一种多种群进化和差分变异的鲸鱼优化算法

针对鲸鱼优化算法容易陷入局部最优,求解精度低,收敛速度慢,提出了一种多种群进化和差分变异的鲸鱼优化算法(MDWOA).首先,根据适应度值将种群划分为两个大小相等的子种群,并为每个子种群分配不同的移动策略,以平衡全局和局部搜索能力.其次,设计了一种种群进化和差分变异的策略来帮助MDWOA提高收敛速度,避免其陷入局部最优.最后,引入反向学习策略,增加种群多样性.将MDWOA与多种优化算法在13个基准函数上进行仿真测试,非参数检验的结果表明相较于其他优化算法来说改进的算法具有更高的精度和稳定性.在此基础上,建立了基于MDWOA优化BP神经网络模型,预测波士顿房价的实验结果表明所提出的预测模型具有更好的预测性能和有效性.

基于多种群进化小生境遗传算法的电力立体式仓储仓位多目标优化配置方法

针对传统电力立体式仓储仓位配置中存在关联性和灵活性不足的问题,提出一种基于多种群进化小生境遗传算法的电力立体式仓储仓位优化配置方法。首先,对物资进行关联性分析,通过聚类方法将物资科学分类,以提高仓储操作的效率和准确性。然后,基于物资的聚类结果和特性设定约束条件,以物资出入库时间和类内物资距离最小化为目标,构建了仓位优化配置目标函数。最后,引入多种群进化小生境遗传算法进行求解,在仓储仓位搜索空间中更好地保持可选配置方案的多样性,避免过早收敛,在全局范围内寻找最优解,实现电力立体式仓储仓位的优化配置。实验结果表明,所提方法能够提高仓储效率、满足物资管理需求,且在具有更高优化程度的同时保持较高的关联性与灵活性。

研究揭示大蒜种群进化史

日前,中国农业科学院麻类研究所联合其他单位揭示了大蒜种群进化史。研究人员对230份大蒜资源开展基因分型测序(GBS)和群体结构分析,发现大蒜种质主要存在4个类群,其中中国主栽的四六瓣蒜和多瓣蒜种质分别来自大蒜组群CG1和CG2。通过有效群体动态分析、基因流和驯化选择区间分析推测CG1和CG2分化于数10万年前,之后各自独立进化和驯化。深入分析CG1和CG2的有害突变,发现经长期独立进化和驯化后,组群间有害突变重复率极低。大规模的转录组测序也表明,长期独立进化和驯化导致CG1和CG2组群间的转录组结构实现了重塑,9400个大蒜基因在两组群间存在表达差异。因大蒜为营养体繁殖作物,组群间没有基因交流,导致各组群有害突变单独积累。独立驯化亦导致两大蒜组群间的基因组分化明显,转录组结构实现重塑。

基于多种群进化小生境遗传算法的神经网络进化设计方法研究

针对神经网络进化设计问题中模型解基因编码与模型解空间的特点,提出了多种群进化小生境遗传算法。该神经网络进化建模方法设计简单、通用,模型性能评价全面合理,全局搜索效率高。电力负荷预测支持系统的实际应用效果表明此方法是有效的,具有一定的应用推广价值。

基于遗传算法的企业种群进化能力评价

从企业种群的基本内涵入手,阐述企业种群进化的内涵和模式,并基于企业种群的刺激-意识-反应进化模式,运用遗传算法对企业种群的进化能力进行评价,提出企业种群进化能力的途径.个体企业每经过一次遗传操作都会有适应度较低的基因(评价指标)被适应度较高的基因(评价指标)所替代;企业种群经过选择、交叉、变异的遗传操作,保持最适应环境变化、进化能力较强、具有与环境保持互动的战略机制、战略能力最强的企业,经过这样重复的过程,最终能够达到企业种群进化能力的最优.

