的PSO 算法適應(yīng)度值取潛艇聲誘餌防御魚雷仿真結(jié)束時(shí)潛艇與魚雷的距離d,采用四線程并行計(jì)算方法對(duì)一次迭代過(guò)程中的多個(gè)粒子適應(yīng)度值進(jìn)行計(jì)算。設(shè)D(D=7)維空間中,由n個(gè)粒子組成的種群為P=(P1,P2,···,Pn),第i個(gè)粒子為向量Pi=(t1,α1,z1,t2,α2,z2,α3)iT,代表第i個(gè)粒子在D維搜索空間中的位置,也代表問(wèn)題的一個(gè)潛在解[10],其中:t1為潛艇機(jī)動(dòng)規(guī)避的時(shí)機(jī);α1為潛艇轉(zhuǎn)向角;z1為潛艇變深航深;t2為聲誘餌發(fā)射時(shí)機(jī);α2和

比較當(dāng)前位置的適應(yīng)度值和試探移動(dòng)后的適應(yīng)度值判斷是否需要更換宿主。1.2 細(xì)細(xì)品味（開發(fā)階段）1.2.1 鯨魚優(yōu)化策略在開發(fā)階段，?魚則吸附在座頭鯨表面，這一階段被命名為“細(xì)細(xì)品味”。當(dāng)?魚的宿主是座頭鯨時(shí)，其位置更新方程如式（3）所示：其中：e 為自然常數(shù)；D代表宿主與獵物之間的距離，計(jì)算公式如式（4）；l為［-1，1］的隨機(jī)數(shù)，用于構(gòu)造螺旋體，計(jì)算公式如式（5）；a為螺旋體的控制系數(shù)，在迭代過(guò)程中會(huì)在［-2，-1］內(nèi)線性下降，計(jì)算公式如式（6）：其中：

碼、線性排序的適應(yīng)度分配方法、實(shí)值變異和基于適應(yīng)度的線性筆記的改進(jìn)交叉策略，通過(guò)實(shí)驗(yàn)驗(yàn)證了該算法收斂最為平穩(wěn)。Tarek等[7]提出將局部搜索引入到遺傳算法中來(lái)創(chuàng)建混合算法，通過(guò)實(shí)驗(yàn)驗(yàn)證該算法可以自適應(yīng)學(xué)習(xí)并提高搜索全局最優(yōu)解的能力。楊從銳等[8]提出交叉突變調(diào)整新標(biāo)準(zhǔn)，將平均適應(yīng)度和最優(yōu)適應(yīng)度比值的反正弦作為參考因素，將π/6作為參考閾值，通過(guò)判斷新增參考因素與閾值的大小關(guān)系并以此對(duì)交叉率及突變率進(jìn)行調(diào)整。Wang等[9]提出一種改進(jìn)的NSGA2算法用于

力，它只信賴于適應(yīng)度函數(shù)，不需要了解對(duì)象的全部信息，這樣即使在對(duì)象模型不確定的情況下，仍然可以根據(jù)對(duì)象的輸出情況對(duì)PI參數(shù)進(jìn)行優(yōu)化。常用的適應(yīng)度函數(shù)主要是基于誤差的泛函數(shù)積分，包括IAE、ITAE、ISTAE、ISE、ITSE、ISTSE，但是在使用這些適應(yīng)度函數(shù)進(jìn)行PI參數(shù)整定時(shí)得到的系統(tǒng)控制效果是不一樣的，它們各自側(cè)重于對(duì)系統(tǒng)某個(gè)階段或某種狀態(tài)有較好的控制效果，而很難對(duì)系統(tǒng)的整個(gè)動(dòng)靜態(tài)過(guò)程有一個(gè)全面的考量。為此，本文提出了一種以系統(tǒng)動(dòng)態(tài)性能指標(biāo)為參考依

提出了一種新的適應(yīng)度函數(shù)用于CMA－ES算法求逆運(yùn)動(dòng)學(xué)解：與原算法相比，該算法將各關(guān)節(jié)運(yùn)動(dòng)范圍作為約束條件，通過(guò)加權(quán)最小二乘法和位姿誤差建立新的適應(yīng)度函數(shù)，求解出唯一的一組運(yùn)動(dòng)學(xué)逆解。 將該算法應(yīng)用于REBot－V－6R－6500 型六自由度機(jī)器人，仿真結(jié)果表明，該方法可以得到機(jī)器人高精度和平穩(wěn)的逆運(yùn)動(dòng)學(xué)解。1 CMA－ES 算法1.1 算法原理CMA－ES 算法是一種進(jìn)化策略類算法。 經(jīng)典ES 算法尋找最優(yōu)解主要依靠突變，但是如何調(diào)整突變的方向沒(méi)有成熟的

適應(yīng)性，引入了適應(yīng)度函數(shù)。適應(yīng)度在遺傳算法中是用來(lái)衡量種群在進(jìn)化過(guò)程中所達(dá)到的最優(yōu)值的一個(gè)概念。在種群的迭代中依據(jù)適應(yīng)度大小選擇一定比例的個(gè)體作為后代的群體，然后繼續(xù)迭代計(jì)算直到產(chǎn)生最優(yōu)染色體。GA算法的具體步驟如下：（1）生成初始種群，并計(jì)算適應(yīng)度；（2）根據(jù)適應(yīng)度進(jìn)行選擇、交叉和變異，生成新種群；（3）計(jì)算新種群的適應(yīng)度；（4）當(dāng)算法達(dá)到進(jìn)化的最大迭代次數(shù)或達(dá)到設(shè)定的閾值，即種群的適應(yīng)度沒(méi)有改進(jìn)時(shí)，算法停止，否則跳轉(zhuǎn)到第（2）步；（5）產(chǎn)生適應(yīng)度最好的

提出一種改進(jìn)的適應(yīng)度函數(shù)；第6節(jié)將通過(guò)蒙特卡洛試驗(yàn)驗(yàn)證本文所述方法的有效性，結(jié)果表明本方法在保證估計(jì)精度的同時(shí)能提高算法收斂速度。2 HFM信號(hào)可見式(2)是關(guān)于時(shí)間t的雙曲函數(shù)，因此稱為雙曲調(diào)頻信號(hào)。另外，HFM信號(hào)的多普勒不變性表現(xiàn)為：經(jīng)過(guò)多普勒效應(yīng)影響的HFM信號(hào)除了存在一個(gè)時(shí)域上的時(shí)間偏移 ?t外，并不會(huì)產(chǎn)生多普勒頻移，且其瞬時(shí)頻率仍然保持相同的調(diào)頻率k與初始頻率f0，因此仍可與匹配濾波器完全匹配[9]，上述結(jié)果可表示為式中，fH(t)為 原HFM

