改进遗传模拟退火神经网络的双相机标定算法

针对双目相机标定算法中BP神经网络精度低、收敛性差的问题,提出了一种基于改进遗传模拟退火算法的BP神经网络优化方法(improved genetic simulated annealing algorithm-BP,IGSAA-BP)。该方法通过改进遗传模拟退火算法的适应度扩展,交叉、变异概率和退火准则来改善BP神经网络的性能,为BP神经网络提供了最优权值和阈值。将IGSAA-BP神经网络与BP神经网络和TGSAA-BP神经网络两种相机标定算法进行对比,利用其标定的真实值与预测值相差结果得出结论,3种标定方法进行相机标定的平均标定精度分别为0.02、0.71和0.28 mm。结果表明,IGSAA-BP神经网络可以提高双目相机的标定精度,提高全局寻优能力,加快收敛速度。

基于改进遗传算法的多无人机任务分配

为解决传统遗传算法在求解多无人机任务分配问题时易陷入局部最优和收敛速度较慢的问题,文中提出一种融合模拟退火思想的改进遗传算法。首先描述多无人机任务分配问题,将其转化为多旅行商问题,并建立数学模型;然后在传统的遗传算法中引入Metropolis准则,对选择、交叉、变异后的子代种群进行优化调整,使算法可以跳出局部最优并快速收敛;最后进行仿真实验,采用TSPLIB数据库对改进算法进行有效性验证,分别求解不同规模的多旅行商问题,对算法的优越性进行验证,求解任务分配算例以验证改进算法解决多无人机任务分配问题的可行性。实验结果表明,改进的遗传算法能跳出局部最优,收敛速度显著提升,在求解多无人机任务分配问题时,寻优效果优于改进前的算法。

基于模拟退火遗传算法的关联规则挖掘

将模拟退火遗传算法加以改进,应用于关联规则挖掘,提出一种新的基于改进的模拟退火遗传算法的关联规则挖掘算法,并在该算法中,采用自适应方式动态选取交叉和变异概率,有效地抑制了早熟收敛现象,实验结果显示该方法能高效地解决关联规则挖掘问题。

基于免疫遗传算法优化的神经网络配电网网损计算

提出了一种基于免疫遗传算法(IGA)的BP神经网络方法计算配电网的理论线损。该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能。为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤。仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能,比现有其它计算配电网理论线损的方法更为准确。

基于遗传算法和模拟退火算法的免疫识别规则优化

识别器是计算机免疫系统的一个重要组成部分,对于识别器的构造也是计算机免疫学的一个重要研究领域。基于遗传算法和模拟退火算法的计算机免疫规则提取方法,探讨了利用遗传算法对self集和nonself集的规则库进行演化,并采用模拟退火算法进行组合优化,使得演化后的规则库能够具有更好的识别能力。

基于改进免疫遗传算法的无功优化

针对目前电力系统无功优化算法所存在的问题提出了一种改进的免疫遗传算法,该算法把模糊逻辑、模拟退火和免疫算法相结合,根据模糊逻辑获得变化的交叉和变异算子,采用退火免疫方法对抗体进行选择,用免疫算子进行个体更新,从而增加了群的多样性,避免陷入局部最优。同时,还采用十进制整数编码和保存最优个体法来提高计算速度和精度。最后以IEEE30-bus系统为例对算法的性能和求解精度进行了测试,结果表明本文提出的算法比其他遗传算法在计算速度和全局收敛方面有了很大提高。

基于免疫遗传算法的三维大脑图像分割(英文)

利用最大熵多阈值方法对三维大脑数据进行分割时,穷尽搜索法耗时长,而简单遗传算法的搜索结果又不够稳定和精确。针对该问题,提出了一种免疫遗传和模拟退火相结合的新算法来快速求解全局最大熵。与简单遗传算法相比,免疫遗传算法采用了更佳的选择操作,以确保更多不同个体被选择来保存种群的多样性,而模拟退火机制用于拉伸免疫遗传算法的适应度函数。算法给出了选择概率的一般表达式,并采用精英策略和自适应的交叉、变异机制以改善算法的收敛性。基于IDL平台的100次仿真结果表明,三维大脑数据被成功地分为:脑白质、脑灰质和脑脊液三部分,且与简单遗传算法和传统免疫遗传算法相比,本文算法在稳定性和精确性上更具优势。

基于自适应进化神经网络算法的入侵检测

针对目前多数入侵检测系统的低检测率问题,提出一种自适应进化神经网络算法AENNA。基于遗传算法和BP神经网络算法,利用模拟退火算法的概率突跳和局部搜索强的特性对遗传算法进行改进,采用双种群策略的遗传进化规则实现BP神经网络权值和结构的双重优化;通过对遗传算法的交叉算子与变异算子的改进,设计一种自适应的神经网络训练方法。实验结果表明,基于AENNA的入侵检测方法能够有效提高系统的检测率并降低误报率。

智能排课算法综述

首先介绍了排课问题,分析了基于遗传算法、蚁群算法、模拟退火算法和免疫算法等智能排课算法的基本原理及其算法特点,并对智能排课算法的未来发展做了展望.

免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.