改进多种群进化算法求解移动边缘计算中任务调度问题

移动边缘计算通过在靠近用户端的网络边缘部署服务器,为用户提供低时延的网络通信服务和类似云的计算服务。移动设备通过网络接入点将任务卸载到边缘服务器进行处理,能够有效地减少移动设备的能耗以及任务的完成时间。然而,用户在卸载任务时需要支付一定的通信成本。本文在构建包含多个用户和多个边缘计算节点的移动边缘计算环境的基础上,建立了最小化移动设备的任务完成时间、能耗以及通信成本的数学模型。为了解决上述问题,本文提出了一种改进多种群进化算法的任务调度优化算法。该调度算法通过优化卸载决策和资源分配决策来达到降低移动设备综合成本的目的。大量仿真实验说明,该任务调度算法与其他几种的任务调度算法相比,能够更有效地降低移动设备的综合成本。

利用混沌引导种群进化的多维实数编码遗传算法

提出了一种新的混合遗传算法，它对优化对象进行多维实数编码，利用混沌引导种群进化，仿真结果表明：该算法不仅能在短时间内搜索到高精度的全局最优解，而且具有良好的稳定性．

一种双种群进化集成QoS组播路由算法

设计了一种IP/DWDM光Internet中的非NP类QoS组播路由算法,采用树形编码方式,基于双种群进化,寻找一棵带宽、延迟、延迟抖动与出错率受限的费用优化组播路由树,集成解决路由与波长分配问题.仿真结果表明,该算法是可行和有效的,不仅能够满足QoS约束,而且性能优于基于经典遗传算法设计的QoS组播路由算法,克服了算法易早熟、收敛慢等缺点,有效地解决了IP/DWDM光Internet中的QoS组播路由问题.

基于线粒体D-loop基因探讨花鳗鲡的群体遗传多样性及其种群进化历史

通过测定花鳗鲡(Anguillia marmorata)海南群体(HN)和菲律宾群体(PH)共19尾个体的线粒体D-loop基因的核苷酸序列(约1017 bp),分析了花鳗鲡的种群遗传结构。结果表明:A、T、G、C 4种核苷酸的平均含量分别为39.8%、28.3%、12.4%、19.4%,A+T含量(68.1%)明显高于G+C含量(31.8%)。所测序列中存在73个变异位点,共有18个单倍型。其中海南群体的单倍型多样度(Hd)、核苷酸多态性(Pi)、平均核苷酸差异数(k)分别为0.982、0.21577和219.655,而菲律宾群体的单倍型多样度、核苷酸多态性、平均核苷酸差异数分别为1.000、0.26728和271.821,两个群体之间平均遗传距离(P)为0.3203。结果表明2个群体遗传变异较大,菲律宾群体的遗传多样性较海南群体更加丰富。通过构建NJ分子系统树表明2个群体的亲缘关系较近。利用中性检验Tajima’s D(海南群体D=1.35345,P>0.01;菲律宾群体D=0.79220,P>0.01)和Fs(海南群体Fs=3.759;菲律宾群体Fs=2.231)探讨其种群历史,表明花鳗鲡群体进化过程种群数量较为稳定。

基于多种群协同进化的多逃逸者围捕任务分配

群机器人逃逸围捕一直是人工智能和机器人领域的研究热点之一。在面向多逃逸者时,如何为每个逃逸者高效地分配合适的机器人以完成协同围捕是一个难点问题。已有研究大都采用距离优先分配的策略,为每个逃逸者选择离它最近的一组机器人进行围捕,在逃逸者数量较多的情况下,难以实现围捕任务的均衡分配,降低了系统围捕的效率。为此,提出了一种基于多种群协同进化的多逃逸者围捕任务分配算法。首先,构建了一种全方向的群机器人逃逸围捕任务分配数学模型;然后,基于遗传算法和多种群协同进化提出了一种多逃逸者围捕任务分配算法,设计了相应的编码方式、交叉和变异策略;最后,在开发的群机器人逃逸围捕仿真平台上测试了算法的有效性。对比实验结果表明,所提算法在完成围捕任务所耗费的步数上最多降低了20%,围捕效率最大提高了25%。