重要部分，二者適應(yīng)度越高，越有利于經(jīng)濟(jì)的發(fā)展。應(yīng)用多元統(tǒng)計(jì)分析法及適應(yīng)度分析法，對(duì)二者適應(yīng)程度進(jìn)行分析。結(jié)果顯示，近五年來(lái)，除2017年陜西省交通運(yùn)輸彈性系數(shù)顯著下降外，陜西省交通運(yùn)輸與區(qū)域經(jīng)濟(jì)發(fā)展的全局協(xié)調(diào)適應(yīng)程度是越來(lái)越好的。關(guān)鍵詞：交通運(yùn)輸;區(qū)域經(jīng)濟(jì);適應(yīng)度;多元統(tǒng)計(jì)分析中圖分類號(hào)：F127 ? ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ?文章編號(hào)：1673-291X（2021）04-0038-03在經(jīng)濟(jì)一體化發(fā)展態(tài)勢(shì)下，科技現(xiàn)代化潮流勢(shì)頭良好。中國(guó)的交通運(yùn)

成NS-MFO適應(yīng)度計(jì)算，配置NS-MFO飛蛾火焰算法流程，最終得出能源補(bǔ)給充電站的位置網(wǎng)絡(luò)優(yōu)化規(guī)劃。關(guān)鍵詞： NS-MFO; 適應(yīng)度; 擁擠距離中圖分類號(hào)： TM715 ? ? ?文獻(xiàn)標(biāo)志碼： AAbstract： In the era that the traditional vehicle is gradually replaced by the electric vehicle， there are problems in the location

法[2,6]：適應(yīng)度-復(fù)雜度方法，并提出了適應(yīng)度指數(shù)和產(chǎn)品復(fù)雜度，該方法將國(guó)家競(jìng)爭(zhēng)力或者說(shuō)適應(yīng)度和產(chǎn)品的復(fù)雜度聯(lián)系起來(lái)，迭代產(chǎn)生一組關(guān)于適應(yīng)度和產(chǎn)品復(fù)雜度的不動(dòng)點(diǎn)，相較于反射法，該方法考慮了產(chǎn)品的復(fù)雜度應(yīng)該是以適應(yīng)度較低的國(guó)家為界的.Mariani等人[7]將反射法和適應(yīng)度-復(fù)雜度方法運(yùn)用于國(guó)際貿(mào)易數(shù)據(jù)，定量地比較了兩種方法的度量能力，結(jié)果表明：在國(guó)家排名和產(chǎn)品排名兩方面，適應(yīng)度-復(fù)雜度方法都優(yōu)于反射法；并且他們進(jìn)一步將適應(yīng)度-復(fù)雜度方法進(jìn)行了泛化.文獻(xiàn)[

食;數(shù)值積分;適應(yīng)度;梯形公式中圖分類號(hào)： TM615 文獻(xiàn)標(biāo)識(shí)碼： A文章編號(hào)： 2095-2457（2019）10-0112-003DOI：10.19694/j.cnki.issn2095-2457.2019.10.047Numerical Integration Based on Bacterial Foraging Algorithm.GUO De-long1，2 ZHOU Jin-cheng1，2（1.School of Mathematics

數(shù)據(jù)訓(xùn)練，根據(jù)適應(yīng)度閾值不斷進(jìn)行選擇和交叉操作，并加入粒子群優(yōu)化策略，經(jīng)過(guò)多次迭代計(jì)算，得到漫畫的角色人物造型。經(jīng)過(guò)實(shí)驗(yàn)證明，相比于SGA算法和AGA算法，文中所提算法在漫畫設(shè)計(jì)效率方面優(yōu)勢(shì)明顯。關(guān)鍵詞： 漫畫設(shè)計(jì); 角色造型; 遺傳算法; 適應(yīng)度; 粒子群優(yōu)化; 設(shè)計(jì)效率中圖分類號(hào)： TN911.1?34; TP393 ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）1

能力;行為學(xué);適應(yīng)度;偏好中圖分類號(hào)? ? Q959.226? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼? ? A? ? ? ? 文章編號(hào)? ?1007-5739（2019）11-0204-02壁錢（Uroctea compactilis L. Koch），別名壁鏡、壁蟲、壁蟢，主要分布于四川、安徽、湖南、貴州等地[1]，為蛛形綱壁錢科動(dòng)物。華南壁錢一般在房屋墻壁以及房屋附近的田埂邊居多，主要以蠅蚊和小型昆蟲為食。結(jié)形狀如扁圓的錢幣似的白色網(wǎng)，網(wǎng)周發(fā)出許多放射狀牽絲，喜晝伏

組合問(wèn)題時(shí)，把適應(yīng)度景觀與基因的結(jié)構(gòu)聯(lián)系起來(lái)提出的[1].它是一種基于主體結(jié)構(gòu)化的計(jì)算機(jī)模擬仿真方法，主要用來(lái)研究復(fù)雜系統(tǒng)如何通過(guò)適應(yīng)度搜索快速地獲得最優(yōu)值以及系統(tǒng)內(nèi)部各要素間和系統(tǒng)環(huán)境的相互作用關(guān)系對(duì)整個(gè)系統(tǒng)的環(huán)境適應(yīng)性的影響.目前已有學(xué)者將NK模型應(yīng)用于組織和戰(zhàn)略管理領(lǐng)域[2-6].本文利用NK模型與適應(yīng)度景觀理論來(lái)研究如何提高房地產(chǎn)企業(yè)危機(jī)管理系統(tǒng)的適應(yīng)性，主要研究影響房地產(chǎn)企業(yè)危機(jī)管理能力各因素的不同狀態(tài)以及因素間的相互作用對(duì)房地產(chǎn)企業(yè)危機(jī)管理能力

順序排成的串。適應(yīng)度：對(duì)染色體進(jìn)行編碼后，每個(gè)個(gè)體對(duì)應(yīng)一個(gè)具體問(wèn)題的解，每個(gè)解對(duì)應(yīng)一個(gè)函數(shù)值。函數(shù)值為適應(yīng)度，函數(shù)為適應(yīng)度函數(shù)。適應(yīng)度值大小是遺傳算法對(duì)于一個(gè)個(gè)體好壞程度的唯一評(píng)價(jià)標(biāo)準(zhǔn)。復(fù)制：從父代中選擇適應(yīng)度值高的字符串從而生成新一代的過(guò)程。適應(yīng)度值越高的字符串越可能獲得生成新一代的可能［12］。交叉：模擬生物進(jìn)化中的繁殖過(guò)程，兩個(gè)染色體之間通過(guò)交叉而重組形成新染色體，從而產(chǎn)生新的優(yōu)秀品種。變異：模擬生物進(jìn)化［13］過(guò)程中的基因突變方法，以很小的概率隨機(jī)

