导读:本文包含了多适应度遗传算法论文开题报告文献综述、选题提纲参考文献，主要关键词:算法,小生境,函数,虚拟机,评价,神经网络,周期性。
多适应度遗传算法论文文献综述写法
刘奕岑,徐蔚鸿,陈沅涛,马红华[1]（2019）在《具有适应度选择调整策略的混沌遗传算法及其应用》一文中研究指出针对遗传算法在非线性系统优化问题中易陷入局部最优,且大量研究改进后仍存在不足的问题。根据混沌运动的结构特点,提出了一种解决非线性系统优化问题的混沌遗传算法(CGA,Chaos Genetic Algorithm)。该算法将混沌变量引入遗传算法的优化变量中,使两者的取值范围相互映射,利用更新后的混沌变量转换为"染色体"进行遗传操作,同时根据适应度大小选择需要附加混沌扰动的群体,使变异操作具有导向性,经过多次进化,得出问题的最优解。仿真实验利用多种测试函数和相似的智能优化算法进行对比验证。结果表明,该算法保证了非线性系统优化问题动态响应的速度和寻优结果的精度,定量的评价了混沌遗传算法的优化效果。(本文来源于《计算技术与自动化》期刊2019年02期）
李军华,黎明,陈昊,伍家驹[2]（2019）在《正态随机噪声环境下遗传算法的动态适应度评价》一文中研究指出在大量实际应用问题进化优化的适应度评价都受到了噪声的干扰.本文研究了正态随机噪声对适应度评价的影响机理,对比分析了正态随机噪声环境下不同适应度评价方法的性能.本文提出了一种多次评价一次采样的动态适应度评价方法,该方法在种群更新过程中,重新评价上一代种群,可以降低伪优个体(劣个体)的生存周期,抑制随机噪声对优胜劣汰机制的影响.实验结果也表明总采样次数相同的情况下,新方法的性能优于一次评价一次采样和一次评价多次采样方法.(本文来源于《电子学报》期刊2019年03期）
刘玲,梁广源[3]（2018）在《关于图像分割中的适应度函数修正和遗传算法实现》一文中研究指出在特殊的图像分割中,利用图像的灰度特征和最优化理论修正遗传算法的适应度函数,从而达到算法加速的效果, MATLAB数值试验表明了新方法的有效性.(本文来源于《韶关学院学报》期刊2018年09期）
余新华[4]（2018）在《累积适应度遗传算法在SVM多分类决策树中的优化研究》一文中研究指出本文研究的内容是通过改变适应度的选取方式,通过累计各个接节点的适应度,利用加权计算求取适应度,在结合SVM决策树组成CFGA-SVM,通过这种算法计算出来的结果相比较GA-SVM取得了很大的进步,并且这种方法适应的样本量度更大,在发展遗传计算求解的过程中,未来还会具有很好的发展.(本文来源于《绵阳师范学院学报》期刊2018年08期）
王欣欣,刘晓彦[5]（2018）在《基于双适应度动态遗传算法的云计算资源调度》一文中研究指出为减少云服务的任务完成时间和能量消耗,提出基于双适应度动态遗传算法的云计算资源调度方法。建立用于调度策略的消耗时间模型、硬件耗能模型、动态性能模型;使用加权的方法将耗能和耗时两个目标融合在一起,提出代价函数用于辅助权值的分配;改进遗传算子,使染色体在调度问题中具有可行性和高效性;提出再选择策略,减少算法循环次数和运算时间,提高收敛精度。实验结果表明,双适应度动态遗传算法在耗时和耗能上都具有优异表现,代价函数可以选出适应于不同调度问题的权值。(本文来源于《计算机工程与设计》期刊2018年05期）
朱春媚,莫鸿强[6]（2017）在《一类适应度函数的遗传算法编码》一文中研究指出针对在探讨适应度函数的周期性特点与整数编码元数之间的关联特性时,一阶积木块数量对编码性能的评价不一定成立的问题,提出以累积逃脱概率(AEP)作为遗传算法(GA)编码性能的评价指标,对以频率为正整数m的整数次幂的正弦函数为基函数线性组合构成的适应度函数编码展开研究。首先给出了该类适应度函数的一般形式和m进制整数编码的含义;然后介绍了AEP的定义,并根据函数特点制定了AEP的计算方法;最后分析比较了该类适应度函数在不同整数编码下的AEP,指出其采用m元整数编码时更容易进化。仿真结果表明,该类适应度函数采用m元整数编码时,其最终优化结果和群体适应度均值的上升时间皆明显优于其他编码,反映了AEP能有效评价编码的性能,并再次验证了对于该类适应度函数m元整数编码优于非m元整数编码的结论。(本文来源于《计算机应用》期刊2017年07期）
