基于混沌模拟退火法的非线性马斯京根模型参数率定方法

本文在分析一些已有的马斯京根模型参数率定方法不足之处的基础上,提出了一种基于混沌模拟退火法的非线性马斯京根模型率定的新方法,同其它方法相比,该法具有求解精度高、计算速度快以及适应性强的特点。最后,通过具体仿真计算,验证了该方法的正确性,从而为非线性马斯京根模型参数估计提出了一种十分有效的方法。     

基于混合并行遗传算法的多目标约束优化技术研究

多目标约束优化问题属于NP问题。并行遗传算法是解决该类问题的常用算法,它具有较强的全局搜索能力和并行性,但局部搜索能力差,禁忌搜索算法则比较适合于局部搜索。提出了一种基于混合并行遗传算法的多目标约束优化方法,该方法综合了并行遗传算法和禁忌搜索算法的优势,改进了并行遗传算法的性能,能有效避免局部最优解。     

改进马斯京根法在洪水演算中的探讨

马斯京根法是建立于槽蓄方程以及水量平衡方程的河道流量演算法。其简便易学,精度亦较高,所以日常实践应用比较广泛。我国河流众多,河流条件各有不同,普通的线性马斯京根法在某些情况下作洪水演算时会出现明显的误差。本文介绍了传统马斯京根法的使用方法以及一些经学者们改进后的马斯京根法使用方法,经比较,不同的时间与空间中可选取不同的马斯京根法,可以使得演算数据更加准确,洪水预报也更为精确。     

数据挖掘中的组合分类方法研究

数据挖掘中的分类问题在商业领域中有着重要价值,把数据挖掘中的组合分类方法作为研究目标,依据组合分类的方法的思想,采用基于遗传算法的组合算法,提出一种基于遗传算法的多重决策树并行组合分类方法以提高分类精度。     

基于模拟退火算法与量子遗传算法的图像匹配研究

针对传统的基于先验模板或者个性特征的图像匹配算法存在的计算复杂、实时性较差、早熟收敛、全局最优缺失等问题,提出了一种基于模拟退火算法与量子遗传算法的图像匹配混合算法,可以克服模拟退火算法的收敛速度慢与量子遗传算法的局部搜寻能力弱等单一算法的固有劣势,实现全局最优,具有匹配精度高、抗干扰性强、并行搜索效率高等优势。在Matlab2015b环境下开发了验证环境并对算法进行了实际验证,结果表明该算法可以在较短的时间内有效匹配目标图像,实时性、准确率和稳定性较高,收敛速度、并行搜索效率等核心参数满足设计需求。     

遗传算法和蚁群算法融合求解TSP

文章将遗传算法和蚁群算法融合为一体,在此基础上,分别对遗传算法和蚁群算法中的遗传算法中的交叉长度发生变化、种群更新、蚁群算法信息素保留率和信息素自动更新进行了改进。同时给出一种信息素更新模型,最后通过对TSP的51个城市的仿真计算,表明将遗传算法和蚁群算法融合为一体效果较好。     

一种基于元胞自动机的改进遗传算法

针对遗传算法中存在搜索效率和解精度低的问题,结合元胞自动机模型,提出了一种改进的遗传算法——竞争杂交算法。在适应度函数中运用元胞自动机模型进行竞争复制,在确定交叉算子时进行杂交,依此来对遗传算法进行改进。仿真结果表明,竞争杂交算法在搜索速度和概率上比简单遗传算法要高一些。     

基于遗传小波神经网络的电梯故障诊断分析

利用小波分析具有能量分布特征提取的特性和遗传算法优化BP算法的能力,提出了一种基于遗传算法、小波与神经网络的电梯故障诊断方法,并应用电梯故障数据作为实例进行了验证．遗传算法小波神经网络模型诊断速度快、鲁棒性好、故障诊断正确率高．     

