基于种群差异度的自适应遗传算法

常规遗传算法采用恒定的选择压力和变异概率,后期进化速度较慢,对于复杂优化问题通常难以获得高质量的解。该文根据染色体的相似性,提出了种群差异度的概念,并依据种群差异度自适应地调整遗传参数。算例表明,与常规遗传算法相比,文章提出的算法能显著提高解的质量和收敛速度。

基于APDE-RBF神经网络的网络安全态势预测方法

为了提高径向基函数(radical basis function,RBF)神经网络对网络安全态势的预测精度,提出了一种基于吸引力传播(affinity propagation,AP)聚类和差分进化(differential evolution,DE)优化RBF神经网络的算法。首先,利用AP聚类算法对样本数据进行划分聚类,从而获得RBF的中心和网络的隐含层节点数;其次,利用AP聚类得出种群差异度,自适应地改变DE算法的缩放因子和交叉概率,对RBF的宽度和连接权值进行优化;同时为了避免陷入局部最优以及跳出局部极值点,对每一代种群的精英个体和种群差异度中心进行混沌搜索。通过仿真实验表明,此算法在泛化能力增强的同时,对网络安全态势也达到了较高的预测精度。

基于混合差异度控制的基因表达式编程

基因表达式编程(GEP)是一种进化算法,存在局部极小问题,解决此问题的一般方法是保持进化过程中种群的差异度.为了保证进化过程中种群的差异度,文中提出一种融合种群空间和样本空间的种群差异度度量方法.并基于此融合种群差异度度量方法,提出差异控制的GEP进化算法.同时在初始种群生成时,针对GEP结构的特殊性,将敌手理论应用于GEP种群初始化.实验结果表明文中算法能较有效避免过早陷入局部极小.