基于佳点集人工鱼群的点云配准算法

针对点云配准迭代最近点(iterative closest point,ICP)算法对点云的初始位置姿态有较高的要求且易陷入局部最优的问题,文章提出一种基于佳点集人工鱼群的点云配准算法。首先采用佳点集方法对人工鱼群初始化,解决人工鱼群因初始种群分布不均而陷入局部最优的问题,并通过下采样与三维尺度不变特征变换(3D scale invariant feature transform,3D SIFT)特征点提取简化点云;然后采用快速点特征直方图(fast point feature histogram,FPFH)特征描述解求点云间的对应点对并剔除错误对应点对,通过佳点集人工鱼群算法寻优刚性变换的6个参数完成粗配准;最后使用ICP算法完成精配准。实验选取斯坦福大学提供的Bunny、Dragon和Happy Buddha 3组测试数据集进行配准;结果表明,该文算法收敛速度快,能为ICP算法提供良好的初始位姿避免其陷入局部最优。

基于佳点集的改进麻雀搜索算法

为改善麻雀搜索算法(SSA)初始种群质量和稳定性差,易陷入局部最优的缺点,提出一种基于佳点集的改进麻雀搜索算法(GSSA)。加入佳点集使初始种群更加均匀,提升了种群多样性;结合SSA算法特点引入改进的迭代局部搜索,在不降低原算法收敛速度快的基础上,使算法的搜索能力更加灵活;在算法中加入逐维透镜成像反向学习机制,减少各个维度间的干扰,帮助算法跳出局部最优并加速收敛。经12个测试函数仿真实验,并借助Wilcoxon秩和检验、平均误差M等证明了GSSA在寻优精度和稳定性等寻优性能都有较大的提升,且收敛速度更快。

聚类佳点集交叉的约束优化混合进化算法

提出一种基于聚类佳点集多父代交叉和自适应约束处理技术的混合进化算法用于求解约束优化问题.新算法的主要特点是:在搜索机制方面,利用佳点集方法构造初始化种群,使个体能够均匀地分布在整个搜索空间.然后根据父代个体的相似度将种群个体进行聚类分析,从聚类中随机选择个体进行佳点集多父代交叉操作,利用多个父代个体所携带的信息产生新的具有代表性的子代个体,能够维持和增加种群的多样性.另外,引入局部搜索策略以提高算法局部搜索能力和收敛速度.在约束处理技术上,新算法引入了一个自适应约束处理技术,即根据当前种群中可行解的比例自适应选择不同的个体比较准则.通过15个标准测试函数验证了新算法的有效性.

一种基于佳点集的类电磁机制算法

提出了一种改进的类电磁机制算法——基于佳点集的类电磁机制算法.该算法运用数论中的佳点集理论构造初始种群;改进了局部搜索算法;运用改造后的公式计算粒子之间的作用力;设计了一种自适应移动算子来更新粒子.实验结果表明,改进后的算法能更快、更精确地收敛于问题的全局最优值.

基于佳点集构造的改进量子粒子群优化算法

针对粒子群优化算法易出现早熟收敛及局部搜索能力不足的特点,提出一种改进的量子粒子群优化算法(IQPSO)。该算法在量子粒子群优化算法(QPSO)的基础上,引入佳点集初始化量子的初始角位置,提高初始种群的遍历性;在粒子角速度位置更新中,采用混沌时间序列数,促使粒子跳出局部极值点;为避免粒子陷入早熟收敛,在算法中加入变异处理。仿真实验结果表明:与标准粒子群优化(SPSO)算法和量子粒子群优化(QPSO)算法比较,提出的算法具有快速的收敛能力、良好的稳定性,其优化性能有较明显的提高。

应用佳点集的混合反向学习人工鱼群算法

为了改善人工鱼群算法求解精度较低、容易过早收敛的弱点,提出了一种应用佳点集和反向学习的人工鱼群算法。改进算法在迭代中对当前种群中部分优质个体执行一般动态反向学习,生成它们的反向种群,引导种群向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。当种群的拥挤程度超过阈值λ时,利用佳点集机制对大部分个体重新初始化,以帮助算法脱离局部最优的约束。在六个Benchmark函数上的实验表明,该算法收敛速度快、求解精度高,适合求解函数优化问题。