一类基于分治原理的多种群协同进化算法

根据脑生理学和社会分工的特点和方式,提出一类"分而治之"多种群进化算法。该算法在任务分解机进行任务分配后,子种群独立完成所分配任务,与其它群体几乎不发生联系。在子伤务完成后,各子群中的优秀分子组成新的种群,在整个问题空间完成进化,然后由决定机构根据情况选择相应的可能行动。最后就两个复杂多模态函数优化问题对该算法进行了实验研究,结果表明:合理的"分而治之"方法在效率和效果上明显优于单种群方法。

基于多种群进化算法的多目标并行博弈设计

针对多目标决策问题,提出一种基于多种群进化算法的多目标并行博弈设计方法,利用Fortran语言编制了相应计算程序.将多目标设计问题描述为博弈问题,在博弈分析中,根据各博弈方在博弈次序和过程上具有同时性和独立性,采用并行计算技术.在以MPI为平台的集群环境中实现数值算例、补偿滑轮组变幅机构、拱型结构的多目标并行博弈设计.计算分析结果显示:该方法的计算精度高、收敛速度快、可以防止早熟、有较好的平衡负载能力,可有效求解多目标问题.

基于改进差分进化算法的跨平台武器目标分配方法

现代战争中,跨平台武器单元的协同利用,是合同编队体系的重要内容,作战方式也正由平台级协同向着能力要素级协同转变,这对武器目标分配问题的解决提出了更大挑战。本文将武器单元的最小划分单位细化到能力要素级,以毁伤概率与成本消耗为优化目标,面向多种来袭目标的编队防空场景,提出了跨平台武器目标分配算法。同时,基于混沌映射提出了混沌种群重构(chaotic population reconstruction,CPR)机制,并结合带存档的自适应差分进化(adaptive differential evolution with optional external archive,JADE)算法提出了CPR-JADE算法,利用CPR机制可以帮助算法在解决高维复杂约束问题时跳出局部最优。再将其运用到武器目标分配模型上,实现了对模型的高效求解。最后,通过在多种数据规模下与其他进化优化算法的仿真对比试验分析,验证了所提方法的正确性与有效性。

基于改进的混合多种群进化算法的城市能源系统供需优化方法研究

对城市能源系统供需优化方法进行研究。首先,以能源系统总成本最小为目标,建立考虑多类能源规划约束条件的城市能源系统供需优化模型;其次,引入改进的混合多种群进化算法,确定模型的寻优流程;最后,采用终端能源消费预测模型的相关结果作为需求约束量,将模型应用于T市进行算例分析。算例结果表明,应用所构建模型获取的未来规划期内最优能源供应结果,满足城市能源相关政策文件要求,能够有效引导T市能源供应向清洁、可持续化方向发展。

基于多种群协同进化微粒群算法的径向基神经网络设计

神经网络结构和权值的联合设计一直是神经网络进化设计的一个研究方向.本文根据基本微粒群算法的特点,借鉴递阶编码的思想,构造出一种多种群协同进化微粒群算法.该算法具有种群内个体微粒自由运动特征分量与种群运动特征分量分层递阶进化的特征,克服了标准微粒群算法在多峰函数寻优时出现的微粒“早熟”现象.应用该算法进行径向基神经网络隐层结构和径向基函数参数联合自适应设计,在非线性系统辨识中显示了比较好的收敛性和训练精度,同时也使网络的泛化能力和逼近精度这一对矛盾得到了比较好的协调统一.

