针对进化规划的早熟收敛问题,借鉴免疫系统的应答机制,并结合进化规划与免疫机理,提出一种基于双变异算子的免疫规划算法(DMIP).该算法的核心在于采用全局柯西变异算子和局部高斯变异算子,通过保持种群的多样性和执行记忆保护以及弱小保护策略,保证了算法搜索的快速性和有效性.理论分析和仿真结果均表明,该方法能够有效地提高算法的全局及局部搜索能力,克服早熟现象.
2023-02-27 22:24:38
686KB
1
6.变异概率与变异算子
GA中的变异运算，是指对个体染色体编码串中的某些基因值作变动，从而形成一个新的个体．
交叉运算是GA中产生新个体的主要方法，决定了算法的全局搜索能力．
变异运算是产生新个体的辅助方法，决定了算法的局部搜索能力．
(1)变异概率(Pm)．通常取Pm＝0.0001～0.1．
(2)变异算子．
在所有个体的编码串范围内随机地确定基因座．
以设定的Pm对这些基因座的基因值进行变异．
变异算子的设计包括：如何确定变异点的位置和如何进行基因值的替换．
2023-01-11 13:49:39
86KB
1
针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。
2023-01-11 10:55:47
2.37MB
1
33种TCGA肿瘤的拷贝数GISTIC2.0分析结果
单价29.9元，付款后私信给博主，博主分享网盘链接。
2022-12-23 15:17:27
31KB
为了改善差分进化粒子群算法的局部搜索能力和收敛速度，提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化，并且将混沌变异操作引入其中，加强算法的局部搜索能力。通过对三个标准函数进行测试，仿真结果表明该算法与DEPSO算法相比，全局搜索能力、抗早熟收敛性能及收敛速度大大提高。
2022-12-03 16:33:16
346KB
1
GNN基于电子健康记录的变异正则化图谱表征（Python完整源码和数据包）
GNN基于电子健康记录的变异正则化图谱表征（Python完整源码和数据包）
GNN基于电子健康记录的变异正则化图谱表征（Python完整源码和数据包）
GNN基于电子健康记录的变异正则化图谱表征（Python完整源码和数据包）
2022-11-23 11:26:34
617KB
针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点, 提出自适应变异的果蝇优化算法(FOAAM)。该算法在运行过程中根据群体适应度方差和当前最优解的大小判断算法陷入局部最优时, 首先将最优果蝇个体复制M个; 然后对复制的最优果蝇个体进行扰动, 按一定的概率P执行高斯变异操作; 最后对变异后的最优果蝇个体进行二次寻优, 从而跳出局部极值而继续优化。对几种经典测试函数的仿真结果表明, FOAAM算法具有更好的全局搜索能力, 在收敛速度、收敛可靠性及收敛精度上均比基本FOA算法有较大的提高。
2022-11-23 10:21:20
1.2MB
1
针对粒子群算法的早熟收敛问题，提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值，根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力，增大寻找全局最优的几率。对几种典型函数的测试结果表明，新算法的全局搜索能力有了明显的提高，有效避免了早熟收敛问题。
2022-11-22 17:30:18
279KB
1