适应度平均选择的离散差分演化算法

如何将差分演化算法用于离散领域是该领域的一个重要问题.提出一种适应度平均选择的离散差分演化算法,提出的算法中每个个体有均等的机会被选择用于引导算法的进化,这种选择方式有助于克服贪婪选择操作导致的种群多样性下降过快而使算法易陷入局部最优的问题.最后在多维背包问题上的实验结果表明提出的算法具有良好性能.

基于适应度分组的进化策略

一般的进化策略都采用选择子代中最好的一部分个体替代原来的父代个体进入下一代进化,这样使那些相对劣的个体没有机会进入以后的进化过程。但每一个个体都有优良的一面,它们都有可能进化成最优解。鉴于此,根据每代群体的平均适应度将种群分为两部分:优势种群和劣势种群。父代个体以一定的比例在两组中选取,这样使劣质个体也有机会参加到进化中。仿真结果表明该方法对求解优化问题是有效的。

结合保优策略和移民策略的自适应遗传算法

针对基本遗传算法具有早熟性收敛、寻优时间长及局部搜索能力差的问题,分析产生这些问题的原因。结合最优保存策略和移民策略,提出基于种群平均适应度信息的遗传算法自适应算子的改进方案,并对改进遗传算法的收敛性予以证明。仿真结果表明,改进遗传算法在搜索效率、搜索精度和克服早熟收敛现象方面均有明显的优越性。

融合混沌与模拟退火PSO的BP神经网络模型研究

考虑到BP神经网络模型和PSO粒子群优化算法存在有的收敛速度慢及陷入局部最优的问题,给出了基于融合混沌(Chaos)模型和模拟退火(SA)算法而设计的PSO-BP神经网络模型。将混沌模型和SA算法的优点进行融合并对PSO算法加以改进,防止PSO算法因“早熟”而处于局部最优,从而得出BP神经网络模型的权值与阈值集合。实例验证结果表明,CSAPSO-BP神经网络模型的收敛性高于PSO-BP神经网络模型与SAPSO-BP神经网络模型,其平均绝对百分比误差分别比后两者低25.23%和14.19%。

一种新的并行遗传算法应用研究

针对传统粗粒度并行遗传算法容易早熟并且收敛速度较慢的不足,提出一种新的并行遗传算法。新算法采用了一种基于相对平均适应度的动态调整迁移率的方法及时增加了其它岛屿到相对平均适应度较高的岛屿的迁移率,从而有效的增加了种群的多样性,抑制了早熟现象,提高了最优解的质量。同时,提出了一种存活期的计算方法,对直接迁入每个岛屿中的个体计算存活期并淘汰年龄超过存活期的个体,控制了岛屿的规模,增强了算法的收敛性能,加快了收敛速度。将提出的改进算法用Muth and Thompson基准问题测试,验证了该算法的有效性。

改进并行粒子群算法优化RBF神经网络建模

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。

组卷技术中遗传算法的改进研究

文章就目前应用比较广泛的遗传算法进行了的分析和研究,提出了两种对遗传算法的改进措施,这两种改进措施分别是基于平均适应度的改进措施和基于局部小生境的改进措施。