基于轮盘赌反向选择机制的蜂群优化算法

针对人工蜂群算法易陷入局部最优的不足,考虑到基本蜂群算法中个体选择大多基于贪婪选择的思想,从而使算法快速向适应度值高的个体进化而陷入局部停滞。为此,提出一种基于轮盘赌的反向选择机制,以保持蜂群个体的多样性而使算法保持较好进化能力。通过对经典测试函数的仿真实验表明,改进的蜂群算法有更快的收敛速度和更好的收敛精度,且改进的蜂群算法对群体规模有很强的鲁棒性。

轮盘赌选择自适应和声搜索算法

针对现有和声搜索算法收敛速度慢、参数选取困难的不足,提出了一种求解数值优化问题的轮盘赌自适应和声搜索算法。该算法在和声库学习环节用轮盘赌选择取代HS算法的完全随机选择和GHS算法的贪婪选择,在提高收敛速度的同时克服了GHS算法由于贪婪选择造成的早熟;在参数选取中利用群体适应度方差生成概率PAR以自适应微调,然后根据和声库的信息、变量的取值范围和迭代次数进行自适应调整微调步长。仿真时设计了一个特殊函数用于例证轮盘赌选择机制的有效性和GHS算法的早熟问题,通过四个经典函数证明了该算法在收敛速度和收敛精度方面优于HS和IHS算法。

一种基于轮盘赌选择遗传算法的随机微粒群算法

以保证全局收敛的随机微粒群算法SPSO为基础,本文提出了一种改进的随机微粒群算法——GAR-SPSO。该方法是在SPSO的进化过程中,以轮盘赌选择机制下的遗传算法所产生的最优个体来代替SPSO中停止的微粒,参与下一代的群体进化。通过对五个多峰的测试函数进行仿真明:在搜索空间维数相同的情况下,GAR-SPSO收敛率及收敛速度均大大优于SPSO。

对遗传算法的轮盘赌选择方式的改进

适应度比例选择作为遗传算法常用的选择方法,通常采用轮盘赌方式实现。提出了一种同样基于适应度比例选择的改进选择方式。相较于轮盘赌方式,文中方法能够提高结果的准确性,并具有更好收敛性,最后通过数值计算实验对两种方式做出了比较。

基于轮盘赌反向选择机制的果蝇优化算法

针对基本果蝇优化算法(FOA)容易陷入局部最优、收敛速度慢和寻优精度不高的缺点,论文提出了使用轮盘赌的反向选择机制,选择扰动后的最优值作为步长变化依据,以保持果蝇群体的多样性从而使得算法保持较好的优化能力。通过对经典测试函数的仿真实验表明,改进的果蝇算法全局寻优能力提高,且具有更快的收敛速度和更高的寻优精度。

一种基于轮盘赌选择的改进遗传算法

遗传算法是将遗传学与自然选择结合的自适应搜索过程,是一种解决复杂问题的有效手段。针对遗传算法中存在的"早熟"收敛问题,采用改进的轮盘赌选择法对算法选择过程进行改进。仿真实验结果表明,改进算法可有效提高收敛精度。

基于轮盘赌轮选择的多路径TCP路径选择优化

多路径传输控制协议(multipath TCP,MPTCP)利用设备的多个网络接口传输数据,通过聚合带宽来提高传输效率。在进行路径选择时MPTCP通常使用不相交路径选择算法,由于优先选择负载小的路径,这种贪心策略容易造成网络拥塞和带宽利用率不足。轮盘赌轮选择通过概率的方式,在路径选择时加入随机性和动态性,能够克服该贪心策略造成的问题。为此,设计了一种基于轮盘赌轮选择的MPTCP路径选择算法,称作基于轮盘赌轮的MPTCP路径选择(roulette wheel based MPTCP path selection,RWSMPS)。RWSMPS通过软件定义网络(software defined network,SDN)控制器监控和分析网络状态信息,基于轮盘赌轮方式进行子流路径选择,用分组检查将子流分配到路径上,充分利用所有可用路径,并保证路径间的负载平衡。在Mininet平台上的实验证明,相比于广泛使用的等价多路径路由(equal cost multi path,ECMP)算法和链路不相交算法,RWSMPS的吞吐量分别提高了43.9%和41.8%,抖动分别减少了41.6%和40.7%。

