基于遗传算法和BP神经网络的通信网络效能评估

通信网络是信息系统的基础,其效能的高低对信息系统的性能发挥有着直接的影响。在对遗传算法与BP神经网络算法的特点进行分析研究的基础上,将两种算法相结合,对通信网络效能进行评估,具有较高的精确性和实用性。     

多源点的旅行商问题的一种求解方法

针对特定的多源旅行商问题,给出了将其转化为单源旅行商问题的一种方法,并用改进的遗传算法加以解决,无论在理论研究还是实际应用中,都有一定的创新.     

基于遗传算法的高校排课系统设计

排课问题是一个多因素的优化决策,是组合规划中的典型问题,属于NP完全类问题。根据高校课表的特点,采用遗传算法,给出染色体编码和适应度函数,提供了利用遗传算法解决排课问题的方法,大大减轻了人的工作量,满意度达到85%-90%。     

遗传算法在最优网络计划中的应用

介绍了遗传算法基本理论,并采用遗传算法进行最优网络计划求解。首先用遗传操作产生众多网络计划方案,然后借用图论方法筛选出各种可行的网络计划,随之计算各网络计划的适应度,最后根据＂优胜劣汰＂原则通过多次进化得出最优的网络计划。     

基于遗传算法的高校智能排课系统

随着高校招生规模的不断扩大,教务管理中的排课问题也变得越来越复杂。根据目前高校排课系统中存在的问题,本文给出了排课问题的数学模型,提出了基于遗传算法的解决方案,能够比较有效地解决了排课系统中的资源冲突、课程优化问题。实验证明遗传算法能够简化程序的复杂度和生成最佳课表时间,并且易于学习和应用,能够在理想的时间内找到最优解。     

基于遗传算法的考试系统组卷算法设计

本文分析了考试系统中的组卷问题,结合遗传算法,从算法预处理、编码方法、初始化群体、适应度函数、选择算子、交叉算子和变异算子这几个方面,详细地研究了如何采用遗传算法解决组卷问题。并且通过实验数据,与随机抽取算法和其它组卷算法作比较,说明了本算法的优越性。     

混合遗传蚁群算法的改进及在TSP问题中的应用研究

蚁群算法(ACA)与遗传算法(GA)都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题(TSP)中.本文将两种算法进行融合,并给出了新的融合方式.实验结果表明,新的遗传蚁群混合算法有效地改进了算法的全局收敛性,并加快了收敛速度.     

GA-BP神经网络模型在集装箱船纵摇角度预测中的应用

为研究集装箱船航行过程中的纵摇角度预测问题,采用遗传算法(genetic algorithm, GA)对反向传播(back propagation, BP)神经网络的初始权值和阈值进行优化,并对比分析优化效果。以集装箱船实际航行数据为基础,划分数据集,确定神经网络结构,并初始化GA参数;GA以适应度值为指标,迭代搜索最优适应度值,确定BP神经网络参数;使用具有最优初始权值和阈值的BP神经网络进行纵摇角度预测,并结合均方误差(mean square error, MSE)和平均绝对百分比误差(mean absolute percentage error, MAPE)对预测结果进行对比分析。结果表明：所提模型具有较高的预测能力,预测结果的MSE和MPAE分别为0.719 2和0.008 2,预测结果较为准确。     

网格环境下独立任务调度的混合遗传算法

提出一种新的混合遗传算法。该算法在基于传统遗传算法的基础上采用了分组和负载均衡策略。仿真实验结果表明,这种调度算法有效地实现了资源的负载均衡。它相对于传统遗传算法,收敛速度更快,能产生更好的调度结果。     

基于改进遗传算法的高光谱图像波段选择

在对地观测领域,高光谱图像得到了广泛应用,但存在数据量大、波段间相关性高等问题. 针对以上问题分析了已有的波段选择方法,提出了基于信息量及类间可分离性准则的遗传算法对高光谱图像进行波段选择:构造波段互相关系数矩阵进行子空间划分;利用联合熵作为组合信息量的标准,Bhattacharyya距离作为类间可分离性标准,构造遗传算法的适应度方程,改进了遗传算法中的选择算子. 最后用AVIRIS图像对提出的算法进行试验,并利用最大似然分类法对最优波段组合进行分类,总体分类精度达到94.24%,Kappa系数达到0.94.