导读:本文包含了基因进化算法论文开题报告文献综述及选题提纲参考文献，主要关键词:多目标优化算法,差分进化算法,局部最优,跳跃基因
基因进化算法论文文献综述
刘峥[1]（2016）在《基于跳跃基因的多目标差分进化算法研究》一文中研究指出在科学研究和工程设计过程中,很多具体问题都可以归纳为参数优化问题,而现实当中,这些优化问题往往有多个设计目标,这些目标互相矛盾,彼此制约,一个目标的性能优化往往会导致其它至少一个目标的性能退化,即多个目标很难同时达到最优。因此,多目标优化算法的研究成为当今科学和工程设计当中的一个热点研究方向。进化算法是一种受自然界生物和系统的启发而发展起来的启发式搜索和优化算法的总称,用进化算法求解多目标优化问题得到了广泛的应用。作为进化算法的重要组成部分,差分进化算法是一类容易理解、结构简单、可调参数少、鲁棒性强的智能优化方法。多目标差分算法中,较着名的算法有DEMO(Differential evolution algorithm for multi-objective optimization)和MODEA(Multi-objective differential evolution algorithm)等。然而,DEMO使用的快速父代替换和MODEA使用贪婪变异策略使其在求解复杂问题时存在明显的不足,容易陷入局部最优。为解决现有的多目标差分进化算法容易陷入局部最优的问题,本文引入跳跃基因算子,提出基于跳跃基因的多目标差分进化(JGMODE)算法。不同于现有的多目标差分算法如DEMO和MODEA,JGMODE算法在传统交叉算子之后执行跳跃基因操作,以保持种群多样性,提高算法的勘探能力。数值实验结果表明提出的算法能很好地解决局部最优问题,在ZDT和DTLZ测试函数集的困难问题上展现了显着优于现有算法的性能。(本文来源于《暨南大学》期刊2016-06-30）
刘峥,郑力明[2]（2016）在《基于跳跃基因的多目标差分进化算法》一文中研究指出为解决现有多目标差分进化算法容易陷入局部最优的问题,引入跳跃基因算子,提出基于跳跃基因的多目标差分进化算法。改进现有的多目标差分算法,在传统交叉算子之后执行跳跃基因操作,以保持种群多样性。数值实验结果表明,该算法能较好地解决局部最优问题,在ZDT和DTLZ测试函数集上具有明显优于现有算法的收敛性能。(本文来源于《计算机工程》期刊2016年04期）
钱小毅[3]（2016）在《基于等位基因量子进化算法的经纱断头率优化研究》一文中研究指出量子计算是信息科学和量子力学相结合的新兴交叉学科,以量子算法为代表的量子计算具有高度的并行性、指数级存储容量和对经典启发式算法的指数加速作用,因此具有极大的优越性并蕴涵着强大的生命力。量子计算和智能计算的融合可以通过在传统智能计算中引入量子计算机制来改变传统智能计算的寻优方式,提高寻优能力和收敛速度等性能。近年来量子进化算法的研究已成为智能优化领域研究的热点之一。本文在梳理和综述国内外智能优化方法和智能建模方法的研究进展基础上,分析了经典量子进化算法的缺点与局限性,在此基础上,对量子进化算法的编码方式和更新机制进行改进,提出一种基于等位基因的实数编码量子进化算法,并对区间二型模糊神经网络规则与参数进行了优化,最后,将其应用于纺织浆纱生产过程中的经纱断头率的优化。本文主要内容具体如下:(1)简述了量子计算的基本原理及量子进化算法的编码方式、更新手段和算法流程,通过对背包问题和数值优化问题进行求解,并与遗传算法和蚁群算法进行对比,分析了量子进化算法的优点和局限性。(2)针对在连续优化问题中量子进化算法存在的求解精度低、收敛速度慢和编码长度受限等问题,提出了一种基于等位基因的实数编码量子进化算法,将变量以概率迭加的方式编码为等位基因的形式,定义了等位基因的相对优良性,在此基础上给出了混合更新策略。仿真研究将量子进化算法与双链量子遗传算法和遗传算法进行相比,验证了该算法的收敛速度和收敛精度。(3)针对区间二型模糊神经网络规则冗余及后件参数初值难以确定的问题,提出了一种基于混合编码量子进化的区间二型模糊神经网络。该模糊神经网络将混合编码量子进化算法与基于Mamdani模型的自组织区间二型模糊神经网络相结合,通过组合优化消除冗余的规则,通过实数部分优化网络的后件参数获得更好的初始值,并通过混合性能指标优化,在保证模型精度的同时简化了模型的结构,避免出现冗余的规则。通过与自适应模糊推理系统和自组织区间二型模糊神经网络对比分析,验证了混合编码量子进化的区间二型模糊神经网络的有效性。(4)针对纺织浆纱生产过程中工艺指标存在强非线性和不确定性,直接影响经纱可织性关键指标断头率,进而影响产品的优质品率和经济效益的问题,将本文所提出的基于等位基因的实数编码量子进化算法和基于混合编码量子进化的区间二型模糊神经网络用于经纱断头率的预测与优化。以浆纱工艺指标上浆率和回潮率作为输入,经纱断头率作为输出,通过区间二型模糊神经网络对样本数据进行学习得到经纱断头率预测模型,以预测输出为个体适应度,通过基于等位基因的实数编码量子进化算法对该优化问题进行求解,实现对经纱断头率的优化,为浆纱生产进行指导,提高产品质量。(本文来源于《沈阳工业大学》期刊2016-02-29）