一种波速结构的两步优化反演策略

借助虚拟反演思路,通过对各种遗传算子不同匹配方式的比较研究,指出了对于频散曲线反演浮点数编码与轮盘赌选择的匹配方式离线性能最好,提出了一种两步优化反演策略.该两步策略利用浮点数编码、轮盘赌选择、浮点数均匀交换与变异算子匹配组成基本遗传算法框架,在此框架基础上施加免疫启发策略和免重复计算加速策略,多次运行,对每次运行结果继续施加模拟退火算法使其至少达到局部最优,最后取得最优解.免疫启发策略充分利用最佳个体的信息加速进化进程,通过对每代的最佳个体施加一服从标准正态分布的随机数来加强对邻近区域的局部搜索,通过标准差的调整也兼顾了对邻近区域以外区域的搜索,将局部搜索和全局搜索有机地结合起来,同时还最大限度地降低了对遗传算法自身进化进程的干扰;免重复计算策略大大减少了正演计算次数,节约了计算成本,提高了反演效率.两步反演策略避免了多次平均法的缺陷,提高了反演结果的稳定性和精度,降低了非惟一性.

使用混合邻域搜索算法求解多目标柔性JSP问题

通过对实际车间调度问题及邻域搜索算法的研究,针对传统遗传算法存在着一些缺陷,对多目标柔性JSP(车间调度)问题提出了基于遗传算法,并结合多种邻域搜索算法形成的一种新的混合邻域搜索算法。该算法基于相似度和免疫机制来构造初始解的策略,在遗传算子中提出了一种自适应的变异交叉概率,并在选择算子中结合模拟退火算法策略和免疫机制。经过实验结果表明,该混合邻域搜索算法提高了算法搜索的效率,并很好地解决了JSP问题。

基于免疫遗传算法的前向神经网络设计

针对传统BP算法训练速度慢、易陷入局部最优等缺点,该文提出了一种采用免疫遗传算法设计前向神经网络的方法。为解决神经网络权值随机初始化带来的问题,介绍了一种基于免疫的多样性模拟退火法(SAND算法)来进行神经网络权值初始化。仿真结果表明,该算法比混合遗传算法有更高的性能。

基于免疫遗传退火算法的Web关联规则挖掘方法

根据关联规则挖掘的要求与特点,结合免疫算法,遗传算法和模拟退火算法的优点,提出一个基于免疫遗传退火算法的Web关联规则挖掘方法。实验结果表明,与遗传算法和模拟退火算法相比,基于免疫遗传退火算法的关联规则发现在Web挖掘中具有一定的优势。

基于杂合遗传算法的工艺路线可变Job Shop调度研究

提出一种将遗传算法与启发式规则、模拟退火法等搜索方法结合在一起的杂合遗传算法 ,用于求解工艺路线可变的JobShop调度问题。通过对某双极型集成电路封装企业的JobShop调度仿真 。

智能排课算法综述

介绍了排课问题,分析了基于遗传算法、蚁群算法、模拟退火算法和免疫算法等智能排课算法的基本原理及其算法特点,并对智能排课算法的未来发展做了展望。

实值阴性选择算法优化及其在故障诊断中的应用

针对复杂装备故障样本少的难题,研究了人工免疫系统中的阴性选择算法原理及应用;介绍了变尺寸实值阴性选择算法检测器产生机制,以减小检测器交叠和对自体的覆盖为目标,提出一种基于重升温模拟退火算法的检测器分布优化策略;该优化方法不改变原有检测器数量,提高了对非己空间的覆盖效果;对两种不同几何形状的二维数据集进行仿真,结果表明,优化方法提高了算法的检测率,降低了虚警率;将优化后的算法应用于滤波电路12种软故障的检测,总体检测率达95%,结果优于基于人工神经网络的故障检测方法。

模糊C-均值聚类新算法在说话人辨认中的应用

该文提出了一种将模糊C-均值聚类法的各种改进算法与矢量量化法相结合的说话人辨认的新方法。首先从语音信号中提取MFCC特征矢量,其次利用矢量量化来设计码书,最后用改进算法对待识语音进行辨认。新算法的辨认率达到95%以上,抗噪性能也优于矢量量化法。

融合GASA的Snake模型碰撞检测算法

针对现有碰撞检测算法难以解决变形体碰撞的实时性和逼真性问题,提出一种基于可变形物体的碰撞检测算法。利用Snake模型对FDH包围盒进行更新,由于传统Snake模型存在弱边缘易溢出的问题,结合模拟退火算法(GASA)的遗传思想对其进行优化。实验结果表明,优化后的碰撞检测算法可快速准确得到碰撞物体的最佳轮廓曲线,弥补了遗传算法和模拟退火算存在的过早收敛和低收敛速度的问题,加快了包围盒的更新速度,提高了碰撞检测效率和逼真程度。

基于混合遗传算法的子结构损伤识别

采用基于柔度矩阵的优化目标函数,将遗传算法(GA)、模拟退火算法(SA)和局部搜索算法(LS)结合起来组成混合遗传算法(HGA),用于结构的损伤识别,并进一步通过应用子结构法来提高识别的效率。基于桁架的模拟计算结果表明,HGA克服了标准遗传算法(SGA)的不足,算法的收敛速度和识别精度都有显著的提高,而与子结构法的结合也使对复杂结构的损伤识别成为可能。