基于改进自适应遗传算法的渠系优化配水分析

为减少渠系在输水过程中的渗漏损失,提高渠系水利用系数,以两级渠系渗漏损失、水流波动最小为目标函数,以下级渠道配水流量、配水开始和结束时间为决策变量,构建配水模型,并采用改进的自适应遗传算法(SIGGA)进行实例求解.提出了一种基于Sigmoid函数的自适应交叉、变异算子,并通过引入信息熵和新种群来减少种群多样性的损失.与人工制定、向量评估遗传算法(VEGA)、多目标粒子群算法(MOPSO)、粒子群混合模拟退火遗传算法(GSPSO)的配水结果进行对比分析,SIGGA求解的配水时长由25.00,15.00,11.00,11.55 d缩短为10.00 d,渗漏损失由97.89×10^(4),71.76×10^(4),70.36×10^(4),32.63×10^(4) m^(3)减少到31.58×10^(4) m^(3),渠系水利用系数由0.651,0.706,0.745,0.828提高到0.833.SIGGA能够克服传统遗传算法(SGA),VEGA易陷入局部最优的缺点,可实现高效、精确地按需配水,为水资源的集约节约化利用提供理论参考.

基于信息熵对遗传算法中杂交概率的研究

针对现有杂交概率的计算方法复杂且不利于种群摆脱局部优现象,提出了基于信息熵的杂交概率计算方法。利用种群熵和种群方差来分析杂交算子在种群进化中的作用,充分考虑了种群的整体情况和进化潜力,从而确定杂交概率的计算,以更好地控制遗传算法的进化过程。数值实验表明,新提出的杂交概率计算方式不仅便于求解,而且能有效地增强算法的稳定性、全局收敛性,加快算法收敛速度,使算法易于摆脱局部优现象。

一种基于信息熵的多种群遗传算法

通过模型变换建立了一种约束优化的演化设计模型,并构造出求解此模型的多种群空间收缩遗传算法.利用最优解在各种群中的存在概率将信息熵概念引入进化过程,构造出一种含有熵的多目标优化模型,利用该模型可以直接显式地给出作为拉格朗日乘子的种群最优解存在概率,从而得出多种群遗传操作的空间收缩因子,控制各种群寻优搜索时解空间的收缩.用种群的多样性避免遗传进化的早熟现象,以空间收缩尺度作为停机判据,有效地控制了算法的收敛.数值算例显示,熵的介入使随机搜索类进化算法的寻优目的性大为增强,从而提高了演化设计的计算效率.

基于信息熵的无线传感网入侵检测遗传算法

无线传感网作为正在兴起的物联网的基础设施,在快速发展的同时却面临着多种信息安全风险。提出了一种基于信息熵的无线传感网入侵检测遗传算法,将信息熵和遗传算法应用于检测过程所用比对库的训练,采用异常检测和特征检测结合方法进行入侵检测。仿真实验结果表明,该算法能快速地生成比对库,在入侵检测过程中的收敛性和精确度都有明显改善,其对入侵的检测率高于99.5%,误检率低于0.5%。

基于信息熵的免疫遗传算法聚类分析

介绍了基于信息熵的免疫遗传算法的聚类分析方法。将免疫算法引入到遗传算法中,利用免疫算法的免疫记忆、自我调节和多样性保持功能弥补了标准遗传算法的局部搜索能力差、计算量大和早熟收敛等问题。采用DNA进行抗体编码,利用信息熵来表示抗体间亲和度及浓度,并采用聚合亲和度,实现了抗体群的自我调节和多样性保持策略。实验表明,该算法优于标准遗传算法。

一种综合信息熵和遗传算法的知识约简方法

针对粗糙集理论核心内容之一的知识约简问题,本文结合信息论有关知识,给出了粗糙集理论中一些概念和运算的信息表示,并利用遗传算法作为约简工具,提出了一种知识相对约简的方法．为使所得约简相对最优,将条件信息熵的重要性定义融入了适值函数中．同时,在适值函数的选取上引入了惩罚函数和罚系数,从而保证所求的约简在包含最少而又非零个属性的基础上保持原有的分类能力．通过实例分析可看出,该算法对求解约简问题是快速有效的．

基于信息熵的量子免疫遗传算法

针对目前的量子进化算法在高维函数优化时容易陷入局部最优,利用信息熵的概念,将量子进化算法和免疫遗传算法进行改进与融合,提出一种基于信息熵的量子免疫遗传算法.该方法对抗体采用相位编码,用信息熵准确地度量量子比特的不确定信息;提出了一种按变量的种群熵降序排列的邻域搜索策略;对于抗体之间的相似度,给出了一种按个体熵相同变量位数的度量方法;用繁殖概率对抗体的多样性进行评价,并分别以函数优化问题和VRPSDP问题进行了仿真验证.研究结果表明:该算法收敛速度快,求解精度高.