佳点集遗传算法

该文借助于遗传算法的理想浓度模型以及由此模型对遗传算法的机理的分析 ,给出了遗传算法的运行机理及特点 ,即遗传算法是一个具有定向制导的随机搜索技术 ,其定向制导的原则是 :导向以高适应度模式为祖先的“家族”方向 .以此结论为基础 ,利用数论中的佳点集的理论和方法 ,对 GA算法中的交叉操作进行了重新设计 ,给出了一个新的 GA算法 ,称之为佳点集遗传算法 .最后作者将佳点 GA算法应用于求解优化问题、SAT问题、TSP问题和背包问题 ,并与其它求解 SAT算法进行比较 .通过模拟比较 ,可以看出新的算法不但提高了算法的速度和精度 ,而且避免了其它方法常有的早期收敛的现象 .这说明作者对 GA算法机理的理解和佳点 GA算法可能为 GA算法的研究开辟一条新的途径 .

基于动态随机搜索和佳点集构造的改进粒子群优化算法

针对粒子群优化算法局部搜索能力不足和易出现早熟收敛的问题,提出一种基于动态随机搜索和佳点集构造的改进粒子群优化算法。该算法通过引入动态随机搜索技术,对种群当前最优位置进行局部搜索;采用佳点集构造对陷入早熟收敛的种群重新初始化;引入负梯度方向直线搜索来加速算法寻优。仿真实验结果表明,与标准粒子群优化(SPSO)算法和耗散粒子群优化(DPSO)算法比较,提出的改进算法具有快速的收敛能力而且能有效地跳出局部最优,优化性能得到明显提高。

求解货郎担问题(TSP)的佳点集遗传算法

文章针对求解货郎担问题（ＴＳＰ），给出了一种佳点集遗传算法。通过对ＣＨＮ１４４实例的仿真求解，取得了令人满意的结果，可以看出该算法不仅提高了求解的效率和精度，还有效地避免了“早熟”现象。

佳点集遗传覆盖算法

针对覆盖算法中识别精度与泛化能力之间的一对矛盾,结合佳点集遗传算法思想,提出佳点集遗传覆盖算法。通过在覆盖种群中引入竞争,淘汰不好的覆盖,保留较优的覆盖,减少了覆盖个数和拒识样本个数,从而提高了整体覆盖种群的分类能力。与Lib-SVM、领域覆盖、交叉覆盖的对比实验证明了该算法具有良好的分类识别精度与泛化能力。

基于佳点集与Leader方法的改进K-means聚类算法

针对传统K-means算法对初始点敏感的问题,采用数论中的佳点集理论结合Leader方法对K-means聚类算法加以改进,启发式地生成样本初始中心。根据两者不同的结合方式,所提算法分别称为KLG和KGL。佳点集理论能够产生比随机选取点更好的点,Leader方法则能反映数据对象本身的分布特性。结合佳点集理论和Leader方法各自的优点,能获得优化的初始中心。在UCI数据集上的实验表明,KLG算法和KGL算法所得到的结果均好于传统的和其他一些初始化的K-means算法。

一种基于佳点集遗传算法的QoS组播路由选择方法

QoS组播路由选择是通信网络多点路由优化问题的重要部分,已被证明是NP-complete问题。该文针对目前QoS路由算法中存在的一些问题提出了一种新的算法,其核心是佳点集遗传算法。该算法首先通过预处理简化问题,而后采用遗传算法求解:编码采用Prüfer树结构,变异和交叉概率自适应选择。仿真结果表明,该算法是有效的、稳定的,具有较强的实用性。

基于佳点集遗传算法的聚类技术

提出了两种基于佳点集遗传算法的聚类新方法GAmeans和HgaMeans,适用于不同数据库下的聚类挖掘。GAmeans可用于发现指定簇数的聚类中心,具有对初始数据的弱依赖性、收敛快、精度高并可避免早熟的特点;而混合方法HgaMeans是利用k means对GAmeans聚类结果的进一步提炼,实验表明它具有更好的聚类质量和综合性能。

