【CN109829536A】一种基于遗传算法的网络同步性能优化方法【专利】

合集下载

【CN109815388A】一种基于遗传算法的智能聚焦爬虫系统【专利】

权利要求书1页说明书3页附图2页
CN 109815388 A
CN 109815388 A
权利要求书
1/1 页
1 .一种基于遗传算法的智能聚焦爬虫系统，其特征在于，包括：初始化模块，根据用户提交的查找主题在互联网上搜索起始网页集生成种子URL集，确定交叉概率Pc、遗传概率Pm、爬虫深度d以及网页适应度值的阈值；主题相似性判断模块，用于确定种子URL集中各被浏览网页的网页主题，计算网页主题与用户查找主题相关性，并计算网页适应度值，根据将计算得到的网页适应度值与初始化模块设定的网页适应度值的阈值相比较，得到网页适应度值较高的网页；任务模块，将主题相似性判断模块获得的网页适应度值较高的网页的链接存储到URL 结果集中，并根据URL结果集生成待爬取任务爬虫模块，利用初始化模块确定的爬虫深度d 初始化后，不断从URL结果集获取任务模块生成的待爬取任务，然后发送http请求，下载指定的网页链接到本地抓取相应网页数据直到URL结果集为空时，终止整个循环。 2 .如权利要求1所述的一种基于遗传算法的智能聚焦爬虫系统，其特征在于，所述主题相似性判断模块和所述爬虫模块在不同进程或线程中进行。 3 .如权利要求1所述的一种基于遗传算法的智能聚焦爬虫系统，其特征在于，所述主题相似性判断模块包括：浏览单元，用于浏览所述初始化模块中的种子URL集；解析单元，用于对种子URL集进行解析，分别从内容重要性和链接权重方面对网页进行解析，计算所述网页适应度值。 4 .如权利要求3所述的一种基于遗传算法的智能聚焦爬虫系统，其特征在于，所述解析单元分别采用PageRank算法和贝叶斯分类算法计算网页链接的权重和网页内容的重要程度。 5 .如权利要求3所述的一种基于遗传算法的智能聚焦爬虫系统，其特征在于，所述主题相似性判断模块同时启用多个线程进行网页解析。 6 .如权利要求1所述的一种基于遗传算法的智能聚焦爬虫系统，其特征在于，所述任务模块包括：选择单元，用于根据所述初始化模块设置的网页适应度值的阈值从种子URL集中选择出具有较高网页适应度值的网页链接存储到URL结果集中；交叉单元，用于选择未被存储到URL结果集中的网页链接，扩大搜索范围；变异单元，用于重组关键关键字，选择由交叉单元获得的网页链接进行重新检索。 7 .如权利要求6所述的一种基于遗传算法的智能聚焦爬虫系统，其特征在于，所述交叉单元根据所述交叉概率Pc在已浏览的初始网站链接中提取的网站链接按主题相似度降序排列选出前m×Pc个网站链接作为所述URL结果集。 8 .如权利要求1所述的一种基于遗传算法的智能聚焦爬虫系统，其特征在于，所述任务模块采用MongoDB数据库存储所述URL结果集，同时，采用Set或者Hash Set数据结构进行保存网页链接。 9 .如权利要求1所述的一种基于遗传算法的智能聚焦爬虫系统，其特征在于，所述爬虫深度d与所述URL结果集中设置的存储数量有关。

【CN109992355A】一种基于改进非支配遗传算法的多目标云工作流调度方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910283968.2(22)申请日 2019.04.10(66)本国优先权数据201910093630.0 2019.01.30 CN(71)申请人北京理工大学地址 100081 北京市海淀区中关村南大街5号(72)发明人王彬阳　李慧芳　石其松　胡光政　邹伟东　柴森春　夏元清　(74)专利代理机构北京理工正阳知识产权代理事务所(普通合伙) 11639代理人唐华(51)Int.Cl.G06F 9/455(2006.01)G06F 9/50(2006.01)G06N 3/12(2006.01) (54)发明名称一种基于改进非支配遗传算法的多目标云工作流调度方法(57)摘要本发明公开了一种基于改进非支配遗传算法的多目标云工作流调度方法。

本发明通过引入计分机制思想，考虑当前种群和历史种群信息对个体主导信息的影响，改善了种群个体评价的准确性，提高了迭代搜索的效率；构建了种群层级结构，直观刻画了算法搜索所遍历的最优解的多样性、最优性，通过改善父代个体选择方式，并在迭代过程中，根据子代个体接近Pareto最优的程度对种群层级结构进行动态更新，提高了找到的解接近Pareto最优的可能性；同时，提出了基于最优层级个体监测的搜索方向自适应调整策略，通过设置局部最优和发散检测参数，能够在搜索陷入局部最优或者趋于发散时，及时调整相关参数，改变寻优方向使其跳出局部最优或者回归收敛。