種群和其對(duì)應(yīng)的適應(yīng)度值的函數(shù)，其系統(tǒng)模型如下：I:φ→{M,OM}(2)P是搜索飛蛾周圍空間的主函數(shù)，P函數(shù)接受矩陣M并返回其更新的最終值：P:M→M(3)T是飛蛾更新的截至條件，若T不滿足，則程序會(huì)一直運(yùn)行T:M→{true,false}(4)使用I、P和T描述MFO算法的框架一般定義如下：M=I()whileT(M) is equal to falseM=P(M);EndI()函數(shù)初始化飛蛾種群M，用P函數(shù)移動(dòng)搜索飛蛾M周圍空間，迭代更新飛蛾M直至迭代

正遺傳算法中的適應(yīng)度函數(shù)，進(jìn)而在最大類間方差法的算法實(shí)現(xiàn)中達(dá)到加速效果.1 適應(yīng)度函數(shù)修正基于最大類間方差利用遺傳算法實(shí)現(xiàn)圖像分割的基本步驟如下：（1）初始化：根據(jù)圖像特征進(jìn)行染色體編碼以及產(chǎn)生初始群體；（2）定義：建立描述類間方差的適應(yīng)度函數(shù)；（3）迭代：進(jìn)行選擇、交叉和變異等遺傳操作；（4）輸出：解碼得到最佳的分割閾值.以上步驟中，第（2）步的適應(yīng)度函數(shù)需要結(jié)合圖像的灰度特征給出，適應(yīng)度函數(shù)的形式不同，會(huì)影響遺傳算法的計(jì)算效率.設(shè)圖像像素按灰度閾值劃分

在市場(chǎng)經(jīng)濟(jì)中的適應(yīng)度是工會(huì)工作創(chuàng)新的迫切需要。應(yīng)首先對(duì)事業(yè)單位工會(huì)工作存在的不足進(jìn)行分析，進(jìn)而尋找工會(huì)工作改革和創(chuàng)新提高工會(huì)在市場(chǎng)經(jīng)濟(jì)中的適應(yīng)度的有效途徑。關(guān)鍵詞：工會(huì)；市場(chǎng)經(jīng)濟(jì)；適應(yīng)度一、提高工會(huì)在市場(chǎng)經(jīng)濟(jì)適應(yīng)度的重要性（一）提高工會(huì)市場(chǎng)經(jīng)濟(jì)適應(yīng)度是實(shí)踐十九大精神的基礎(chǔ)事業(yè)單位正面臨著企業(yè)體制改革的關(guān)鍵時(shí)期，如何在新形勢(shì)下確保企業(yè)的平穩(wěn)轉(zhuǎn)型，繼續(xù)履行其社會(huì)責(zé)任與義務(wù)，務(wù)實(shí)工作，服務(wù)大眾，是事業(yè)單位現(xiàn)階段發(fā)展的核心問(wèn)題。事業(yè)單位工會(huì)組織的工作創(chuàng)新應(yīng)以企業(yè)的

相關(guān)指標(biāo)，構(gòu)建適應(yīng)度評(píng)價(jià)函數(shù)，評(píng)價(jià)物流運(yùn)輸體系與經(jīng)濟(jì)發(fā)展的適應(yīng)情況。以馬鞍山市為研究對(duì)象，將2010年到2016年物流運(yùn)輸體系與經(jīng)濟(jì)基礎(chǔ)數(shù)據(jù)轉(zhuǎn)化為其增長(zhǎng)率，對(duì)二者綜合發(fā)展水平進(jìn)行計(jì)算，根據(jù)適應(yīng)度模型對(duì)二者之間的適應(yīng)度進(jìn)行測(cè)算，結(jié)果顯示，經(jīng)濟(jì)綜合發(fā)展水平略大于物流運(yùn)輸體系，二者之間呈現(xiàn)“S”型周期變化的適應(yīng)度關(guān)系，適應(yīng)度值處于0.4以上，未達(dá)到較強(qiáng)的適應(yīng)狀態(tài)，表明了物流運(yùn)輸體系與經(jīng)濟(jì)發(fā)展之間相互促進(jìn)、協(xié)同發(fā)展的動(dòng)態(tài)變化過(guò)程以及適應(yīng)狀態(tài)。在未來(lái)經(jīng)濟(jì)發(fā)展中，物流

視覺(jué)效果； 適應(yīng)度中圖分類號(hào)： TN02?34； TB472 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）13?0133?05Abstract： The traditional Web interface design has the problems of poor compatibility， slow browsing speed and poor visual effect， which can′t meet the demand

4]創(chuàng)建的基于適應(yīng)度的多機(jī)器人協(xié)作策略，在針對(duì)動(dòng)態(tài)松散多任務(wù)分配方面展現(xiàn)了較好的實(shí)時(shí)性和靈活性，且能夠在限制任務(wù)執(zhí)行優(yōu)先級(jí)、機(jī)器人能力有限[5]等情況下完成較優(yōu)的任務(wù)分配，仿真試驗(yàn)表明，算法也具有較好的穩(wěn)定性.馮曉海等[6]通過(guò)對(duì)該算法的改進(jìn)，使用正余切函數(shù)作為外部適應(yīng)度函數(shù)，避免了原始函數(shù)中一直歸一化計(jì)算的問(wèn)題，提高了機(jī)器人與任務(wù)之間適應(yīng)度計(jì)算的穩(wěn)定性.1　適應(yīng)度協(xié)作策略及其不足1.1　外部適應(yīng)度算法外部能力適應(yīng)度的計(jì)算如下:(1)外部能力適應(yīng)度的歸一化

出個(gè)體可進(jìn)化的適應(yīng)度函數(shù)評(píng)價(jià)機(jī)制;3)采用1)和2)結(jié)合的方法改進(jìn)遺傳算法,比如文獻(xiàn)[5]提出的帶基因修復(fù)的自適應(yīng)遺傳算法.雖然近年來(lái)有大量的改進(jìn)遺傳算法被提出,但是課題組在研究遺傳算法時(shí)發(fā)現(xiàn),如果能夠根據(jù)種群個(gè)體的分布情況動(dòng)態(tài)調(diào)整遺傳算子,可以增強(qiáng)種群個(gè)體的多樣性,同時(shí)有利于加快算法收斂.因此,本文提出了一種帶密度加權(quán)的自適應(yīng)遺傳算法—DWAGA(Adaptive Genetic Algorithm with Density Weighted),該算法可