融合时间综合影响的轮盘赌游走个性化推荐算法

传统的基于图的推荐算法忽略了时间综合信息影响从而导致推荐质量不高。针对这一问题,提出一种融合时间综合影响的轮盘赌游走个性化推荐算法。该算法以用户-项目二分图为基础,引入衰减函数,将时间综合信息对推荐的影响量化成图节点的关联概率;然后采用轮盘赌模型根据关联概率选择游走目标;最终对每个用户做出top-N推荐。实验结果表明:该算法比传统基于图的随机游走PersonalRank算法在推荐的准确度、召回率以及覆盖率指标上都有明显提高。

基于改进轮盘赌策略的反馈式模糊测试方法

为了解决传统模糊测试方法测试盲目效率低下的问题,提出一种反馈式模糊测试方法。该方法通过对传统模糊测试方法的流程进行优化来提高测试效果。通过网络爬虫收集原始样本文件,确保原始样本的多样性。通过代码覆盖率分析来从大量样本文件中筛选用于变异的最佳种子文件,在保证足够的测试空间的同时避免冗余测试。通过对种子文件进行变异来生成测试用例,并根据测试结果基于改进轮盘赌策略不断调优对种子文件的变异参数,以期发现尽可能多的软件故障。实现了一个原型系统OSSRWSFuzzer,在实验中发现了WPS Office for Linux软件的56个故障,其测试效果明显优于现有模糊测试工具。

遗传选择算子的比较与研究

在改进的基本遗传算法的实验基础上,通过分析传统的基本选择算子的理论及其优缺点,提出了能够产生较好收敛速度的三种选择方法:基于上限的确定式采样、基于切断的轮盘赌选择以及无回放最大值选择法,通过实验证明其在收敛性和收敛速度上都有很大的改善,为一些需要更快速求到最优解的应用问题提供了更好的选择策略。

一种改进选择算子的遗传算法

遗传算法(Genetic Algorithm,GA)是一种模拟生物进化的智能算法,被广泛应用于求解各类问题。简单遗传算法(Simple GA)仅靠变异产生新的数值,常常存在搜索精确度不高的问题。针对这个问题,对SGA的选择算子进行改进,即把相似个体分在同一组中,以组为单位进行选择,并通过该组个体的特点进行高斯搜索生成新的群体。这样使得GA在搜索过程中不仅可以很好地保持个体的多样性,并且可以提高解的精确度。通过对11个函数(单峰和多峰)的仿真实验,证明了采用新的选择算子后,GA在求解问题的精确度上有了很大地改善。

遗传算法选择策略比较

以遗传算法中的轮盘赌选择策略和锦标赛选择策略作为研究对象,通过在13个基准测试函数上的测试,对不同选择策略的性能进行了比较和分析。实验结果表明,锦标赛选择策略比轮盘赌选择策略具有更好的通用性,而且性能更优。在锦标赛选择策略中,组规模为种群规模的60%至80%的锦标赛选择策略效果较好。该实验结果为设计更加合理高效的选择策略提供了有用的参考。

遗传算法选择方法的比较分析

本文基于改进的基本遗传算法实验，对选择方法进行了比较分析的研究，测试了四种不同选择方法：轮盘赌选择法、锦标赛选择法、随机遍历选择法以及一种新的基于种群交流的选择方法，分析比较这四种不同选择方法封种群发展及最佳适应值的影响。结果表明各种选择方法各有特点。最後为了防止陷入局部收敛，而对轮盘赌选择方法进行了改进，并比较了改进前後的结果，发现改进后的结果要好一些。

公平席位分配问题在遗传选择操作中的应用

选择是遗传算法的三大基本操作之一,适应度比例选择是遗传算法最常用的选择方法。首先比较其与公平席位分配问题的相同点,将其转换为公平席位分配问题;其次,为了克服经典适应度比例选择实现方法、即轮盘赌方法稳定性和可靠性差、随机性高的缺点,提出了改进轮盘赌、比例加惯例法、Q值法、d’Hondt法等,并将这些新方法与传统的轮盘赌方法在公平席位分配原则上进行理论上的比较评价。最后,在立方体、Schaffer、Powell奇异等标准数值测试函数上的实验结果表明,新引入的比例加惯例法和d’Hondt法选择操作比传统的轮盘赌方法稳定性高,有效提高了遗传算法收敛于全局最优解的概率,加快了收敛速度,能够用更低的计算代价获得更佳的优化效果,其中比例加惯例法和d’Hondt法最为突出。

改进的遗传算法选择算子

为了进一步提高遗传算法选择算子的选优能力,本文在传统轮盘赌的基础上提出了一种基于排序的多轮轮盘赌选择算子,加入了多轮转盘的思想,并利用对上代种群进行排序增加优秀个体的选择概率,从而在提高了算子的选优能力同时也减少了随机性所产生的误差;随后本文将此算子与最佳个体保存法的思想相结合,进一步提出了无放回的基于排序的多轮轮盘赌选择算子,达到了既能够选出最好个体又能够保证种群多样性的效果.实验表明,与传统轮盘赌算子相比较,新方法能够有效地提高遗传算法的收敛速度.