权利要求书4页说明书7页附图5页CN 109992355 A 2019.07.09C N 109992355A1.一种基于改进非支配遗传算法的多目标云工作流调度方法，其特征在于，包括以下步骤：步骤一、种群初始化，即，初始化每个染色体，形成初始种群；其中，染色体初始化包括任务分配方案和任务执行顺序方案；任务分配方案初始化，通过任务分配方案编码方式随机生成；步骤二、计算初始种群个体方案的性能指标，即，对初始种群中的每个个体方案，依次计算其相应的工作流执行时间、执行成本和染色体密度，其中，密度概念由NSGAII算法引入；每个调度方案指导下的工作流执行时间和成本如下：其中，SET为工作流的总执行时间，t i 表示第i个子任务，表示任务t i 的完工时间，T 为子任务集合；SEC表示工作流的执行成本，r k 表示第k个虚拟资源，表示虚拟资源r k 的单价，表示虚拟资源r k 的总租用时间，tu为云资源计费时间单位，R表示虚拟资源集合；任务t i的完工时间如下：其中，表示任务t i 的开始执行时间，为虚拟资源r k 的可用时间，parent (t i )表示任务t i 的父任务集合，由avail[r k ]、父任务的完工时间以及父任务与t i 之间的传输时间共同决定，表示任务t i 在虚拟资源r k 上的执行时间，fpo(t i )表示任务t i 的指令长度，pc(r k )表示虚拟资源r k 的处理能力，为入口任务t entry的开始执行时间，表示任务t j 到任务t i 的传输时间；如采用点对点传输模式，则在同一虚拟资源上执行的两个任务之间的传输时间忽略不计：其中，表示任务t j 和任务t i 之间传输数据的大小，bandwidth表示虚拟资源的传输带宽，和分别表示为任务t j 、t i 所分配的虚拟资源；权　利　要　求　书1/4页2CN 109992355 A。

一种基于遗传算法的中子管加速系统优化方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010451353.9(22)申请日 2020.05.25(71)申请人西安交通大学地址 710049 陕西省西安市咸宁西路28号(72)发明人王盛　聂昆仑　罗昊　宋磊　王洁　(74)专利代理机构西安通大专利代理有限责任公司 61200代理人王艾华(51)Int.Cl.G06F 30/27(2020.01)G06F 30/23(2020.01)G06N 3/12(2006.01)G06F 111/06(2020.01)(54)发明名称一种基于遗传算法的中子管加速系统优化方法(57)摘要本发明公开了一种基于遗传算法的中子管加速系统优化方法，首先以中子管加速系统的几何结构参数为待优化参数，随机生成N个二进制数表示待优化参数，成为一个个体，构成初始种群，构建中子管加速系统几何模型，计算遗传个体对应的中子管加速系统束流性能指标，建立目标函数；以目标函数值来度量遗传个体的适应度；迭代进行遗传操作，生成新种群，计算新种群每个个体的适应度，直至满足迭代停止条件，输出最优解，作为待优化参数的取值；本发明利用有限元法计算中子管加速系统的束流性能指标，然后应用遗传算法，将中子管加速系统的束流性能作为目标，对中子管加速系统的几何结构参数进行全局寻优，从而得到优化几何结构参数下的中子管加速系统。

权利要求书2页说明书7页附图3页CN 111709183 A 2020.09.25C N 111709183A1.一种基于遗传算法的中子管加速系统优化方法，其特征在于，包括以下步骤：步骤1、初始化以中子管加速系统的几何结构参数为待优化参数，随机生成N个二进制数表示待优化参数，成为一个个体，构成初始种群；步骤2、计算个体适应度将获得的二进制数进行转换，生成十进制表示的中子管加速系统几何结构参数；根据十进制表示的中子管加速系统几何结构参数，构建中子管加速系统几何模型；采用有限元法，计算遗传个体对应的中子管加速系统的束流性能指标；根据中子管加速系统的束流性能指标，建立目标函数；然后以目标函数值来度量遗传个体的适应度；步骤3、迭代进行遗传操作，生成新种群，计算新种群每个个体的适应度，直至满足迭代停止条件，输出满足迭代停止条件时的最优解，作为待优化参数的取值，并按照待优化参数的取值制作中子管加速系统。

一种基于云遗传算法优化BP神经网络的方法[发明专利]

