一种基于CHC算法的自动组卷方法

利用改进的遗传算法——跨世代异物种重组大变异(cross generation heterogeneous recombination cata-clysmic mutation,CHC)算法提出了一种自动组卷方法。初始种群即初始试卷集利用具有启发式信息的搜索算法产生;适应度函数是用户指定的试卷总体指标与试卷实际指标绝对误差的加权和;选择操作群体为当前群体与上世代群体的群体总和,因为大个体群操作可以更好地保持遗传多样性;交叉操作采用单点交叉方法。变异操作的步骤是:从上世代个体中挑选适应度较差的个体,对其中的若干个个体选择一定比例的基因座,随机地决定它们的位值。由于考虑到了约束条件的限制,从而避免了盲目性且加快了收敛速度。实验结果表明该方法比基本遗传算法要快而且满足最优条件。

基于CHC算法的无人机航迹规划方法

利用改进的遗传算法——跨世代异物种重组大变异(CHC,Cross generationHeterogeneous recombination Cataclysmic mutation)算法提出了一种无人机的航迹规划方法.初始种群即初始航线集利用具有启发式信息的搜索算法产生;适应度函数为距离指标与威胁指标的组合形式;选择操作群体为当前群体与上世代群体的群体总和,由于大个体群操作,可以更好地保持遗传多样性;交叉操作采用单点交叉方法,交叉点取为2条航线中距离最近的2个点;变异操作的步骤是:首先在航线中搜索出2个点,然后算出这2个点之间的直线距离与实际航线距离的比值,如果这个比值小于某一阈值则以这2个点为端点重新规划一条航线.由于考虑到了无人机约束条件的限制,从而避免了盲目性且加快了收敛速度.仿真结果表明该方法比基本遗传算法要快而且满足最优条件.

基于CHC遗传模型的数量属性模糊划分

提出一种基于跨世代异物种重组大变异遗传模型的数量属性模糊划分方法,采用实数编码和PNX交叉算子,通过设定阈值重新初始化算子,以模糊1-频繁项的支持度、三角形隶属度函数对数量属性取值范围的覆盖率以及隶属度函数间的重叠度为优化目标,通过遗传进化自动确定数量属性的模糊划分区间。实验结果表明该方法缩短了进化所需时间,所得最优个体的适应度值较高。