免疫进化混合猴王遗传算法

针对简单猴王遗传算法(MKGA)存在易陷入局部极值和稳定性较差的缺陷,提出了免疫进化混合猴王遗传算法(MKGAIEH)。MKGAIEH将总群体划分为若干个子群体,为了充分利用总群体中最优个体(总猴王)信息,引入免疫进化算法(IEA)对其进行免疫进化迭代计算;此外,对子群体内的其他个体,同时考虑子群体的子猴王与群体的总猴王对其进行交叉和变异遗传操作。当所有子群体的局部搜索完成后,再将各子群体的解重新混合。这种全局信息交换与子群内局部搜索相结合的策略不仅避免了早熟收敛,而且随着迭代的进行,还能以更高的精度逼近全局最优解。将MKGAIEH、MKGA、改进后的猴王遗传算法(IMKGA)、蜜蜂遗传算法(BEGA)、免疫进化粒子群蛙跳算法(IEPSOSFLA)和普通爬山算子遗传算法(COGA)对6个典型测试函数的计算结果进行了比较,其结果为:MKGAIEH对6个测试函数都能获得全局最优解,有5个测试函数获得的平均值和标准差比其他5种优化算法获得的平均值和标准差精度提高了几个数量级,达到了最小。这表明MKGAIEH具有更佳的寻优能力和更好的稳定性。

基于猴王遗传算法的演化硬件

演化硬件作为新的硬件载体,具有自组织、自适应、自修复的能力。本文设计了一种由查找表(LUT)和D触发器构成的基本演化硬件单元,能够满足组合逻辑电路和时序逻辑电路的设计要求。同时设计了兼容组合逻辑电路和时序逻辑电路的适应度评估函数。利用该模型对基于遗传算法的演化硬件和基于猴王遗传算法的演化硬件参数进行了优化设计。分析表明遗传算法的变异概率vP取值应在0~0.01之间,交叉概率对算法的性能影响可以忽略;猴王遗传算法的保留概率R取值应在0~0.85之间,变异概率vP应在0~0.01之间。对比分析了遗传算法和猴王遗传算法的性能:基于猴王遗传算法演化硬件的运算量只有基于遗传算法演化硬件的1/4,且能得到更接近目标电路的电路结构。

前方车辆检测的特征融合算法研究与实现

为了解决前方车辆检测的鲁棒性和实时性问题,提出了一种基于车辆形态特征和类HAAR特征融合的前方车辆检测优化算法.为了克服车底阴影提取易受外部环境因素影响的缺陷,采用猴王遗传算法(monkey king genetic algorithm,MKGA)进行阈值分割,提取车底阴影部分;然后通过车辆形态特征一次筛选得到感兴趣区域,并对感兴趣区域的类HAAR特征进行提取和降维,输入支持向量机(support vector machine,SVM)训练好的汽车分类器进行二次筛选.随机抽取视频的300帧进行算法验证,实验结果表明:算法在复杂环境下能够实现车辆检测,并且相比于单一特征的检测方法,准确率由80%提高至90%;利用类HAAR特征积分图和主成分分析(principal component analysis,PCA)降维能够有效地提高检测速度.算法满足驾驶辅助系统准确性和实时性的要求.