一种提高局部搜索能力的混合遗传算法

针对遗传算法局部搜索能力弱的缺陷,提出了一种改进的混合遗传算法。根据遗传的不同阶段分为两个不同的群体——竞争群体和适应性群体,提出相关的遗传算子——繁殖因子。将运筹学中的单纯形法应用于遗传算法中,增强了遗传算法的局部搜索能力。对复杂函数的寻优实验验证了混合遗传算法的有效性,并通过与传统SGA的实算结果对比,更进一步说明了算法的改进效果。     

二元判决图变量排序新方法

从遗传算法入手,利用已有的几种启发式变量排序方法的结果作为最初的染色体群体,并适当加入随机变量顺序,然后按照遗传算法的方法进行运算,经过多代循环找到近似最优解。实验结果表明,该方法比已有的启发式方法更有效,能够在全局范围内搜索最优解,对BDD的变量编序和遗传算法的运用具有参考价值。     

面向时滞测试生成的改进遗传算法(英文)

在提出的无冒险的时滞测试能量函数的基础上,对传统的遗传算法进行了改进,即在搜索中根据进化程度对群体尺寸进行调整来加速收敛,用于时滞测试生成。实验证明该方法是一种较有发展前途的算法。     

用遗传算法优化神经网络权值

神经网络模拟大脑的生理机制,通过大量简单神经元的互连,实现信息的智能自动化处理,但是神经网络权值与结构的设计往往依靠经验获得.遗传算法具有全局搜索问题解的特性,用遗传算法优化神经网络权值,为神经网络的设计和训练提供了新的途径。实验表明,该方法是可行的、有效的.     

基于禁忌搜索的启发式求解背包问题算法

设计了一种基于禁忌搜索的遗传算法,利用遗传算法提供的并行搜索主框架,结合禁忌算法的个体串行搜索方式,能扩大搜索空间,快速实现全局优化。把基于禁忌搜索的遗传算法与启发式方法相结合用来求解背包问题,经过计算机仿真,其优化性能指标及搜索效率均有大幅度的提高。     

求解复杂旅行商问题的混合粒子群算法

针对粒子群算法在解决组合优化时存在早熟和易陷入局部最优的问题,提出一种求解旅行商问题( TSP)的混合 粒子群算法。将粒子群算法与遗传算法结合,引入遗传算法中的交叉和变异操作,通过个体极值和群体极值的交叉以及 粒子自身变异的方式增加种群的多样性,避免粒子陷入局部最优,提高算法的局部搜索能力。仿真结果表明,新的混合 粒子群算法在解决TSP问题时具有较好的收敛性及优化效果。     

基于模拟退火遗传算法(N+M)容错系统优化模型的求解

本文提出了求解（N＋M）容错系统优化模型的模拟退火遗传算法．该算法在遗传算法的约束条件处理、交叉和变异概率选取、变异个体等环节引入了模拟退火机制，实现了模拟退火和遗传算法的融合，进一步改善算法的搜索能力、搜索效乍和收敛性能，计算结果验证了算法的有效性和正确性。     

面向安全服务重组多目标优化的粒子群遗传算法

遗传算法具有快速随机的全局搜索能力,但局部搜索能力差,易陷入早熟收敛,迭代效率低.粒子群算法采用速度——位置模型,可以较快收敛到指定精度.将粒子群算法与遗传算法融合,采用多目标遗传算法得出初步的优化结果,并将其作为粒子,利用粒子群算法强化局部搜索,加快收敛速度,仿真结果证明了该算法的优越性.在CSSM对底层安全服务的重组时利用粒子群和遗传算法的结合(GAPSO),能够提高效率.     

遗传聚类算法及其改进

本文给出了一种改进的基于遗传算法的聚类算法。传统的KMeans算法具有较强的局部搜索能力,但是对初始化聚类中心很敏感,容易陷入局部收敛性。基本遗传算法具有全局优化性,但局部搜索能力较差,收敛速度慢。针对二者算法的优缺点,利用了面向对象程序设计思想,结合二者的优点,提出了一种改进的遗传聚类算法。数据实验表明,该方法有效地提高了基于遗传算法的聚类算法的局部搜索能力和收敛速度。     