专利名称：一种基于云遗传算法优化BP神经网络的方法专利类型：发明专利
发明人：何晋,李珂,周石金,杨凡,曹鲁成,骆通,管恩齐
申请号：CN201911082664.6
申请日：20191107
公开号：CN111126560A
公开日：
20200508
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于云遗传算法优化BP神经网络的方法，步骤如下：确定初始化参数；确定输入层与中间隐含层的权值，之后确定中间隐含层与输出层的权值；然后确定隐含层中所有的阈值，再确定输出层的所有阈值，最后对确定好的权值和阈值进行排序；构建一个适应度函数，然后对样本集合中的每个样本个体的适应度进行迭代计算，得到每个样本个体适应度函数值，对适应度函数值进行分析和判断，检测其是否达到了预期的期望值以及进行的遗传迭代操作次数是否小于预设的最大迭代次数，根据适应度函数值，将可以满足预设要求的个体用作BP神经网络最终的权值和阈值。

申请人：云南民族大学
地址：650000 云南省昆明市呈贡区月华街2929号
国籍：CN
代理机构：北京慕达星云知识产权代理事务所(特殊普通合伙)
代理人：曹鹏飞
更多信息请下载全文后查看。

基于遗传算法的人工智能算法优化研究

基于遗传算法的人工智能算法优化研究随着人工智能技术的飞速发展，越来越多的机器学习算法被应用于各个领域，这些算法的性能优化也成为了人们关注的焦点。

遗传算法是一种基于生物进化遗传的算法，具有全局搜索能力和自适应性，在人工智能算法的优化中也起着重要作用。

一、遗传算法简介遗传算法（Genetic Algorithm, GA）是一种模拟自然进化过程的算法，在模糊问题的解决以及优化问题中有广泛的应用。

它通过模拟生物种群的进化过程，将问题转化为基因型的优化问题，通过不断估算和优化解决问题。

遗传算法的基本思路是：利用选择、交叉和变异等操作模拟自然进化过程，不断迭代产生更优解。

其中，个体编码、适应度函数、选择算子、交叉算子、变异算子是遗传算法的核心概念和基本操作。

二、人工智能算法中的遗传算法在人工智能算法中，遗传算法被广泛应用于神经网络的训练、集成学习的优化、进化计算等领域。

在神经网络中，通过调整权重和偏置等参数来优化网络模型的性能，遗传算法可以搜索到全局最优解。

在集成学习中，遗传算法可以优化各个模型之间的关系和权重分配，提高整体模型性能。

此外，在进化计算与群体智能领域，遗传算法也是核心算法之一。

三、遗传算法在人工智能算法中的优缺点遗传算法虽然具有全局搜索和自适应性等优点，但在实际应用中也存在着一些缺点。

其中，运算速度较慢、难以处理离散优化问题、易陷入局部最优解等问题是比较明显的。

此外，遗传算法的适应度函数的设计和相关参数的选取也会影响遗传算法的效果。

因此，在应用遗传算法时，需要根据具体问题的特点进行参数的调整和优化，才能取得更好的效果。

四、遗传算法在人工智能算法中的优化研究为了克服遗传算法的缺点，研究者们提出了许多优化算法，如粒子群算法、人工蜂群算法等。

此外，也有很多人针对遗传算法的缺点进行了优化研究。

例如，针对遗传算法的运算速度较慢的问题，研究者们提出了并行遗传算法，通过多核计算的方式提高运算速度。

针对遗传算法的难以处理离散优化问题的问题，研究者们提出了模拟二进制遗传算法，通过将离散问题转化为连续问题来解决。

一种基于改进遗传算法的多异构无人机任务分配方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010642900.1(22)申请日 2020.07.06(71)申请人燕山大学地址 066004 河北省秦皇岛市海港区河北大街西段438号(72)发明人韩松　范晨晨　李鑫滨　赵海红　(74)专利代理机构大连东方专利代理有限责任公司 21212代理人姜威威　李洪福(51)Int.Cl.G06Q 10/04(2012.01)G06Q 10/06(2012.01)G06N 3/12(2006.01)(54)发明名称一种基于改进遗传算法的多异构无人机任务分配方法(57)摘要本发明公开了一种基于改进遗传算法的多异构无人机任务分配方法，属于无人机技术领域，该方法通过综合考虑资源消耗、任务完成效果和负载均衡、资源有限、任务优先级等多重约束，建立了任务分配优化模型；采用矩阵编码方式将每个可行的任务分配方案编码为一个完整的染色体；针对现有遗传算法求解精度不足、求解速度过慢的问题，提出了模糊精英度的概念，并在此基础上对各遗传操作进行改进，利用改进后的遗传算法对构建的优化模型进行求解，在有限的迭代次数内获得最优的任务分配方案。