基于信息熵的DNA免疫遗传算法

针对标准遗传算法在优化应用中遇到的诸如局部搜索能力差、计算量大、对较大搜索空间适应能力差和早熟收敛等问题,该文通过将免疫算法引入到遗传算法中,利用免疫算法的免疫记忆、自我调节和多样性保持功能弥补其不足,提出了一种基于信息熵的DNA免疫遗传算法。该算法采用DNA链对抗体进行编码,利用信息熵来表示抗体间的亲和度及浓度,并提出了一种新的评估指标———聚合亲和度,有效地实现了抗体群的自我调节和多样性保持策略。最后,利用典型测试函数验证了本文方法的有效性。

基于遗传算法和信息熵的文本分类规则抽取方法研究

针对数据挖掘中的文本分类问题,提出了一种基于遗传算法和信息熵的文本分类规则抽取算法Genet-ic-Miner(简称GM),该算法的目标是在数据集中发现分类规则。首先利用信息熵生成初始种群,然后利用优化的遗传算法抽取相应规则。采用六个标准的公共领域的数据集比较了GM与其它两个非常著名的同类算法Ant-Miner和CN2,实验结果表明,无论是预测准确性和规则的简单性,GM都明显优于Ant-Miner和CN2,并且该算法能大大提高对知识的理解力。

基于浮点数编码的信息熵控制多种群遗传算法

在用准精确惩罚函数处理约束优化问题的基础上 ,提出一种基于浮点数编码机制的信息熵控制多种群遗传算法。通过在遗传设计中定义一个新的概率而引入信息熵概念 ,构造出一个信息熵优化模型。该模型不必完全求解 ,即可容易求出作为概率的拉格朗日乘子 ,得出空间收缩概率 ,控制各种群中解空间的收缩。信息熵的介入可使优化过程更加平稳 ,收敛更快。同时 ,该算法给出了一种科学而有效的遗传设计收敛判据。实例证明该文算法在求解约束优化问题时快速。

基于信息熵多种群遗传算法的组播路由

针对网络信息不确定性和链路负载不均匀所造成的网络拥塞,提出基于信息熵的组播路由算法。该遗传算法从最小代价树开始,在多种群中不断选择信息熵较大的种群,以求得满足延时要求且路径负载较小的组播树。结果表明,该算法性能快速、有效地构造最小时延组播树,且保证网络负载均衡分布。

遗传算法及其在信息熵优化中的应用

为解决在信息熵优化中需要通过求解复杂的非线性积分方程组才能获得一定概率分布的问题，首先分析了常用的ＮｅｗｔｏｎＲａｐｈｓｏｎ 法的２ 点缺陷，然后以求解最大信息熵分布为例，将一类新颖的智能优化技术———遗传算法应用到信息熵优化领域中，避免了方程组的直接求解．计算结果表明，该方法易于实现，具有良好的稳定性。

基于信息熵与遗传算法的公共交通线路选择模型

针对公共交通线路选择问题,旨在分析起讫点间公共交通运行的时间和线路类型等级对居民公共交通线路选择行为的影响,在此基础上根据路权等级划分城市公共交通方式的类型并运用遗传算法仿真求出最短路径。利用信息熵理论和多属性综合决策方法对无偏好下居民选择公共交通线路的不确定性问题进行解析,搭建路径综合属性值的计算模型,获得每条路径的综合属性值,并基于最大值原理获得最优出行路径。最后,将模型运用于郑州市金水区某个公共交通网络出行实例中。结果表明:在无偏好下,线路5的综合属性值为0.999,而按照直观的最短路线路1的综合属性值仅为0.884,可见,线路类型等级对公共交通线路选择具有显著的影响。

CUDA平台下信息熵多种群遗传算法设计

为了进一步提高信息熵多种群遗传算法的计算效率,缩短计算时间,提出了一种基于CUDA平台的信息熵多种群遗传算法。通过分析原算法的并行因素,结合CUDA开发平台,对原算法进行适合GPU加速的并行化处理,实现了遗传算子、惩罚函数和空间收缩因子等的并行计算,有效地提高了算法效率。例题数值测试表明,在保持了快速收敛特性和计算精度的前提下,CUDA并行算法相对于原算法具有很高的加速效率。

信息熵动态变异概率RNA遗传算法

约束优化问题是科学研究和工程应用的热点和难点.受生物RNA分子遗传信息表达机制和信息熵概念的启发,本文提出了一种信息熵动态变异概率RNA遗传算法来求解这类问题,算法采用碱基序列的个体编码方式,并用RNA分子再编码和蛋白质折叠操作代替传统遗传算法的交叉操作,在变异概率的设置中,借鉴信息熵对系统有序程度度量的概念,根据当前种群个体每一位的碱基分布情况对变异概率进行自适应调整.测试函数的仿真结果表明所提出的算法具有收敛速度快、搜索精度高的特点.将该算法用于求解短期汽油调合调度问题,能得到比其他几种算法更高的调合利润.