法。該算法采用適應(yīng)度處理機(jī)制,定義拉伸度的概念,通過(guò)改變目標(biāo)位置附近適應(yīng)度函數(shù)的拉伸度,增大全局最大值與其他值的差異,使選擇結(jié)果更偏向于最大值,優(yōu)化下一代。最后經(jīng)過(guò)交叉、變異等過(guò)程得到精確的測(cè)向結(jié)果。1 數(shù)學(xué)模型相關(guān)干涉儀測(cè)向示意圖在空間直角坐標(biāo)系中,O為圓心處的觀測(cè)天線,m表示以R為半徑的圓上的觀測(cè)天線,信號(hào)從俯仰角為θ,方位角為φ的方向射入,發(fā)射信號(hào)的波長(zhǎng)為λ,如圖1所示。圖1 相關(guān)干涉儀測(cè)向示意圖Fig.1 Schematic diagram of

初始種群個(gè)體的適應(yīng)度函數(shù)值，將結(jié)果所對(duì)應(yīng)的路徑記錄下來(lái)，并對(duì)每個(gè)個(gè)體分別進(jìn)行局部搜索。圖1 測(cè)試數(shù)據(jù)的生成步驟（3）所有種群按適應(yīng)度函數(shù)值的大小進(jìn)行排序，淘汰較差的個(gè)體，從而優(yōu)化種群，最后恢復(fù)種群規(guī)模仍為n。（4）迭代找尋最優(yōu)解。在優(yōu)化后的種群中找出最優(yōu)解，判斷是否滿足終止條件，若是，則從Road中剔除其對(duì)應(yīng)的路徑，然后檢查Road是否為空，若為空就終止迭代，否則就繼續(xù)進(jìn)化種群。3 多路徑測(cè)試數(shù)據(jù)生成的適應(yīng)度值求解方法在測(cè)試數(shù)據(jù)的生成過(guò)程中，適應(yīng)度函數(shù)的計(jì)

述。最后，從“適應(yīng)度”貫徹的原則和與某些課程的關(guān)系處理上闡述了教學(xué)實(shí)踐體會(huì)?！娟P(guān)鍵詞】模塊式技能培訓(xùn) ； 電工作業(yè) ； 適應(yīng)度【中圖分類號(hào)】G71 【文獻(xiàn)標(biāo)識(shí)碼】B 【文章編號(hào)】2095-3089（2015）7-0031-01模塊式技能培訓(xùn)MES（Modules of Employable Skills），是20世紀(jì)70年代初由國(guó)際勞工組織研發(fā)出來(lái)的以現(xiàn)場(chǎng)教學(xué)為主，以崗位任務(wù)為基礎(chǔ)確定培訓(xùn)模塊，以崗位工作的完成程序?yàn)橹骶€的一種教學(xué)模式。一、鐵路電工作業(yè)安全

u.cn)一類適應(yīng)度函數(shù)的遺傳算法編碼朱春媚1*，莫鴻強(qiáng)2(1.電子科技大學(xué)中山學(xué)院 機(jī)電工程學(xué)院，廣東 中山 528400； 2.華南理工大學(xué) 自動(dòng)化科學(xué)與工程學(xué)院，廣州 510641) (*通信作者電子郵箱cmzhu@zsc.edu.cn)針對(duì)在探討適應(yīng)度函數(shù)的周期性特點(diǎn)與整數(shù)編碼元數(shù)之間的關(guān)聯(lián)特性時(shí)，一階積木塊數(shù)量對(duì)編碼性能的評(píng)價(jià)不一定成立的問(wèn)題，提出以累積逃脫概率(AEP)作為遺傳算法(GA)編碼性能的評(píng)價(jià)指標(biāo)，對(duì)以頻率為正整數(shù)m的整數(shù)次冪的正弦函

水域及航行條件適應(yīng)度進(jìn)行論證研究，并提出相關(guān)結(jié)論。關(guān)鍵詞：泊位 超限靠泊 碼頭水域 航行條件 適應(yīng)度 論證1.港口現(xiàn)狀惠州港荃灣港區(qū)位于荃灣半島南端、澳頭灣內(nèi)，毗鄰澳頭，是目前惠州市沿海規(guī)模最大的港區(qū)，其東北、西和南三面環(huán)山；工程港址水域開闊，水深條件良好，掩護(hù)條件良好，泥沙回淤量小，為天然良港?；葜莞圮鯙掣蹍^(qū)通用碼頭某泊位為10000噸級(jí)通用件雜貨泊位，于1992年竣工。長(zhǎng)度168米，停泊水域?qū)挾?4米，前沿水深-9.0米（當(dāng)?shù)乩碚撟畹统泵妫徊次凰そY(jié)

術(shù)和農(nóng)藝技術(shù)的適應(yīng)度分析，找出其中存在的問(wèn)題，并從中尋找解決的方法。關(guān)鍵詞：農(nóng)業(yè)機(jī)械；農(nóng)藝技術(shù)；影響；適應(yīng)度中圖分類號(hào)：F323.3 文獻(xiàn)標(biāo)識(shí)碼：Adoi：10.14031/j.cnki.njwx.2017.08.070隨著我國(guó)機(jī)械化的發(fā)展，農(nóng)村的勞動(dòng)結(jié)構(gòu)和經(jīng)濟(jì)結(jié)構(gòu)已經(jīng)發(fā)展了改變，農(nóng)民對(duì)生產(chǎn)勞動(dòng)觀念的改變，促使農(nóng)民對(duì)農(nóng)業(yè)機(jī)械的需求變得更加迫切，農(nóng)業(yè)機(jī)械化生產(chǎn)普及程度越來(lái)越高。農(nóng)民在生產(chǎn)過(guò)程中提出了更高的要求，更加注重優(yōu)質(zhì)、高效、高產(chǎn)、安全等方面需求，而傳統(tǒng)