本发明在多智能体协同控制领域有良好的通用性，具有求解速度快、求解精度高的优点，能够有效解决具有多重约束的多异构无人机系统的任务分配问题。

权利要求书3页说明书12页附图5页CN 111860984 A 2020.10.30C N 111860984A1.一种基于改进遗传算法的多异构无人机任务分配方法，其特征在于：包括以下步骤：S1:基于无人机本体设计约束和任务场景要求，构建具有多重约束的多异构无人机系统任务分配优化模型；S2:针对无人机的异构性和任务的独特性，采用矩阵编码方式，将任意一个适用于任务分配优化问题的可行解编码为一个矩阵形式的完整染色体；S3:采用改进的遗传算法对任务分配优化模型进行求解，在最大迭代次数下求得的最优解即为多异构无人机系统的最佳任务分配方案。

【CN109986973A】一种基于遗传算法的单级减速器动力总成匹配优化方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910112801.X(22)申请日 2019.02.13(71)申请人南京越博动力系统股份有限公司地址 210019 江苏省南京市建邺区嘉陵江东街18号4栋410(72)发明人李占江　高超　蒋元广　李麟　杨清宇　(74)专利代理机构北京中海智圣知识产权代理有限公司 11282代理人白凤武(51)Int.Cl.B60L 15/20(2006.01)(54)发明名称一种基于遗传算法的单级减速器动力总成匹配优化方法(57)摘要本发明公开一种基于遗传算法的单级减速器动力总成匹配优化方法，通过对对获取的整车参数进行整理进行整体电机的限值计算，设定为整体电机的下限值；并采用搭建基于基因遗传算法的整车参数优化模型，对整体电机的参数进行优化，实现对驱动电机参数，变速器参数的优化选型，使整车在满足动力性需求的同时可以提高驱动效率，增加续驶里程，并降低制造成本。

权利要求书2页说明书4页CN 109986973 A 2019.07.09C N 109986973A权　利　要　求　书1/2页CN 109986973 A1.一种基于遗传算法的单级减速器动力总成匹配优化方法，其特征在于，包括如下步骤：步骤1：收集测试车辆的整车参数及动力性要求，对获取的整车参数进行整理，其中，动力性要求包括：爬坡度、0-50km/h加速时间、最高车速及30min最高车速；步骤2：将步骤1中获取的整车参数和不同的动力性要求导入动力学公式进行整体电机的限值计算；步骤2.1：通过整车参数及爬坡度求出满足车辆爬坡性能要求的最低整体电机的功率限值；步骤2.2：通过整车参数及0-50km/h加速时间求出满足车辆加速性能要求的最低整体电机的功率限值；步骤2.3：通过整车参数及最高车速求出满足车辆最高车速要求的最低整体电机的功率限值；步骤3：将不同的动力性要求得出的整体电机的限值的最大值设定为整体电机的下限值；步骤4：通过整车参数及最高车速求出满足最高车速要求的最低整体电机中电机的转速限值，将其设定为最低电机转速下限值；步骤5：根据步骤4中电机的转速限值求出需求的扭矩，作为最低整体电机中电机的扭矩的下限值；步骤6：搭建基于基因遗传算法的整车参数优化模型，并且在优化器中确定惩罚函数及目标函数的范围，采用基于NEDC、WTVC、等速40km/h、等速60km/h的仿真能耗值为目标的多目标加权系数法，对整体电机的参数进行优化；步骤7：对整体电机中电机的参数通过基因遗传算法优化；步骤8：通过现有蓝牌物流车型所使用的电机的峰值扭矩确定总成中电机所使用电机的峰值扭矩，将大电机的峰值扭矩除以总成中电机峰值扭矩得到速比值；步骤9：将得到速比值乘以整体电机峰值转速值，便可得到动力总成电机峰值转速；步骤10：通过电机峰值转速和电机峰值扭矩求出电机峰值功率；步骤11：将整体电机的峰值功率、峰值转速、峰值扭矩分别与各参数的额定系数相除，求出电机的额定功率、额定转速、额定扭矩；步骤12：将求得的动力总成中的电机参数填入仿真模型中，完成对单级减速器总成中电机参数、单级减速器速比的匹配优化。

基于遗传算法的仿生优化技术研究

基于遗传算法的仿生优化技术研究随着现代生物学和计算学科的迅速发展，仿生学（Bionics）作为一种将自然界中的形态、结构、运动和感觉等原理应用于技术中的新兴跨学科领域，已经成为科技创新的新方向。