遗传算法应用于多元非线性回归模型求参的研究

传统的非线性回归模型求参方法存在精度不高、限制等条件繁琐等问题。本文提出了遗传算法这一有效算法，由2个算例给予验证，并与线性最小二乘法和Gauss-Newton迭失法的结果作了比较，证明遗传算法是一种通用性较好的算法。     

改进遗传算法下的畜禽冷链配送优化研究

在介绍传统遗传算法的基础上,提出了一种改进的遗传算法,通过设定前置交叉算子、互换变异算子、逆转变异算子来进行模型求解。算例分析表明,该算法可以在较短的时间内获得该问题的最优解或满意解。     

Sacramento模型的多步骤参数估计方法及应用

为了解决传统优化算法在Sacramento模型参数估计中存在早熟、收敛速度慢、容易陷入局部最优和传统求解过程出现模型模拟吻合度较差等问题。对于人工生成的理想水文资料,分别采用SCE-UA算法、并行遗传算法(PGA)、改进粒子群算法(SMSE-PSO)和提出的免疫克隆选择算法(ICSA)进行参数率定,比较结果选出最优算法,同时,将最优算法与多步骤参数估计方法结合进行实测资料的洪水预报,并比较单步骤与多步骤方法的预报效果。结果表明:ICSA收敛结果更好,效率和精度更高,将其与多步骤参数估计结合提高了洪水预报精度。ICSA算法和多步骤参数估计方法结合为Sacramento模型参数估计提供了一条新途径。     

云计算数据中心节能调度算法改进研究

针对传统方法对云计算数据中心调度时能耗过高,虚拟机迁移次数过多等问题,本文提出一种新的云计算数据中心节能调度算法.采用面向实时任务的云计算数据中心节能调度算法,保证云数据中心任务完成率;为了进一步降低云数据中心的能耗,构建云计算数据中心功耗模型,分析云数据中心SLA协议违约率和虚拟机迁移功耗对数据中心的能耗影响,采用基于能耗感知的虚拟机节能调度算法合理安置和迁移虚拟机,使虚拟机安装在物理机后无任何负载较低节点,实现云计算数据中心的节能调度.模拟实验结果表明,本文算法与对比算法相比,大幅度降低了云计算数据中心的能耗,且虚拟机迁移次数少,可有效降低虚拟机多次迁移带来的额外支出,是一种有效的云数据中心节能调度算法.     

人工鱼群算法与遗传算法融合求解聚类问题研究

人工鱼群算法(AFSA)是一种新提出的新型仿生优化算法。遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法。聚类在数据挖掘、统计学和机器学习等很多领域都有广泛应用。聚类问题实质是一个全局优化问题。将遗传算法中的选择和变异融合到人工鱼群算法,提出一种人工鱼群算法与遗传算法的融合算法,并应用于求解聚类问题,结果该算法保持了AFSA算法简单、易实现的特点,仿真试验取得了较好的效果。     

一种迁移学习算法在番茄病害检测上的应用

针对当前番茄病害智能识别精度不高、耗时长的问题,提出一种基于Inception-v3和迁移学习相结合的图像分类算法。从试验田中收集8种番茄病害叶片和健康叶片,运用1 000万像素高清扫描仪统一扫描成图像,将图像归类到9种文件夹中,手动标记叶片属性。最后,基于Inception-v3模型结合迁移学习算法对健康和病害叶片进行分类试验,并与传统图像分类算法(KNN、SVM、BP神经网络)和非迁移学习算法进行对比。结果表明,基于Inception-v3模型结合迁移学习算法,在番茄病害图像分类中能够快速有效识别分类生长健康番茄和患病番茄,并且能高效识别番茄病害的种类。其中健康置信度达0.9760,病害种类平均置信度达0.929 7,可为番茄病害检测和防治提供支持。     