相結(jié)合作為新的適應(yīng)度函數(shù)進(jìn)行遺傳優(yōu)化，并給三個(gè)要素分配一定的權(quán)值。仿真結(jié)果表明：該算法搜索效率更高且能獲得更好的路徑規(guī)劃結(jié)果。遺傳算法；適應(yīng)度函數(shù)；路徑規(guī)劃0 引言在機(jī)器人研究領(lǐng)域中，路徑規(guī)劃是至關(guān)重要的。路徑規(guī)劃就是在有障礙物的環(huán)境中，按照某一性能指標(biāo)(行走時(shí)間最短、路徑最短或能量消耗最少等)，為移動(dòng)機(jī)器人規(guī)劃出一條從起始點(diǎn)到目標(biāo)點(diǎn)的最優(yōu)或者近似最優(yōu)的無(wú)碰撞路徑[1]。機(jī)器人路徑規(guī)劃分為兩種：一種是靜態(tài)環(huán)境下的全局路徑規(guī)劃；另一種是動(dòng)態(tài)環(huán)境下的局部路徑規(guī)

不同影響因素的適應(yīng)度的變化和差異及其對(duì)異地認(rèn)同度的變化。通過(guò)更深入地分析與推論，對(duì)外地人的適應(yīng)行為做出社會(huì)心理學(xué)層面上的解釋并為其外地同學(xué)如何快速融入異地生活提供了方法及建議。關(guān)鍵詞：異地；大學(xué)生；適應(yīng)度；認(rèn)同度來(lái)自各方的同學(xué)孤身來(lái)到一個(gè)全新的環(huán)境學(xué)習(xí)四年，常常會(huì)有異鄉(xiāng)的沖突感。針對(duì)如此巨大的改變，大學(xué)生的應(yīng)對(duì)措施就會(huì)大相徑庭。因此，異地大學(xué)生的生活狀況應(yīng)該引起足夠的重視。本研究主要以調(diào)查問(wèn)卷的形式調(diào)查許多在重慶讀書的異地大學(xué)生對(duì)重慶的適應(yīng)情況，以氣候、飲

法；遺傳算法；適應(yīng)度；進(jìn)化一、啟發(fā)式搜索的提出啟發(fā)式搜索算法是在狀態(tài)空間搜索概念的基礎(chǔ)上提出的。所謂狀態(tài)空間搜索即針對(duì)某一個(gè)問(wèn)題的求解的過(guò)程可以歸納為由問(wèn)題初始的狀態(tài)向目標(biāo)狀態(tài)轉(zhuǎn)移并尋求路徑的過(guò)程。歸根到底，狀態(tài)空間搜索即是兩個(gè)不同狀態(tài)中間的路徑求解，其中不同點(diǎn)表現(xiàn)出來(lái)的為結(jié)果，路徑所體現(xiàn)的則是過(guò)程；在很多情況下，一個(gè)問(wèn)題的路徑求解可能面臨較大的分支，即部分求解條件存在一定的不確定性，這就使得求解的路徑并非只有一條，從而構(gòu)成了一副狀態(tài)空間圖，那么從狀態(tài)空間

等級(jí)；自適應(yīng)；適應(yīng)度；遺傳算法；仿真中圖分類號(hào)：TN918；TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2017）03-00-020 引 言加密和認(rèn)證是無(wú)線傳感器網(wǎng)絡(luò)安全中常用的防范手段，但由于電池容量和計(jì)算開銷等方面存在局限，僅通過(guò)對(duì)節(jié)點(diǎn)進(jìn)行加密和認(rèn)證，雖然可以應(yīng)對(duì)安全威脅等級(jí)保持不變的情形，但是當(dāng)威脅等級(jí)不斷變化時(shí)，如果加密和認(rèn)證功能太弱，則可能威脅到通信安全，如果太強(qiáng)則增加能耗。因此需要根據(jù)威脅等級(jí)對(duì)安全屬性（即加密和認(rèn)證）進(jìn)行動(dòng)態(tài)調(diào)整

；梯度場(chǎng)矢量；適應(yīng)度中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2016）12-00-030 引 言在醫(yī)學(xué)圖像、遙感圖像等處理過(guò)程中存在圖像校準(zhǔn)問(wèn)題。而醫(yī)學(xué)圖像校準(zhǔn)是醫(yī)學(xué)圖像融合[1]的關(guān)鍵。由于醫(yī)學(xué)圖像的特殊性，用一般的圖像校準(zhǔn)方法難以實(shí)現(xiàn)醫(yī)學(xué)圖像的校準(zhǔn)，目前這項(xiàng)工作通常主要依靠醫(yī)師的經(jīng)驗(yàn)采用手工進(jìn)行。為了精確診斷，判斷局部小的病灶變化，相片位置和角度校準(zhǔn)是必須的。演化算法（Evolutionary Algorithm）[2]是

度來(lái)確定個(gè)體的適應(yīng)度值，僅當(dāng)可信度值低于某個(gè)閾值時(shí)，個(gè)體才做真實(shí)的適應(yīng)度計(jì)算。實(shí)驗(yàn)結(jié)果顯示，相似性評(píng)價(jià)策略計(jì)算得到的個(gè)體適應(yīng)度值接近真實(shí)的適應(yīng)度值，并且改進(jìn)的算法求得最優(yōu)解需要的評(píng)價(jià)次數(shù)明顯要少于傳統(tǒng)遺傳算法，而在測(cè)試準(zhǔn)測(cè)上的數(shù)據(jù)表明：提出的改進(jìn)遺傳算法相對(duì)于傳統(tǒng)遺傳算法，性能較好且求得的最優(yōu)解也較為理想。遺傳算法相似性評(píng)價(jià)交叉算子0　引　言圖1　遺傳算法模型遺傳算法GA(Geneticalgorithm)是一種借鑒生物界的進(jìn)化規(guī)律(適者生存、優(yōu)勝劣汰遺傳

件下的糧食生產(chǎn)適應(yīng)度評(píng)價(jià) ——以內(nèi)蒙古烏蘭察布市為例孫雪萍1，2，3，蘇筠3(1.中國(guó)科學(xué)院地理科學(xué)與資源研究所， 北京 100101； 2.中國(guó)科學(xué)院大學(xué)， 北京 100049；3. 北京師范大學(xué)地理學(xué)與遙感科學(xué)學(xué)院， 北京 100875)摘要：基于年際間降水波動(dòng)性與糧食生產(chǎn)穩(wěn)定性之間的關(guān)系，提出了糧食生產(chǎn)適應(yīng)度評(píng)價(jià)的概念模型，并建立評(píng)價(jià)標(biāo)準(zhǔn)，將糧食生產(chǎn)適應(yīng)度分為1～4級(jí)。以位于北方干旱半干旱雨養(yǎng)農(nóng)業(yè)區(qū)的內(nèi)蒙古烏蘭察布市為例，選取烏蘭察布市1959—20