而遗传算法作为一种仿生优化技术，可以通过整合自然进化和数学建模的思想来解决实际问题，成为了仿生学领域的重要工具之一。

本文将从基本概念、发展历程、优化思路和应用案例四个方面介绍基于遗传算法的仿生优化技术研究。

一、基本概念遗传算法(Genetic Algorithm)，又称为遗传优化算法或基因演化算法，是一种用于在大规模搜索空间中寻求特定问题优化解的计算机算法。

遗传算法是仿生学中的一个分支，其基本思路源于遗传学中的“优胜劣汰”和自然选择机制。

遗传算法的基本思路是模拟自然界中的进化过程来搜索最优解，其关键就在于对未知搜索空间的适应度评价。

遗传算法的模拟过程主要包括种群初始化、适应度评价、选择、交叉、变异和停止条件等环节。

其中种群初始化是指在搜索空间中随机产生一定数量的个体，每个个体都表示一个可能的解；适应度评价则是基于问题的优化目标来评价个体的解质量；选择是通过一定的选择策略来筛选优秀的个体并保留到下一代；交叉是将部分优秀个体的遗传信息互相交换以生成新的解的过程；变异是在基因结构上进行随机变化以产生新解的过程；停止条件是指达到预定迭代次数或达到优化目标精度等条件时停止迭代。

二、发展历程遗传算法的发展历程可以追溯到上世纪60年代，由美国密歇根大学的约翰·荷兰（John Holland）提出。

他将遗传学的遗传进化和自然选择的思想引入计算领域，开创了遗传算法的先河。

在1975年，荷兰出版了《自适应系统的控制与性能优化理论》（Adaptation in Natural and Artificial Systems ）一书，详细介绍了遗传算法的理论和应用，并对遗传算法进行了广泛的研究和拓展。

在遗传算法应用领域方面，早期应用主要是在设计优化、控制、计划和机器人等智能化应用领域中，为很多实际问题的求解提供了一种有效的求解思路和方案。

【CN109856673A】一种基于优势频率迭代加权的高分辨Radon变换数据分离技术【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910129480.4(22)申请日 2019.02.21(71)申请人中国海洋石油集团有限公司地址 100010 北京市东城区朝阳门北大街25号申请人中海油海南能源有限公司(72)发明人赫建伟　黎孝璋　任婷　邓盾　张文祥　王瑞敏　(74)专利代理机构广州市南锋专利事务所有限公司 44228代理人李慧(51)Int.Cl.G01V 1/28(2006.01)(54)发明名称一种基于优势频率迭代加权的高分辨Radon变换数据分离技术(57)摘要本发明公开了一种基于优势频率迭代加权的高分辨Radon变换数据分离技术，所提出方法包括以下步骤，向计算机输入Radon变换参数，迭代次数Niter，优势频率f 0；输入某一待处理地震道集d：对输入的地震数据d进行傅立叶变换得到选取优势频率数据对其进行迭代计算高分辨Radon变换m，并保留加权矩阵Q；利用Q对其它所有频率计算高分辨Radon变换m；在Radon域设计合适的滤波器，仅保留所需要的信息，得到利用计算反Radon变换得到分离后的数据本发明在获取高分辨率Radon变换结果的同时，普通高分辨Radon需要迭代计算每个频率的加权矩阵Q，而本发明仅仅迭代计算单个优势频率的加权矩阵，大大降低了计算量。

通过对比，其效果与普通全频率迭代高分辨Radon变换结果效果相当。

权利要求书1页说明书4页附图4页CN 109856673 A 2019.06.07C N 109856673A1.一种基于优势频率迭代加权的高分辨Radon变换数据分离技术，其特征在于所提出方法包括以下步骤:步骤(1)向计算机输入Radon变换参数，迭代次数Niter，优势频率f 0；步骤(2)输入某一待处理地震道集d：步骤(2.1)对输入的地震数据d进行傅立叶变换得到步骤(2.2)选取优势频率数据对其进行迭代计算高分辨Radon变换m，并保留加权矩阵Q；步骤(2.3)利用Q对其它所有频率进行迭代计算高分辨Radon变换m；步骤(2.4)在Radon域设计合适的滤波器，仅保留零所需要的信息，得到步骤(2.5)将经滤波后的Radon域数据进行Radon逆变换，变换到时空域得到步骤(3)判断地震数据体中所有道集是否全部处理完毕，如果否，返回步骤(2)；步骤(4)结束。