赵大兴,余明进,许万[7]（2017）在《基于高适应度值遗传算法的AGV最优路径规划》一文中研究指出提出一种基于高适应度值遗传算法的控制策略来规划AGV路径。为使遗传算法运算结果收敛并尽量避免算法出现早熟现象,对遗传算法的选择算子和交叉算子在基于适应度值的基础上进行优化改进,选择阶段让适应度值大的个体获得更多的机会遗传到下一代,体现遗传算法优胜劣汰的原则。交叉阶段通过多次不同交叉点位的随机交叉来维持种群的多样性。使用MATLAB软件对算法进行仿真,仿真结果表明,该调度策略是合理且高效的,增加了AGV调度系统的柔性和鲁棒性,提高了遗传算法找到全局最优解的概率。(本文来源于《计算机工程与设计》期刊2017年06期）
何佩[8]（2017）在《基于双适应度遗传算法的混合存储器数据分配策略》一文中研究指出当今多核系统的发展面临诸多挑战:处理器与内存之间的发展差异日渐增大,传统计算系统采用硬件控制的Cache开始不能满足发展的需要;另一方面,CPU与内存之间发展速度的差异限制了片上多核系统的发展。便笺式存储器(Scratch-Pad Memory,SPM)具有能耗低、可预测、面积小等特点,可以在降低能耗、减少时延的前提下充分利用资源,这一特性使得便笺式存储器广泛应用于多核系统中。新型可字节寻址的非易失性存储器(Non-volatile Memory,NVM)在能耗、存储密度、读写性能、数据更新等方面表现突出,引起了研究者们的广泛关注,成为存储器研究的热点。本文的研究目标是在混合存储器中进行低能耗、低写操作数的数据分配,从而减少系统的总能耗,提高系统的性能,延长非易失性存储器的使用寿命。本文所讨论的混合内存由SRAM和NVM构成,片外存储由DRAM构成。采用NVM与SRAM构造的混合内存中,NVM的读写操作的不对称性限制了数据分配的发展,因此本文将减少数据放置产生的能耗与NVM中的写操作总数作为目标函数。已有的数据分配算法大多一次只能考虑一个目标函数,少数考虑两个目标函数的算法较为复杂,且适用性有限,而本文的研究需要考虑的因素有两个,采用改进传统贪心算法得到的数据分配方案不能很好的达到本文的研究目标。因此,为了合理利用混合存储器各部分的优势,规避劣势,提出了采用改进遗传算法(AGA)、双适应度遗传算法(DFGA)同时实现本文研究的两大目标。将这叁种算法得出的数据分配策略进行对比。通过实验可知,采用DFGA算法比改进贪心算法得到的数据分配策略,能减少总能耗11.62%、NVM写操作总数43.88%。此外,采用DFGA算法比AGA算法得到的数据分配策略能减少33.76%的NVM写操作总数。总体而言,采用AGA算法较于贪心算法得到的数据分配策略主要是减少了总能耗,而DFGA算法在此基础上还实现了减少NVM写操作总数的目标。NVM的使用寿命与写操作数息息相关,因此采用DFGA算法得到的数据分配策略不仅能减少总能耗,还能延长NVM的寿命。(本文来源于《湖南大学》期刊2017-05-09）
李中华,张泰山[9]（2016）在《可拓聚类适应度共享小生境遗传算法研究》一文中研究指出针对遗传算法易陷入早熟收敛和全局搜索能力差等缺点,提出一种基于可拓理论的小生境遗传算法.算法首先构造了遗传编码物元和可拓遗传算子,然后通过可拓聚类方法实现小生境群体的划分,结合适应度共享技术和聚类代表个体保存策略,维持稳定多样的小生境.仿真实验表明,该算法能可靠、快速地收敛到全局最优解,有效避免早熟收敛,其收敛速度和求解精度均优于简单遗传算法和常规小生境算法.(本文来源于《哈尔滨工业大学学报》期刊2016年05期）