张宇献,钱小毅,彭辉灯,王建辉[4]（2015）在《基于等位基因的实数编码量子进化算法》一文中研究指出为改善量子进化算法的早熟问题,提高算法搜索精度和收敛速度,提出了一种基于等位基因的实数编码量子进化算法。该算法以概率迭加的方式将实数变量按照等位基因进行编码,采用混合更新策略根据基因的"相对优良性"对等位基因进行变尺度变异,在全局搜索与局部搜索平衡的前提下提高搜索速度,之后引入Hε门更新等位基因对应的概率幅度。最后利用Markov链证明了其全局收敛性。数值算例将所提及算法与量子进化算法和基于双链编码的量子遗传算法进行比较,验证了算法的收敛速度和求解精度,并将该算法应用于纺织浆纱工艺参数的优化问题,获得了良好的优化效果。(本文来源于《仪器仪表学报》期刊2015年09期）
张皓[5]（2011）在《基于进化算法和时空独立成分分析的基因分类研究》一文中研究指出基因分类是基因芯片以及微阵列技术的一个重要问题，它将海量的基因表达数据划分成数量较少并且具有生物意义的组，然后在此基础上研究不同基因组合的功能和工作方式。本文首先研究基于蚁群、遗传这两种进化算法的基因分类，针对已有的算法与模型当中存在的问题,提出对算法的改进，然后对时空独立成分分析在基因分类中的应用进行了研究。蚁群算法内在并行性、鲁棒性等良好特征使其成为特征基因选择问题的一种有效计算模型，但传统的蚁群算法存在着早熟问题；本文把蚁群算法和克隆免疫相结合，将原有蚁群模型的问题对应为抗原，借鉴克隆选择和免疫记忆的思想进行解的构造以及信息素的更新，以此在一定程度上来避免原有算法中的早熟现象。通过对比实验将改进的算法同原有的蚁群选择算法以及RFE，ALMA选择算法相比较，结果表明改进的算法能够取得更好的分类效果。将遗传算法和独立成分分析相结合能够获得有序、区分度高的特征基因集合，但无法保证每一个类别的特征基因数目相同，这在一定程度影响分类器的训练，从而降低分类的精度。本文对独立成分分析获得的一组特征基因先进行模糊聚类，然后从每个聚类中选取相同数量的特征基因构造染色体，进行选择、交叉、变异等遗传操作，获得分类效果最好的特征基因集合。通过对比实验将改进的算法同原有的遗传算法相比较，结果表明改进的算法能够取得更好的分类效果。时空独立成分分析能够利用基因和样本两个方向的独立性，本文将基因方向定义为空间方向，样本方向定义为时间方向，介于两者之间定义为时空方向，采用基于共轭梯度法的独立成分分析来求解叁个方向的源阵列，分析叁种独立成分分析的迭代过程。通过统计显着性的对比实验，表明基于时间以及时空方向的独立成分分析在基因分类中能够取得更好的效果。(本文来源于《湖南大学》期刊2011-04-01）
郭红,蔡莉[6]（2010）在《采用多目标微分进化算法的基因表达数据双向聚类》一文中研究指出生物基因表达数据的双向聚类已成为近年来生物信息学的研究热点.生物基因表达数据双聚类问题通常需要同时最优化双聚类中基因表达行为的波动一致性以及双聚类的容量.基于单目标优化的双聚类算法难以很好地同时优化这两个目标.针对这个问题,本文采用了多目标微分进化算法来求解基因表达数据的双向聚类问题.算法在真实的基因表达数据集上测试,实验结果表明,本文所提算法具有更优的聚类效果.(本文来源于《小型微型计算机系统》期刊2010年10期）
罗云霞,周慕逊,王万良[7]（2010）在《基于基因拟子协同进化算法的水电优化调度研究》一文中研究指出设计了一种基因拟子协同进化算法(GMCA),并应用于水电优化调度问题。基于基因拟子协同进化理论,定义了算法中的拟子和文化的概念,设计了算法步骤,设计了发展、感染、复兴、消亡四个文化进化算子和判断文化衰老的方法,建立了算法求解水电优化调度问题的方法和流程,通过仿真验证了算法的有效性。与遗传算法(GA)、混合遗传算法(HGA)、粒子群算法(PSO)等相比较,基因拟子协同进化算法显得更为有效。这为水电优化调度等问题提供了新的求解技术。(本文来源于《水力发电学报》期刊2010年04期）