基于遗传算法的计算机通信网优化设计

Ｉ．Ｉ遗传算法在进行优化选择的过程中，所操作的对象并非是对优进行４．２＿４＿５步骤的迭代运算，自到产生满足停止规则的优良个体为化变量本身采取搜索方法进行寻优，而是将全部的优化变量编码作为止。将满意优化和遗传算法结合后，在用遗传算法寻优的过程中，以综搜索对象，在其中寻找所有的最优解。合满意度函数值作为适应值，得到的达到用户要求的最高综合满意度１．２遗传算法在应用中并非是以一个解点到另一个解点的方式进的主干网设计即为优化结果。行寻优，而是以一个解群向另—个解群的方式来搜索最优方案搜索范５优化结果分析
・
１４８・
信息产业
基于遗传算法的计算机通信网优化设计
张春余
（国脉通信规划设计有限公司；黑龙江哈尔滨１５００００）摘要：在生物遗传法则中，有一种自然选择最优机制，是促进生物不断进化的主要方法，这种进化方法就是遗传算法。生物遗传算法是具备的优良特性以及优化可靠性使其在其他很多科研领域中也获得了广泛应用，其中计算机通信工程的通信网优化设计就常常采
本文中提出的遗传算法是在ｍａｔｌａｂ环境下运行的，遗传算法的参１．３遗传算法在搜索寻优的期间并不利用目标函数除其值以外的数为：种群大小ＰＯＰＸ７．Ｅ＝１００最大迭代次数ＭＡＸＧＥＮ＝５００，交叉率其他辅助信息，如函数目标的导数等。ｐｃ＝０．３，变异率ｐｏｒ＝０．７程序迭代次数为３２次，每次运行都随机生成１．４遗传算法在空间优化问题的解答中，需要进行搜索转移，其一小同的种群，然后取这２０次得到的最好结果进行比较。般是采用概率『生转移规则，而并非一般寻优方法的确定性转移规则。若在优化时，将网络费用，平均时延和可靠性放在同等重要的位２遗传算法的基本原理置，则在计算综介满意度时三个陛能指标的权值分别取Ｗｅ＝Ｗｒ－Ｗｄ＝由上述对遗传算法和一般数学寻优方法的区别分析可以看出，遗１／３，优化结果如表１。传算法在复杂优化问题的解答中具有很大的应用优势。而其基本原理由于在初始化和变异的过程中，将小满足可靠性约束的解去掉，可则主要表现在遗传算法是一种群体迭代的过程。也就是说，遗传算法的以小考虑可靠性，然后将网络费用，平均时延放在同等重要的位置，则应用就是在一个随意选定的初始群体中，按照优胜劣汰的自然淘汰法在计算综合满意度时三个性能指标的权值分别取Ｗｃ＝Ｗｄ＝０．５，Ｗｒ则，通过一代代的更迭而不断的竞争、选线、繁殖、杂交、变异，从而不断０，优化结果如表１；可见通过这些小同权重的可靠度条件下，均能得到的得到更优良的下一代群体，如此周而复始的不断演化，最终得到最适较好的满意度。可以说采用了遗传算法后，在最短的时间内可找到令人合当前环境的优良群体。采用遗传算法求得最优解，不仅基本结构较为满意的解，能成功解决了高可靠陛低成本的ＮＰ — ｈａｒｄ问题，快速实现并简单，而且也不会对目标函数的性质有任何限制和要求，在搜索中会利解决计算机通信网络的拓扑优化问题。基因遗传特点来不断的寻找最优解的搜索方向，井陕速准确的从整个结束语函数值中求得最优解。综上所述，在计算机通信网的优化设计中，采用遗传算法能够更快３计算机通信网络的优化设计要求更准确的在复杂的优化问题中寻得所有的最优解。这是因为遗传算法３．１可靠眭。计算机网络在规定的条件臊作方式、维修方式、负载条具有基本结构简单、对目标函数值不设限制、搜索速度快、效率高、质量件、温度、湿度、辐射销下，规定的时间（１Ｏ０Ｏ小时、一个季度等）内，网络好等优点。在未来的工程领域中，相信遗传算法还将会有更大的应用空保持连通和满足通信要求的能力，称之为计算机网络可靠陛。间。３．２可靠度。计算机网络的可靠度为在规定的条件瞳桑作方式、维修参考文献方式、负载条件、温度、湿度、辐射等ｌ下，规定的时间（１０００小时，一个季【ｌ１孙力娟，吴新余．应用遗传算法求解计算机通信网的最佳路由一一种度内，网络完成规定功能的概率。计算机网络可靠度具有三个类型新的遍历匹配选择法叨．南京邮电学院学报，１９９６（２）．（１）２一终端可靠度，即在概率图中，指定源点ｓ和汇点ｔ之间至少有一张文祥，乔付．遗传算法在计算机网络优化设计中的应用阴．信息技术，条正常运行的链路的概率。（２）一终端可靠度，即在概率图中，指定２００３（７）．个结点所构成集介中的任意两对结点之间，均有正常运行的链路的［３】刘坚强，刘粉林，李梅林．基于链路的计算机通信网路由选择遗传算法概率。（３）全终端可靠度，即在概率图中，指定任意两结点之间，均有正求解硼．计算技术与自动化，２００３（３）．常运行的链路的概率。