通過(guò)將種群平均適應(yīng)度和整體最優(yōu)位置適應(yīng)度的比值作為適應(yīng)度函數(shù)，并引入了加速系數(shù)；得到改進(jìn)的粒子群優(yōu)化聚類算法既能夠充分參考當(dāng)前粒子的最優(yōu)信息，也參考了所有個(gè)體的最優(yōu)信息和當(dāng)前最優(yōu)粒子有限鄰居的最優(yōu)信息，在進(jìn)化過(guò)程中可以通過(guò)新的適應(yīng)度函數(shù)自適應(yīng)地調(diào)整全局搜索和局部搜索的比重對(duì)粒子的影響，對(duì)算法收斂速度影響較小的前提下較好地提高了收斂精度。最后，選取了4組具有不同分布特征的Benchmark函數(shù)作為驗(yàn)證函數(shù)，試驗(yàn)結(jié)果表明,新算法具有較好的收斂特性。關(guān)鍵詞:粒子

行改進(jìn)，建立了適應(yīng)度函數(shù)的基本模型。最后，對(duì)采摘機(jī)器人的性能進(jìn)行了測(cè)試，通過(guò)測(cè)試發(fā)現(xiàn)：機(jī)器人可以成功地躲避障礙物，且能夠完成最短路徑規(guī)劃，規(guī)劃反應(yīng)時(shí)間短、可靠性高。關(guān)鍵詞：采摘機(jī)器人；模糊控制；遺傳算法；移動(dòng)路徑；修正項(xiàng)；適應(yīng)度0引言自主導(dǎo)航能力是提高采摘機(jī)器人智能化和自動(dòng)化水平的基礎(chǔ)。理想的采摘機(jī)器人應(yīng)當(dāng)同時(shí)具備幾種能力，當(dāng)機(jī)器人處于未知環(huán)境中時(shí)，機(jī)器人面對(duì)復(fù)雜動(dòng)態(tài)變化的環(huán)境，可以通過(guò)探索達(dá)到期望的目標(biāo)位置，同時(shí)消耗能量少、移動(dòng)路徑短、所用時(shí)間少。傳統(tǒng)的

設(shè)中的吻合度、適應(yīng)度和保障度 —— 以安徽本科院校為例朱躍， 戚濤(安徽大學(xué) 外語(yǔ)學(xué)院， 合肥 安徽230601)戚濤(1969-)，男，教授。研究方向：外國(guó)語(yǔ)言文學(xué)。[摘要]課程建設(shè)是培養(yǎng)人才的核心要素。在英語(yǔ)類專業(yè)課程建設(shè)中，要確保人才培養(yǎng)目標(biāo)與課程體系的吻合度、課程設(shè)置與社會(huì)需求的適應(yīng)度以及課程設(shè)置與師資隊(duì)伍和教學(xué)資源的保障度，以提高人才培養(yǎng)質(zhì)量。[關(guān)鍵詞]課程建設(shè); 吻合度；適應(yīng)度；保障度1.0 引言2013年教育部新的一屆外國(guó)語(yǔ)言文學(xué)類專業(yè)教學(xué)指

其性質(zhì)．當(dāng)相對(duì)適應(yīng)度01時(shí),隨著r的增加,環(huán)路的固定概率增加了,而平均固定時(shí)間卻減少了．環(huán)路;平均固定時(shí)間;進(jìn)化圖;固定概率進(jìn)化圖由Lieberman、Hauert和Nowak[1]于2005年在《Nature》上提出．用一個(gè)有向圖來(lái)刻畫一個(gè)種群的動(dòng)態(tài)進(jìn)化[1-9]．有向圖中的頂點(diǎn)表示種群中的個(gè)體,個(gè)體間的相互作用由連接頂點(diǎn)的邊來(lái)表示．在每個(gè)時(shí)間步,按照一定的規(guī)則,隨機(jī)挑選一個(gè)個(gè)體進(jìn)行繁殖,每個(gè)個(gè)體被挑到的概率與其相對(duì)適合度、出度、入度、位置、圖的空間結(jié)構(gòu)

財(cái)務(wù)預(yù)警模型的適應(yīng)度函數(shù)。仿真對(duì)比發(fā)現(xiàn)，改進(jìn)的Z-Score財(cái)務(wù)預(yù)警模型其平均識(shí)別率高達(dá)96.33%，遠(yuǎn)遠(yuǎn)高于SVM算法和AdaBoost算法的平均識(shí)別率，改進(jìn)的算法極大地提升了Z-Score財(cái)務(wù)預(yù)警模型的預(yù)測(cè)能力，使其更具適應(yīng)性。關(guān)鍵詞： Z-Score模型；人群搜索算法；尋優(yōu)能力；數(shù)學(xué)模型；適應(yīng)度中圖分類號(hào)：F275；F224文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-7217（2015）02-0066-05一、引言當(dāng)前，國(guó)際金融危機(jī)導(dǎo)致我國(guó)很多上市公司受到很大

模型，并引入了適應(yīng)度［17］的概念來(lái)描述三者之間的適應(yīng)程度，以實(shí)現(xiàn)每個(gè)故障任務(wù)的最優(yōu)分配。1 配電網(wǎng)搶修故障任務(wù)分配的基本策略假定初始全局搶修任務(wù) T=｛t1，t2，…，tj，…，tn｝由n 個(gè)故障任務(wù)組成，搶修小隊(duì)集合 R=｛r1，r2，…，ri，…，rq｝有 q 個(gè)搶修小隊(duì)，物資倉(cāng)庫(kù)集合 W=｛w1，w2，…，wk，…，wp｝由p個(gè)物資倉(cāng)庫(kù)組成?，F(xiàn)要求依據(jù)一定的分配原則將全局搶修任務(wù)T分配給搶修小隊(duì)集合R和物資倉(cāng)庫(kù)集合W。對(duì)于搶修小隊(duì)集合R，各個(gè)搶修小

互環(huán)境下，通過(guò)適應(yīng)度的改變知識(shí)主體群落最終生成知識(shí)主體區(qū)室群落進(jìn)而實(shí)現(xiàn)知識(shí)創(chuàng)新的知識(shí)生成過(guò)程，互動(dòng)模型模擬了知識(shí)主體適應(yīng)度逐漸增強(qiáng)的具體變化過(guò)程。該系統(tǒng)運(yùn)行機(jī)制模型有助于知識(shí)主體優(yōu)化知識(shí)管理策略，提升持續(xù)性的知識(shí)創(chuàng)新能力，為進(jìn)一步研究知識(shí)涌現(xiàn)與創(chuàng)新提供參考?！碴P(guān)鍵詞〕復(fù)雜適應(yīng)系統(tǒng)；適應(yīng)度；知識(shí)涌現(xiàn)；運(yùn)行機(jī)制；模型知識(shí)經(jīng)濟(jì)時(shí)代，不論人們對(duì)知識(shí)經(jīng)濟(jì)持何種態(tài)度，知識(shí)創(chuàng)新已經(jīng)成為個(gè)人、組織、國(guó)家核心競(jìng)爭(zhēng)力的源泉。因而知識(shí)創(chuàng)新越發(fā)呈現(xiàn)出復(fù)雜系統(tǒng)、動(dòng)態(tài)演變、適應(yīng)性等特