黄兆年[10]（2016）在《基于双适应度遗传算法的虚拟机放置的研究》一文中研究指出虚拟化技术是云计算的基础,数据中心资源是云计算的硬件和软件基础,随着云计算的发展,数据中心的规模日益庞大,管理也日益复杂。目前数据中心普遍存在能源消耗过大、物理资源利用率不高、物理资源存在浪费以及数据中心的延时、物理机负载不均衡等问题。本文重点研究数据中心中的虚拟机的放置问题,在放置的过程中,在各个物理机的负载均衡前提下考虑最小化数据中心的物理资源浪费,同时最小化数据中心的总延时。本文主要研究工作有如下几个方面:(1)针对云环境下虚拟机技术中虚拟机部署问题,分析数据中心的体系结构,建立数据中心资源,物理机资源的利用率、物理机资源的浪费、负载均衡以及数据中心的延时(CPU处理延时和网络传输延时)数学模型。(2)针对虚拟机部署问题(类似NP难的装箱问题)需要进行多个目标的优化,改进并且实现一种基于改进的遗传算法的虚拟机放置算法,并且和首次适合递减算法得到的结果对比,验证算法的性能(时间和空间复杂度),证明该算法优于贪心算法,是一种虚拟机放置的有效算法。(3)根据求解多目标优化问题的方法,先通过改进遗传算法得到Pareto最优解集,再从Pareto最优解集中挑出解决问题需要的Pareto最优前沿解集。(4)设计一个基于MVC模式,架构于Structs 1.2框架上,实现虚拟机调度系统,定义物理机类、虚拟机类,把上面的虚拟机放置方案嵌入到系统中,形象化地展示物理机和虚拟机资源的调度过程。进而对各个模块进行设计,完成系统平台各个模块实现和后台的数据库实现,最后是云环境资源的调度模拟系统的测试。(本文来源于《中国舰船研究院》期刊2016-04-01）
多适应度遗传算法论文开题报告范文
（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：
在大量实际应用问题进化优化的适应度评价都受到了噪声的干扰.本文研究了正态随机噪声对适应度评价的影响机理,对比分析了正态随机噪声环境下不同适应度评价方法的性能.本文提出了一种多次评价一次采样的动态适应度评价方法,该方法在种群更新过程中,重新评价上一代种群,可以降低伪优个体(劣个体)的生存周期,抑制随机噪声对优胜劣汰机制的影响.实验结果也表明总采样次数相同的情况下,新方法的性能优于一次评价一次采样和一次评价多次采样方法.
（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。
多适应度遗传算法论文参考文献
[1].刘奕岑,徐蔚鸿,陈沅涛,马红华.具有适应度选择调整策略的混沌遗传算法及其应用[J].计算技术与自动化.2019
[2].李军华,黎明,陈昊,伍家驹.正态随机噪声环境下遗传算法的动态适应度评价[J].电子学报.2019
[3].刘玲,梁广源.关于图像分割中的适应度函数修正和遗传算法实现[J].韶关学院学报.2018
[4].余新华.累积适应度遗传算法在SVM多分类决策树中的优化研究[J].绵阳师范学院学报.2018
[5].王欣欣,刘晓彦.基于双适应度动态遗传算法的云计算资源调度[J].计算机工程与设计.2018
[6].朱春媚,莫鸿强.一类适应度函数的遗传算法编码[J].计算机应用.2017
[7].赵大兴,余明进,许万.基于高适应度值遗传算法的AGV最优路径规划[J].计算机工程与设计.2017
[8].何佩.基于双适应度遗传算法的混合存储器数据分配策略[D].湖南大学.2017
[9].李中华,张泰山.可拓聚类适应度共享小生境遗传算法研究[J].哈尔滨工业大学学报.2016
[10].黄兆年.基于双适应度遗传算法的虚拟机放置的研究[D].中国舰船研究院.2016