基于遗传算法和GIS的作物空间布局优化

作物空间布局是耕作制度中的一个重要内容,它是一种具有自然、社会、耕作制度等多方面影响因素及空间特征的组合优化问题。传统的优化算法解决具有空间特征的组合优化问题的效率很低,或者难以解决。遗传算法是一种新的智能优化算法,它通过模拟自然进化过程,利用简单的编码技术和遗传操作来高效的解决复杂的组合优化问题。本文提出了一种以地理信息系统（GIS）为平台,遗传算法为空间布局优化模型的作物空间布局优化方法。     

基于遗传算法的非负约束组合证券投资决策

讨论了非负约束条件下实现预期投资收益率的组合证券投资的遗传算法。在以往的投资组合中,一些假设往往与复杂多变的金融市场并不是相吻合的,所以对于一些特殊的情况,需要将模型的一些约束条件进行改进。在中国证券市场上,是不允许卖空出现的,因此,需要非负的约束。遗传算法作为一种高效、并行的全局优化搜索方法,已应用到很多领域。通过将遗传算法引入到证券投资分析领域,对最佳证券组合问题进行了优化计算,同时介绍了利用遗传算法计算最佳证券组合问题的求解步骤。     

基于思维进化优化BP神经网络的大豆叶片叶绿素含量高光谱反演

为进一步研究优化神经网络算法在植物生化参量高光谱反演当中的应用问题,运用遗传算法和思维进化算法对BP神经网络进行优化来构建大豆叶片叶绿素含量反演模型。利用实测光谱数据和对应叶绿素数据建立训练数据集,然后分别使用遗传算法和思维进化算法对BP神经网络进行优化训练,将训练好的模型用于叶绿素含量估算。结果表明,基于思维进化优化BP神经网络模型能准确预测叶绿素含量,且模型最稳定,能够解决小样本情况下叶绿素含量估算问题,并保证估算精度,可以作为大豆叶片叶绿素含量估算的一种新的参考方法。     

应用人工生命模型Bug/BACO求解组卷问题研究

从一维Bug人工生命模型入手,通过设置细胞自动机中细胞的内部状态集合以及细胞的转换函数,对二元蚁群算法从人工生命的角度重新进行描述,提出Bug人工生命模型二元蚁群优化算法（Bug-BACO算法）。为解决二元蚁群优化算法＂探索和利用＂的冲突,引入随机扰动因子,并引入并行策略对Bug-BACO算法实施并行化处理,进一步提出Bug人工生命模型的并行二元蚁群算法（Bug-PBACO算法）。仿真对比试验表明,Bug-PBACO算法能在较短时间内解决大规模组卷问题,具有较强的实用性。     

一种新的改进遗传算法及其性能分析

针对简单遗传算法收敛中所存在的收敛速度慢及局部收敛问题,引入了一种新的改进遗传算法。该算法利用不断淘汰相似个体,并不断补充新个体的方法增加种群的多样性。并用一个复杂的函数对算法进行测试,结果表明该算法性能优于简单遗传算法。     

作物生育期模拟并行调度算法的研究与设计

探明作物生育期模拟在PC集群环境下的并行调度算法,有助于提高模型的计算效率。该研究综合应用划分策略和流水线技术,具体分析了已有作物的生长发育和物候期模拟算法的输入输出参数特性,确定了作物生育期模拟通用算法框架,包括热效应、光周期效应、春化效应、有效积温、生理发育时间和物候期共6个计算单元;进一步明确了具有独立、自依赖和相互依赖关系的作物模型的计算任务划分和数据分解方法。为达到数据通讯和同步开销最小的目标,设计了多节点混合调度的优化模型。该研究提出了基于OpenMP的多处理机并行调度算法和基于MPI/OpenMP混合的多节点并行调度算法,并在Windows Compute Cluster Server2003组成的PC集群环境下,在加速比、计算缓冲区大小和计算节点个数等方面进行了性能度量与比较。结果表明:两种并行调度算法均可有效提高小麦生育期模拟的计算效率,第1种算法简单易行,平均加速比为1.55,对集群计算资源的利用率有限;第2种算法的平均加速比是3.37,当计算量较大时,具有更好的计算性能。