體中各個(gè)個(gè)體的適應(yīng)度；（3）交叉操作；（4）變異操作；（5）選擇操作，得到下一代群體；（6）如果t﹤T，t=t+ 1，轉(zhuǎn)到（2），如果t=T，結(jié)束運(yùn)算，將運(yùn)算過(guò)程中得到的適應(yīng)度最大的個(gè)體（即最優(yōu)解）輸出.其中，適應(yīng)度函數(shù)和群體規(guī)模、交叉概率、變異概率等參數(shù)對(duì)算法的性能有很大影響[4]79-83，如何確定得更合理一直是人們的研究方向.通過(guò)研究對(duì)適應(yīng)度函數(shù)、交叉概率和變異概率對(duì)遺傳算法性能的影響，本文提出一種自適應(yīng)的遺傳算法，使得群體進(jìn)化速度更快，并能避免發(fā)生

63改進(jìn)的乘冪適應(yīng)度函數(shù)在遺傳算法中的應(yīng)用楊水清，楊加明，孫超南昌航空大學(xué)飛行器工程學(xué)院，南昌 330063在遺傳算法優(yōu)化過(guò)程中，引導(dǎo)搜索的主要依據(jù)是適應(yīng)度函數(shù)。通過(guò)評(píng)估常見的幾種適應(yīng)度函數(shù)，兼顧保持種群的多樣性和算法的收斂性，由乘冪尺度變換，提出了一種改進(jìn)的乘冪適應(yīng)度函數(shù)。以三個(gè)典型的測(cè)試函數(shù)為例，在相同遺傳操作和參數(shù)情況下，分別采用常見的與改進(jìn)的適應(yīng)度函數(shù)進(jìn)行優(yōu)化比較。結(jié)果表明，所改進(jìn)的乘冪適應(yīng)度函數(shù)能明顯提高算法的收斂精度、收斂速度和收斂穩(wěn)定性，對(duì)提

最終的最優(yōu)個(gè)體適應(yīng)度小于實(shí)際最優(yōu)個(gè)體適應(yīng)度。由于現(xiàn)實(shí)條件制約，種群規(guī)模有限且一般保持一定，遺傳算法的選擇操作會(huì)保護(hù)優(yōu)秀個(gè)體，使種群多樣性降低，而種群多樣性越小，則越不可能產(chǎn)生更優(yōu)子代，將導(dǎo)致算法停滯，因此可能只搜索到局部最優(yōu)解，從而引起早收斂現(xiàn)象。由此可見，算法的早收斂與種群的多樣性有直接的關(guān)系，要解決早收斂現(xiàn)象，就是盡可能保證種群的多樣性[5]。1.2 早收斂現(xiàn)象的應(yīng)對(duì)遺傳算法存在一個(gè)比較矛盾的問(wèn)題:為保證能全局收斂、避免早收斂，必須要保證種群個(gè)體的多樣

集?！娟P(guān)鍵詞】適應(yīng)度 反垃圾郵件 數(shù)據(jù)挖掘【中圖分類號(hào)】TP3【文獻(xiàn)標(biāo)識(shí)碼】A【文章編號(hào)】1672-5158（2013）02-0163-02該遺傳算法生成的模型建立在解決垃圾郵件的數(shù)據(jù)分析的新方法基礎(chǔ)上。在模型的決策樹上，每個(gè)結(jié)點(diǎn)數(shù)據(jù)被設(shè)計(jì)成擁有一個(gè)隨機(jī)系數(shù)，這樣的話，數(shù)據(jù)與系數(shù)相乘成為判斷該項(xiàng)數(shù)據(jù)記錄是否代表郵件合法的確定性權(quán)重。這里的系數(shù)基于Ephemeral Random Constants（ERC），是特定于數(shù)學(xué)建模的遺傳算法生成的隨機(jī)數(shù)。該系數(shù)的

中，我們一般用適應(yīng)度函數(shù)來(lái)評(píng)價(jià)種群中個(gè)體的優(yōu)劣程度。通常個(gè)體越好適應(yīng)度越高，個(gè)體越差適應(yīng)度越低。在遺傳算法的設(shè)計(jì)中，常常用到原始適應(yīng)度函數(shù)和標(biāo)準(zhǔn)適應(yīng)度函數(shù)這兩種適應(yīng)度函數(shù)。其中，原始適應(yīng)度函數(shù)是將問(wèn)題的目標(biāo)函數(shù)作為適應(yīng)度函數(shù)，常常用于求解極大值問(wèn)題。然而在許多現(xiàn)實(shí)問(wèn)題中，求解目標(biāo)往往需要的是求解某個(gè)函數(shù)的極小值，因而需要我們將其轉(zhuǎn)化為極大值并且適應(yīng)度值為非負(fù)。通常情況下它有以下三種轉(zhuǎn)化形式：上式中：x是一代種群，f( x)是適應(yīng)值函數(shù)；μ(x)是問(wèn)題的目標(biāo)

件計(jì)算候選解的適應(yīng)度;3)根據(jù)適應(yīng)度決定保留或放棄候選解;4)對(duì)保留的候選解進(jìn)行遺傳操作，生成新的候選解。遺傳算法上述特征以一種特殊的方式組合在一起:基于染色體群的并行搜索。這就使得遺傳算法區(qū)別于其他搜索算法，像油料保障路徑優(yōu)化類的路徑探索，遺傳算法就是一個(gè)很好的選擇。1 遺傳算法的基本概念1.1 遺傳算法基本概念遺傳算法(Genetic Algorithm，簡(jiǎn)稱GA)是模仿達(dá)爾文生物進(jìn)化論和孟德爾遺傳學(xué)機(jī)理的隨機(jī)全局探索和優(yōu)化方法，適合于解決復(fù)雜系統(tǒng)優(yōu)化