基于区域加权信息熵和改进遗传算法的图像检索

采用信息熵性能评价指标从概率的角度描述因权值变化而引起的图像信息熵分布的变化,可以根据用户关注的范围确定重点加权区域,通过改进的猴王遗传算法来确定权值选择,能够自动的确定感兴趣的区域。区域加权信息熵能够提取图像的颜色以及空间特性,并且保留了香农熵的数学特性。实验表明,区域加权信息熵实验结果的准确率高于单纯的颜色特征提取算法。

基于BP神经网络-遗传算法和信息熵理论优化凉粉草煎煮提取工艺

目的利用BP神经网络-遗传算法结合信息熵理论优化凉粉草煎煮提取工艺。方法采用HPLC测定咖啡酸、紫云英苷、迷迭香酸、丹酚酸B的含量,UV法测定总黄酮含量,以4种指标成分含量、总黄酮含量及干膏收率为综合评分指标,采用信息熵确定各指标的客观权重,实现对提取工艺的正交试验优选;以正交试验结果作为初始种群,以加水倍数、煎煮时间、提取次数为输入值,提取综合得分作为其函数的输出值,通过BP神经网络模型结合遗传算法对煎煮提取工艺进行全局寻优。结果根据正交试验结果,最佳提取工艺为加16倍量水、煎煮3次、每次1.5 h,综合评分均值为92.08;建立结构为3-7-1的三层BP人工神经网络,结合遗传算法确定最优提取方案为加17倍量水、煎煮3次、每次1.5h,综合评分均值为92.55,优于正交试验,3批验证结果与预测值相对标准偏差均小于5%。结论BP神经网络-遗传算法结合信息熵理论稳定性及重复性好,可用于凉粉草提取工艺的预测和优选。

基于信息熵的自适应遗传算法研究

利用群体进化中的信息熵变化,对自适应遗传算法进行改进,得到一种新的改进的自适应遗传算法。改进的自适应遗传算法不仅速度比自适应遗传算法快,而且几乎不陷入局部极小点。仿真结果证明了该算法的有效性。

信息熵改进免疫遗传算法在火电厂主蒸汽温度控制系统中应用

为提高火电厂主蒸汽温度控制系统控制品质,一般选择非线性PID(NPID)控制器,但NPID控制器参数整定尚无系统方法。本文提出一种基于信息熵改进免疫遗传(GAIE)算法的火电厂主蒸汽温度控制方法,该算法在免疫遗传算法中加入信息熵思想,改善了免疫遗传算法易陷入局部最优、寻优慢的情况。通过采集的电厂实际运行数据,对主蒸汽温度控制系统进行辨识,然后根据所辨识的系统传递函数采用GAIE算法寻优NPID控制器进行控制。实际数据验证及仿真结果表明:GAIE算法辨识模型的输出更好地拟合了现场实际输出,比免疫遗传算法模型平均精度提高40.18%,模型参数寻优速度提高了86.67%;GAIE算法寻优NPID控制器控制效果明显优于传统PID控制器。

基于改进信息熵的直接刀具状态监测设备部署

在不拆刀情况下,基于机器视觉的在线刀具状态监测系统可完成刀具磨损测量和状态评估,但与在线捕获刀具图像质量息息相关的系统部署参数选择却鲜有研究.为解决上述问题,本文构建基于改进信息熵的多项式回归模型以实现刀具状态监测系统的最优部署.首先,使用自适应阈值方法去除捕获刀具图像中背景要素干扰,并通过信息熵指标评估图像中刀具磨损区域的成像质量;然后,构建相机工作距离、曝光时间与所提出评价指标之间的多项式回归模型以描述部署参数与提出评价指标的映射关系;最后,应用最小二乘法求取多项式模型系数获得最优部署参数.在确保自变量的因子水平涵盖最优部署参数情况下设计正交实验,实验结果表明:提出的评价指标与工作距离、曝光时间等部署参数之间均存在主效应关系,符合光学成像系统的变化规律;与支持向量机、决策树和K近邻(K-nearest neighbor,KNN)算法等非线性回归预测模型相比,三次多项式回归模型预测误差最小,其平均绝对误差、均方误差、均方根误差分别为0.022631,0.00068,0.026069;在多项式回归模型求解的最优部署参数下,所捕获的刀具图像的测量精度达到96.76%,提高0.74%,满足刀具状态监测的精度要求.