企业内部生产状况对订单执行的影响,提出一种基于供应商生产负荷率均衡准则的订单分配方法,以生产负荷率来表征供应商企业的生产负荷状况,建立了以生产负荷均衡为目标的订单分配优化模型,并根据适应度值自适应改变交叉算子与变异算子的遗传算法进行求解．仿真计算结果表明：提出的模型和算法能获得满意的解;基于生产负荷均衡化的订单分配策略将促使产业集群内相关成员企业之间,以及同一个企业在不同时间段之间生产负荷的均衡化,有利于供应商群体的持续发展,对产业集群内部制造资源的合理配置有重要意义．