多种群协同进化策略下的虚拟企业基因重组

随着基因学说研究的深入,运用DNA理论来研究企业的可持续发展问题正逐渐成为管理学的热点。基于现有的企业DNA理论,本文首先从概念、结构、基因组要素识别及基因重组原理等方面对虚拟企业组织DNA的基本理论问题进行了系统研究。其次,在此基础上提出了采用多种群协同进化策略,通过生物学中的基因重组技术来实现虚拟企业可持续发展的思路。最后,研究了多种群协同进化策略对虚拟企业基因重组的影响,并建立了相应的基因重组模型。该研究不仅揭示出不同的进化策略,基因重组的效率效果不同;而且还充分论证了在多种群协同进化策略下,借助于基因重组技术,通过持续提高"基因"能力要素的竞争能力,能够有效保持虚拟企业在"市场生态"中的知识地位,从而实现可持续发展。

多种群并行进化神经网络的研究及应用

提出一种新的多种群并行遗传算法 (NMPGA) ,并将其作为多层前馈神经网络(MFNNs)的学习算法 ,从而形成一类新的 MFNN模型——多种群并行进化神经网络(MPENNs)。首先 ,对一给定的网络结构 ,随机产生一初始权重的集合 ,这个集合实际上对应着一组具有相同结构但不同权重的神经网络。然后 ,采用 NMPGA对 MFNNs的权重进行进化。最后 ,性能最好的网络被选作目标问题的解。在 NMPGA算法中 ,作者采用浮点数编码来克服传统二进制编码的精度不足问题 ,并设计了专门的杂交算子和变异算子来增强算法性能。实验结果表明 ,MPENNs能成功解决异或问题、三元奇偶问题及成品烟的感官质量评价问题。

多种群协同进化算法优化的云存储仿真分析

云平台下大数据的极速增长,使得传统的数据存储由于时间响应慢、负载不均衡等因素,成为阻碍大数据云存储的关键技术,为了解决云平台下大数据的存储问题,提出了多种群协同进化优化算法的存储方法。该方法首先将存储分布区分割成若干个环区域,同时标记每个存储区的存储访问时间,然后将大数据的存储访问抽象为最优解问题。通过改进协同进化算法,防止粒子群早熟,采用该优化算法对大数据存储过程中的任务调度粒子群分别编码,根据微粒群不断进化和变异,迭代得到最优解,从而满足云平台下大数据存储的实际需求。利用Cloudsim搭建仿真平台,对提出的新型大数据存储方法加以评估验证,结果表明该方法不仅具有更快的响应速度,而且降低了系统能耗,提高了负载均衡度。

基于多种群改进差分进化算法的环境/经济电力调度优化

应用多种群改进差分进化算法求解环境/经济电力调度(Environmental/Economic Dispatch,EED)这一多目标优化问题。将多种群策略引入差分进化算法,有助于保持群体多样性,有效避免经典差分进化算法的早熟收敛问题。采用自适应变异因子及交叉因子,使算法在搜索初期保持全局搜索能力,在搜索后期增强局部搜索能力,加快收敛速度。将该算法应用到IEEE 30节点-6机组系统的环境/经济调度优化,仿真计算结果以及与其他算法的对比分析验证了该算法的有效性。

基于多种群差分进化算法的分子动力学模拟体系中局部晶体结构识别

为了研究晶体形成的相变过程,提出了一种基于多种群差分进化算法的分子动力学模拟体系中局部晶体结构识别算法.首先,结合模拟体系原子/离子间连通性及其与晶体结构的几何相似度,构造出表示两者间重合程度的目标函数.然后,利用多种群差分进化算法获得目标函数最优解,进而确定模拟体系中排列方式与晶体结构相似的原子/离子.最后,利用Al、Mg、Fe、α-Fe_(2)O_(3)、Fe_(3)O_(4)、α-FeOOH、Fe(OH)_(2)七个聚集体对该算法进行验证.结果表明,所提算法不仅能够从模拟体系中识别出面心立方、密排六方、体心立方等简单晶体结构,还可识别出排布较为复杂的晶体结构,并可将聚集体直接分割为数个取向不同的晶体区域,适用于晶体成核、生长及相变过程的分子动力学模拟研究.