“人肉搜索”内部动力机制探析

本文在传播学语境中,对人肉搜索及其引发的信息涌动现象进行探析,试图从传播学、社会学乃至心理学等多角度去审视其特质及规律,进而研究其内部动力机制,从而藉此加深对人肉搜索影响力的认识。文章分析了人肉搜索的概念及其内部动力机制,即网民基于道德认知的群体归属感诉求、公共服务与自我实现诉求、情绪宣泄诉求和求知诉求,并从正负方面总结了人肉搜索的传播效果。     

动态变异遗传算法

遗传算法是根据达尔文生物进化理论而提出的一种优化算法。该文提出了一种新的遗传算法,理论分析显示,它不仅能保持遗传种群的多样性,而且能快速收敛。计算机仿真实验证明了改进后的遗传算法能够有效地克服不成熟收敛、进而搜索到全局最优解,并将这种新遗传算法用于BP网络的拓朴结构的优化和连接权值的训练,实例表明了该算法的有效性和可行性。     

遗传算法应用现况概述

遗传算法来源于进化论和群体遗传学 ,是计算智能的重要组成部分 ,正受到众多学科的高度重视。本文系统分析了遗传算法的应用研究 ,并进行了分析和评论     

工作搜索行为研究的回顾和展望

工作搜索行为是个体付出努力和时间,获取潜在的工作信息的有目的的意志性行为模式.关于工作搜索行为的结构有成分说、阶段说和维度说.影响工作搜索行为的因素主要有个体的自尊、自我效能感、工作搜索动机以及人格特质等,而个体的工作搜索行为又会影响到个体的就业情况和就业质量.未来的研究可以从以下方面做出努力:对不同的亚群体分别进行具体研究;使多种研究方法相互交叉来补充以往研究的不足;进一步拓展研究领域、发展工作搜索行为的理论以及建构完整的模型;在应用领域中进一步研究工作搜索行为的干预与培训措施的有效性.     

基于改进量子遗传算法的小波神经网络优化及其软测量应用

针对简单量子遗传算法在优化高维问题寻优速度慢、收敛率低的缺陷,提出一种改进的量子遗传算法,通过搜索各种群中最优染色体组成当前最优个体,并依此个体来确定量子门的全局最优搜索方向。将改进算法用于优化小波神经网络,藉此建立了4-CBA浓度的软测量模型。仿真结果表明:与简单量子遗传算法相比,改进算法对复杂优化问题具有全局快速寻优性能。     

应用 “dmey”小波变换及遗传算法对重叠光谱分离研究

小波变换可以去除噪声信号,遗传算法具有全局搜索能力,可以任意逼近分析信号.本文将小波变换和遗传算法相结合来处理分析化学中的重叠信号,通过对模拟信号和实验信号的处理,结果显示小波变换和遗传算法能将重叠信号去噪、分离,可用于多组分样品信号重叠的分离研究.     

应用“dmey”小波变换及遗传算法对重叠光谱分离研究

小波变换可以去除噪声信号,遗传算法具有全局搜索能力,可以任意逼近分析信号.本文将小波变换和遗传算法相结合来处理分析化学中的重叠信号,通过对模拟信号和实验信号的处理,结果显示小波变换和遗传算法能将重叠信号去噪、分离,可用于多组分样品信号重叠的分离研究.     

初始群体飘移遗传算法在混合整数非线性规划中的应用

本文研究了非线性混合整数规划和遗传算法各自的特点,在此基础上,提出了初始群体飘移的思想、构造了一种求解混合整数非线性规划的新的遗传算法——初始群体飘移遗传算法。数值实验表明:该算法对大范围、多峰、非光滑混合整数非线性规划问题(MINLP)有着较好的全局求解能力,在解的质量、稳定性和收敛速度等方面优于一般的演化算法。     

一个新的求解多峰函数的遗传算法

采用邻域罚函数及变异方法 ,将全局搜索和局部搜索结合起来 ,设计了一种新的遗传算法 ,有效地解决了一类具有多解的多峰函数的求解问题     

遗传模糊C-均值聚类算法应用于MRI分割

通过分析知经典的将图像分割成C类的常用的模糊C-均值聚类算法(FCMA)依赖于初始聚类中心的选择,通常得到的是局部最优解而并非全局最优解,又由于遗传算法能搜索到全局最优解,因此将遗传算法(GA)与FCMA相结合,对MRI直接进行聚类,利用遗传算法搜索全局最优解,从而有效地避免了模糊C-均值聚类算法收敛到局部最优的问题,并在此基础上实现了对MRI的分割,得到了比较满意的效果。