多用户检测中一种改进选择法的模拟退火遗传算法研究

将模拟退火遗传算法应用到多用户检测技术中,可以降低了检测算法的复杂度并有效解决移动通信系统中存在的多址干扰等问题。当网络相对空闲时,模拟退火遗传算法检测器筛选用户信息的精确度会下降。对此,提出了将一种改进的模拟退火遗传算法应用到多用户检测技术中,即基于期望值选择法的模拟退火遗传算法。从理论分析可以看出基于期望值选择法的模拟退火遗传算法比传统的模拟退火遗传算法的精确度更高,仿真结果也表明基于前者的检测器性能明显优于后者。

基于预测算子的GSO特征选择算法

如今很多领域能采集到的特征变量数以万计,而能作为训练集的样本量却远小于特征数量,因此利用特征选择降低数据维数并提高算法的性能成了首要工作.特征选择的三类主流方法为过滤式、包裹式和嵌入式,但最近用演化计算(Evolutionary Computing,EC)技术进行特征选择获得了更多的关注,已有实验证明EC技术能取得更好的性能.提出一种基于预测算子的群搜索(Group Search Optimizer,GSO)特征选择算法(GSO feature selectionalgorithm based on predictive operators,PGSO)用于特征选择问题.首先在GSO算法基础上引入基于轮盘赌选择算法的变异算子,按变异概率来选择粒子某一维度的值进行变异,若变异后的粒子的适应度值更优,则保留该变异,以此来保持群体的多样性,提高算法的搜索性能.再者,对GSO算法加入预测算子,选取种群中5%的粒子学习生产者的历史最优位置,来预测下一生产者的位置,这样很大程度上加快了粒子的寻优速度.最后,在UCI中的六个数据集上将其与基于粒子群优化(Particle Swarm Optimization,PSO)算法、GSO算法以及竞争选择(Competitive Selection Optimization,CSO)算法的特征选择算法进行比较,实验结果验证了所提出的算法在单目标特征选择问题上有较低的错误率和快速收敛的性能,且它不易陷入局部最优.

选择算子实现

本文主要基于传统的遗传中的优缺点，在传统轮盘赌算法的基础上，结合适应度最大染色体被保存的思想，通过增加随机数的数量，使得随机数出现次数最多的累计概率区间号所代表的染色体能够存活下去。

基于改进实数遗传算法的桑叶采摘机结构参数优化

针对遗传算法在求解桑叶采摘机结构优化问题时容易陷入局部最优和求解精度低等问题,提出一种改进实数遗传算法。首先是给出一种基于序的组合适应度函数的轮盘赌选择算子,该算子在轮盘赌的基础上,通过一个自适应变化的参数在两种适应度函数中选择一个,再去计算适应度值;然后设计一种基于方向的改进启发式交叉算子,该算子既保留两个父代个体中较优个体对子代个体的影响,又增加种群中最优个体对子代个体的影响,提高交叉产生有潜力子代的可能性。接着将改进算法应用于摇杆式桑叶采摘机的优化参数设计中,通过与其他算法作仿真对比试验验证算法的优越性,获得采摘机最优参数组合:行走结构速度为24 mm/s、拨动结构角速度为1.2 rad/s、采摘结构速度为440 mm/s,并由运行结果可知整机性能与优化前相比提高13%。最后用优化得到的参数组合进行实地试验,结果显示桑叶采摘机性能提升10.9%,误差较小为2.1%。可见,所提改进实数遗传算法是优化采摘机参数的一种有效算法。

基于路径搜索DQN的特殊车辆路线优化策略

为保障特殊车辆在复杂且易拥堵的城市交通环境下执行紧急任务的时效性与畅通性,提出一种基于路径搜索式深度Q网络(P-DQN)的特殊车辆路线优化策略。采用回溯法协助深度Q网络(DQN)解决路径搜索过程中的死路、回路问题,利用人工势场机制引导DQN搜索路径,避免路径结果过长。结合轮盘赌选择法与贪婪值自适应调整机制进一步提升DQN选取路段和建议行驶速度时的准确性。实验在InTAS数据集上对真实城市交通进行模拟,与RERoute、CH等SOTA方法相比,P-DQN获得的总价值提高约16%。