免疫佳点集遗传算法

结合免疫机制和数论中的佳点集理论,给出了一种免疫佳点集遗传算法。该算法把数论中佳点集理论运用于遗传算法交叉操作和种群初始化的改进,提出带权欧氏距离计算抗体的相似度、浓度和适应度,引入免疫机制使群体保持多样性和快速导向高适应度模式。实验结果验证了该算法可以有效地避免早熟,改善算法的全局收敛性,提高搜索效率。

佳点集遗传算法及其在PID控制中的应用

传统遗传算法具有收敛速度慢、局部寻优能力较差且容易出现"早熟"等现象,运用数论中的佳点集理论与方法对其进行改进。改进的算法通过生成一种具有良好多样性的均匀初始种群,构造出新型的佳点交叉算子和变异算子,使得在进化过程中子代可以更好地继承父代的优良特性,有效地改善了传统算法的全局收敛速度,避免了"早熟"现象的发生。将此改进算法应用于工业PID控制器的参数寻优,仿真结果显示出佳点集遗传算法明显提高了搜索速度,系统的动态性能和稳定性也有明显改善。

基于佳点集遗传算法的边缘检测

为了提高遗传算法应用于边缘检测的收敛速度,提出了一种基于佳点集遗传算法(GGA)的边缘检测方法。该方法利用佳点集理论构造交叉操作使得子代保留最能代表其家族性能的双亲共同基因以提高算法收敛速度。在用遗传算法进行边缘检测之前,将图像的灰度值特征空间转换为模糊熵特征空间,然后运用模糊熵理论对图像进行相异性增强处理,滤去非边缘像素以便缩小解空间规模,为提高算法的收敛速度提供了另一个有效的途径。实验结果表明,所提出的图像边缘检测方法具有较好收敛效率,所检测出的图像边缘细节丰富、单边缘、定位准确。

基于佳点集遗传算法的特征选择方法

针对特征选择中降维效果与分类精度间的矛盾,通过分析传统的特征选择方法中的优点和不足,结合佳点集遗传算法的思想和K最近邻简单有效的分类特性,提出了基于佳点集遗传算法的特征选择方法。该算法对特征子集采用佳点集遗传算法进行随机搜索,并采用K近邻的分类错误率作为评价指标,淘汰不好的特征子集,保存较优的特征子集。通过实验比较看出,该算法可以有效地找出具有较高分类精度的特征子集,降维效果良好,具有较好的特征子集选择能力。

基于佳点集遗传算法求解Job-shop调度问题

1.介绍 Job-shop调度同题(JSSP)是极为困难的带约束组合优化问题,是NP难的.典型的Job-shop调度问题可描述为n个工件要在m台机器上加工,每个工件有其特定的加工工序,每道工序加工时间已知,并符合以下假设[1]:

变焦佳点集遗传算法

通过使用数论佳点集理论与方法构造出佳点交叉算子,佳点集遗传算法(GGA)具有更快的收敛速度和精度,且避免了常见的早期收敛现象,但是二进制编码的佳点集遗传算法在位串长度确定的情况下无法克服二进制与实数之间的映射误差。针对二进制编码遗传算法存在从最高位到最低位依次收敛的多米诺现象,提出含有变焦因子的佳点集遗传算法来变相增加位串编码长度以期缩小该映射误差,提高搜索效率和求解精度。通过不同维数下的Benchmark测试函数的仿真结果表明,改进的算法具有全局收敛、求解精度和搜索效率高的优点。

基于佳点集的约束优化进化算法

结合数论中佳点集理论和多目标优化技术,提出了一种求解约束优化问题的新算法。该算法首先把约束优化问题转化为两个目标的多目标优化问题;接着结合佳点集理论重新设计了交叉算子,新的交叉算子能够生成具有代表性的子代个体以更好地搜索空间;采用BGA变异算子增加子代个体的多样性;最后根据当前子代群体的进化信息,利用联赛选择算子或Pareto优超关系选择优胜个体进入下代群体,通过4个标准测试函数验证了算法的有效性。