【CN109829518A】基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910196273.0(22)申请日 2019.03.15(71)申请人南开大学地址 300071 天津市南开区卫津路94号(72)发明人孙桂玲　张子阳　郑博文　王世杰　(51)Int.Cl.G06K 9/62(2006.01)G06N 3/00(2006.01)H04W 84/18(2009.01)(54)发明名称基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法(57)摘要本发明公开了基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法。

本发明首先将温湿度、光照、PH和电导率无线传感器节点采集的原始数据经汇聚节点发送到网关，在网关处利用三次指数平滑对原始数据进行预处理，剔除异常数据和噪声数据；采用基于指数型信任度的融合算法对平滑数据进行融合，并结合改进的遗传算法对融合估计值进行优化。

试验结果表明，三次指数平滑能明显减少数据波动，提高系统稳定性；与算术平均法和自适应加权法等常用的数据融合算法相比，融合信任度和改进遗传的数据融合算法能够有效提高融合精度，减少算法执行时间。

权利要求书1页说明书4页附图4页CN 109829518 A 2019.05.31C N 109829518A1.本发明设计的基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法，包括以下步骤：(1)对原始数据进行预处理：以温度为例，将温湿度无线传感器节点采集的原始温度数据经路由节点发送到网关，在网关处进行基于三次指数平滑的数据预处理，得到平滑值(2)设置信任度函数：将信任度函数b ij定义为指数函数的形式(3)建立信任度矩阵：设同一时刻有n个温湿度无线传感器节点测量温室内的温度参数，根据信任度函数b ij ，建立信任度矩阵B。

(4)确定权重：本发明用w i 表示第i个温湿度无线传感器节点x i 在融合过程中所占的权重，利用w i 对x i 进行加权求和，定义了一组非负数a 1，a 2，...，a n ，用于综合反映w i 关于x i 的信任度系统中各子系统b i1，b i2，...，b in 的全部信息，使得w i ＝a 1b i1+a 2b i2+a n b in i＝1，2，...，n。

一种遗传算法与粒子群算法并行融合的进化算法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201710150892.7(22)申请日 2017.03.14(71)申请人北京无线电测量研究所地址 100854 北京市海淀区142信箱203分箱1号(72)发明人包子阳　余继周　(74)专利代理机构北京轻创知识产权代理有限公司 11212代理人杨立　李莹莹(51)Int.Cl.G06N 3/12(2006.01)(54)发明名称一种遗传算法与粒子群算法并行融合的进化算法(57)摘要本发明涉及一种遗传算法与粒子群算法并行融合的进化算法，该算法包括如下步骤：S1，随机生成初始种群；S2，利用适应度函数对初始种群进行适应度的计算；S3，实施进化计算步骤，设置适应度函数值的最小阈值为进化计算的终止条件；S4，进行遗传操作，产生子代种群1，同时进行粒子群进化操作，产生子代种群2；S5，将子代种群1和子代种群2合并，并按照适应度排序，取适应度高的个体组合为子代种群3；S6，将子代种群3继续返回步骤S2循环操作，直到达到进化计算的终止条件，输出具有最优适应度的个体。

通过本发明解决了遗传算法后期效率低下、粒子群算法容易陷入局部最优解的问题，提高进化算法的优化效率和优化效果。

权利要求书1页说明书4页附图2页CN 106960244 A 2017.07.18C N 106960244A1.一种遗传算法与粒子群算法并行融合的进化算法，其特征在于,该算法包括如下步骤：S1，随机生成初始种群；S2，利用适应度函数对初始种群进行适应度的计算；S3，实施进化计算步骤，设置适应度函数值的最小阈值为进化计算的终止条件，判断S2中的最优适应度是否满足终止条件，若满足，则输出具有最优适应度的个体，若不满足，则执行S4；S4，对种群中不满足终止条件的全部个体进行遗传操作，产生子代种群1，同时对种群中不满足终止条件的全部个体进行粒子群进化操作，产生子代种群2；S5，将子代种群1和子代种群2合并，并按照适应度排序，取适应度高的个体组合为子代种群3；S6，将子代种群3继续返回步骤S2循环操作，直到达到进化计算的终止条件，输出具有最优适应度的个体。