谭乐怡,王守觉[8]（2009）在《一种按基因重要度收敛的进化算法》一文中研究指出提出基因重要度的概念,通过实验证明基因重要度对于单变量边缘分布算法(Unvaried Marginal Distribution Algo-rithm,UMDA)收敛的重要性.由此提出一种基于基因重要度的进化算法.该算法首先对组成染色体的各基因进行重要度排序,随后对重要度大的基因先进行收敛操作,每次收敛当前重要度最大的基因,直到所有基因全部收敛.实验数据表明,本算法的收敛速度更快,而且更容易求出满意解.(本文来源于《小型微型计算机系统》期刊2009年09期）
陈治[9]（2008）在《基于分级行为选择的人工生命体基因进化算法研究》一文中研究指出人工生命有广泛的概念,一个真正的人工生命体是能够自主决定自己的行为,而本文研究的问题之一是人工生命体的基于优先度的行为选择的问题。借鉴已经有的“刺激——驱动”机制与“基于动机”的机制相结合的办法,考虑了外部刺激和内部动机两方面行为选择的影响,我们建立了人工生命体的群集、逃跑、捕食等简单行为模型,依据这些模型进行人工生命体的个人生存和社会活动。我们建立的模型在较低的代价下获得了较好的性能,便于实时观察与处理。对于所建立的行为模型,采用C++作为程序代码开发语言,来实现人工生命体的行为,基于行为考虑,选择速度基因和视野基因,并且采用二进制编码,用遗传进化算法进行分析,通过代码的遗传,交叉,变异,实现人工生命体的遗传,生殖,以及基因突变。建立仿真平台,该平台中创建了一个虚拟的世界,里面的人工生命体对象具有如生长(衰老)、应激反应、能进行能量交换(进食与食物消耗)和生殖等等生命特征,构造了个性化的人工生命体,实现了现实生态系统中的人工生命体逃跑、捕食、生殖、聚集成群等行为,并且实验得到一系列基因数据,统计分析这些数据后,我们发现人工生命体基因的进化中实现了自然中的先天遗传、优胜劣汰等基本规律。(本文来源于《中南大学》期刊2008-06-30）
彭京,唐常杰,元昌安,朱明放,乔少杰[10]（2007）在《基于重迭表达的多基因进化算法》一文中研究指出受生物基因片段重迭表达现象的启发,文中提出了一种新的基于重迭表达进化算法——MEOE(Multi-gene Evolutionary algorithm based on Overlapped Expression).文章具体描述了MEOE的基因表达结构及相应的算法.不同于已有的工作,在MEOE中作为遗传物质的基因具有重复表达的概率,同时算法融合了免疫算法关于浓度的计算技术.文章对MEOE算法作了较为全面的分析,讨论了算法在表达空间、可表达性、性状遗传上的特点,并与传统算法作了相应比较.详尽的实验证明,MEOE算法在速度上是GEP的2.5~9.4倍.在高次函数发现问题上MEOE算法的成功率比GEP提高至少一个数量级.另外,通过实验证明了基于密度的概率选择函数在高次函数发现问题上具有一定优势.(本文来源于《计算机学报》期刊2007年05期）
基因进化算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决现有多目标差分进化算法容易陷入局部最优的问题,引入跳跃基因算子,提出基于跳跃基因的多目标差分进化算法。改进现有的多目标差分算法,在传统交叉算子之后执行跳跃基因操作,以保持种群多样性。数值实验结果表明,该算法能较好地解决局部最优问题,在ZDT和DTLZ测试函数集上具有明显优于现有算法的收敛性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
基因进化算法论文参考文献
[1].刘峥.基于跳跃基因的多目标差分进化算法研究[D].暨南大学.2016
[2].刘峥,郑力明.基于跳跃基因的多目标差分进化算法[J].计算机工程.2016
[3].钱小毅.基于等位基因量子进化算法的经纱断头率优化研究[D].沈阳工业大学.2016
[4].张宇献,钱小毅,彭辉灯,王建辉.基于等位基因的实数编码量子进化算法[J].仪器仪表学报.2015
[5].张皓.基于进化算法和时空独立成分分析的基因分类研究[D].湖南大学.2011
[6].郭红,蔡莉.采用多目标微分进化算法的基因表达数据双向聚类[J].小型微型计算机系统.2010
[7].罗云霞,周慕逊,王万良.基于基因拟子协同进化算法的水电优化调度研究[J].水力发电学报.2010
[8].谭乐怡,王守觉.一种按基因重要度收敛的进化算法[J].小型微型计算机系统.2009
[9].陈治.基于分级行为选择的人工生命体基因进化算法研究[D].中南大学.2008
[10].彭京,唐常杰,元昌安,朱明放,乔少杰.基于重迭表达的多基因进化算法[J].计算机学报.2007