一种改进遗传算法的多微电网优化调度方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201811641816.7(22)申请日 2018.12.29(71)申请人杭州电子科技大学地址 310018 浙江省杭州市下沙高教园区2号大街(72)发明人葛泉波　宁士远　姜淏予　(74)专利代理机构杭州千克知识产权代理有限公司 33246代理人周希良(51)Int.Cl.G06Q 10/04(2012.01)G06Q 10/06(2012.01)G06Q 50/06(2012.01)(54)发明名称一种改进遗传算法的多微电网优化调度方法(57)摘要本发明涉及一种改进遗传算法的多微电网优化调度方法。

针对微电网群内能量调度的不确定性，本发明将一种自适应调整变异算子的策略引入到遗传算法中，使得变异算子在算法早期，具有较大的值，增大算法寻优的搜索范围，提高算法的全局寻优能力；而随着迭代的进行，变异算子逐渐减小，使算法在小范围内精细搜索，提高算法的收敛能力。

本发明能够有效提高微电网群运行的经济性与可靠性。

权利要求书1页说明书3页附图1页CN 109523097 A 2019.03.26C N 109523097A1.一种改进遗传算法的多微电网优化调度方法，其特征在于该方法包括以下步骤：步骤一：初始化在微电网群优化过程中，初始化算法种群的规模N、算法搜索的最大迭代次数C以及交叉概率Pc；步骤二：计算种群个体的适应度值根据建立的微电网群优化目标函数计算每个个体对应的适应度值；由于微电网群优化的目标函数是求微电网群运行费用的最小值，因此，把函数的倒数作为个体的适应度值；步骤三：选择最优个体根据步骤二计算出的个体适应度，选择出适应度值高的个体；步骤四：交叉操作根据给定的交叉因子和交叉策略，将两个父亲一代的信息进行交叉组合，产生新的优秀个体；步骤五：生成变异算子：式中，it为算法当前迭代次数，T为算法设置的最大迭代次数，A为控制参数，介于0到0.95之间；步骤六：变异选择根据生成的变异算子，对种群内个体进行随机变异；步骤七：交叉操作和变异操作生成的新一代个体返回步骤二进入下一次循环；步骤八：判断是否达到最大的迭代次数，满足则输出最优值对应的最优个体，不满足，转到步骤二继续执行。

高性能计算在遗传算法优化中的应用研究

高性能计算在遗传算法优化中的应用研究引言：遗传算法优化是一种基于生物进化思想的优化方法，它通过模拟生物种群的进化过程，结合遗传、交叉、变异等操作来搜索问题的最优解。

在实际应用中，遗传算法的搜索空间往往非常庞大，需要大量的计算资源和时间来完成优化过程。

因此，高性能计算的引入在遗传算法的优化中具有重要意义。

本文将探讨高性能计算在遗传算法优化中的应用研究，重点关注其在求解复杂问题、提高运算速度和加速收敛过程等方面的作用。

一、高性能计算在遗传算法解决复杂问题中的应用遗传算法能够有效应对复杂的优化问题，其扩展性强、适应性好，在求解多目标、多变量、多约束等复杂问题时表现出较好的性能。

高性能计算的引入为遗传算法解决这些复杂问题提供了强有力的支持。

1.1 并行计算提高求解能力传统遗传算法是一种串行计算的过程，每一代的计算是顺序进行的，导致计算效率低下。

而高性能计算可以通过并行计算的方式，将计算任务分配到多个处理器上并行执行，可以显著提高求解能力。

例如，针对复杂优化问题，可以将问题分解为多个子问题，分别使用不同的遗传算法进行求解，并将最优解进行进一步融合，从而得到整体最优解。

这种并行计算的策略能够有效提高求解效率，加快优化过程。

1.2 高性能计算平台优化参数配置在遗传算法中，参数的选择对算法的性能影响很大。

传统的遗传算法在参数选择上通常是靠经验和直觉进行调整，无法保证选取的参数是最优的。

而高性能计算可以通过大规模的计算实验和优化算法，自动搜索最优的参数配置。

利用高性能计算平台进行参数优化可以帮助遗传算法更好地适应优化问题的特点，提高算法的收敛速度和搜索精度。

二、高性能计算在遗传算法优化中的加速收敛过程遗传算法通过不断地迭代和进化，逐渐逼近优化问题的最优解。

然而，在遗传算法的优化过程中，有时会面临收敛速度较慢的问题。

高性能计算的引入可以加速收敛过程，提高算法的效率和性能。

2.1 结合局部搜索优化策略在遗传算法的优化过程中，一旦染色体进化到一定程度，种群中的个体会趋于相似，此时全局搜索能力有所减弱。