，用已設(shè)計(jì)好的適應(yīng)度函數(shù)計(jì)算當(dāng)前群體中每個(gè)染色體的適應(yīng)度值，系統(tǒng)根據(jù)問(wèn)題域中個(gè)體的適應(yīng)度大小選擇新的染色體，使用選擇算子將適應(yīng)度高的染色體選擇進(jìn)入下一代，然后再利用這些已選擇的染色體進(jìn)行交叉、變異等操作，產(chǎn)生出代表新的解集的群體P(t)。上述生成新群體P(t)的過(guò)程不斷重復(fù)，直到找到問(wèn)題的解滿足用戶的要求為止。由于交叉、變異后產(chǎn)生的新種群與其父種群相比，更能適應(yīng)于環(huán)境，當(dāng)算法結(jié)束后，將末代種群中包含的最優(yōu)個(gè)體進(jìn)行解碼即可得到問(wèn)題的較優(yōu)解。遺傳算法通過(guò)計(jì)算比

種群、計(jì)算個(gè)體適應(yīng)度、個(gè)體選擇、交叉、變異6個(gè)步驟，本文在DNA編碼、初始化種群、遺傳操作、控制參數(shù)等方面都提出了自己的方案，經(jīng)過(guò)優(yōu)化后可以得到較好的效果[4－5]．具體優(yōu)化過(guò)程如下:3．1 DNA 編碼傳統(tǒng)的編碼方式都是采用二進(jìn)制編碼，二進(jìn)制編碼方式編碼過(guò)長(zhǎng)造成搜索空間過(guò)大，速度較慢．本文采用分段的DNA編碼方式，采用DNA編碼方式可以減少一半編碼長(zhǎng)度，大大克服了二進(jìn)制編碼的缺點(diǎn)．同時(shí)分段的方式可以滿足多重約束目標(biāo)的組合優(yōu)化的需要，每段編碼可以對(duì)應(yīng)相應(yīng)的

的非線性的動(dòng)態(tài)適應(yīng)度函數(shù)[4]，使得對(duì)種群中個(gè)體的評(píng)價(jià)更為合理，從而保證算法的收斂性，避免早熟，提高全局搜索能力。1 相關(guān)算法1.1 OTSU分割方法1979 年，N.OTSU提出最大類間方差法（稱為OTSU法），是一種性能良好的自動(dòng)閾值選擇方法，直接計(jì)算出閾值，不需要對(duì)直方圖做預(yù)處理，計(jì)算簡(jiǎn)單，穩(wěn)定有效，優(yōu)于其他閾值化算法，受到廣泛關(guān)注。它的基本思想是以某一灰度值為閾值將圖像中的像素分成兩類，計(jì)算它們的方差。差值越大，目標(biāo)和背景之間的差異越大，差值最大時(shí)

權(quán)，構(gòu)造了兩種適應(yīng)度函數(shù)：加權(quán)向量和方向圖參數(shù)。為提高旁瓣抑制性能并改善優(yōu)化效率，對(duì)常規(guī)的只使用一種適應(yīng)度函數(shù)的遺傳方法進(jìn)行了改進(jìn)，提出將優(yōu)化過(guò)程分為兩個(gè)階段，且分別使用加權(quán)向量和方向圖參數(shù)作為適應(yīng)度函數(shù)。仿真結(jié)果表明，與常規(guī)遺傳方法相比，本文的改進(jìn)遺傳方法不僅大大提高了優(yōu)化效率，且得到了更好的旁瓣抑制效果。2. 基于改進(jìn)遺傳算法的子陣級(jí)加權(quán)的優(yōu)化2.1 陣列模型設(shè)由M個(gè)全向陣元組成的平面陣位于xoy平面上，其中第1個(gè)陣元位于坐標(biāo)原點(diǎn)為參考陣元，第m(m=

先提出一種基于適應(yīng)度權(quán)重的改進(jìn)粒子群算法，該算法能夠根據(jù)群中粒子收斂情況動(dòng)態(tài)地調(diào)整構(gòu)成粒子運(yùn)行速度。然后將已提出的改進(jìn)粒子群算法與K-means算法結(jié)合，使結(jié)合后的聚類算法取改進(jìn)粒子群算法之所長(zhǎng)，補(bǔ)K-means算法之所短。通過(guò)分析證明，在算法的有效性和算法效率上比其他算法都有明顯的提高。關(guān)鍵詞：粒子群算法；聚類算法1. 引言粒子群優(yōu)化(Particle Swarm Optimization，PSO)是一種群智能(Swarm Intelligence)方法

存在如下問(wèn)題：適應(yīng)度函數(shù)難以建立；協(xié)作難以達(dá)到全局最優(yōu)。為此，本文作者針對(duì)非結(jié)構(gòu)化的環(huán)境和多樣化復(fù)雜任務(wù)的異構(gòu)多智能體系統(tǒng)協(xié)作效用最大化問(wèn)題，提出1種基于子域適應(yīng)度評(píng)估的合作協(xié)進(jìn)化協(xié)作算法，克服了合作協(xié)進(jìn)化算法在解決復(fù)雜多智能體系統(tǒng)協(xié)作問(wèn)題時(shí)存在的通信量過(guò)于繁重、適應(yīng)度函數(shù)難以建立等問(wèn)題。1 合作協(xié)進(jìn)化算法合作協(xié)進(jìn)化算法模擬自然界種群之間的協(xié)進(jìn)化機(jī)制，對(duì)所有種群進(jìn)行并行進(jìn)化，優(yōu)化種群之間的合作。在多智能體系統(tǒng)中采用合作協(xié)進(jìn)化算法對(duì)智能體之間的行為進(jìn)行自適應(yīng)

作算子的改進(jìn)、適應(yīng)度評(píng)價(jià)函數(shù)的科學(xué)設(shè)計(jì)以及交叉和變異概率的自適應(yīng)調(diào)整來(lái)降低圖像分割產(chǎn)生的誤差。計(jì)算機(jī)仿真結(jié)果證明,該算法能夠取得較好的圖像分割效果。關(guān)鍵詞:目標(biāo)識(shí)別;圖像分割;自適應(yīng);遺傳算法;適應(yīng)度中圖分類號(hào):TP391圖像分割是圖像分析和目標(biāo)識(shí)別中的關(guān)鍵技術(shù)之一。圖像分割過(guò)程中,難免會(huì)產(chǎn)生一些誤差。這些誤差將直接影響到圖像處理的效果和目標(biāo)識(shí)別的準(zhǔn)確性,如何使這些誤差降到最小是圖像分割的重要指標(biāo)。遺傳算法作為一種概率搜索的尋優(yōu)算法,因其在解決非線性問(wèn)題上

和變異概率是隨適應(yīng)度自動(dòng)改變的,此方法能夠采用相對(duì)某個(gè)解的最佳交叉概率和變異概率。自適應(yīng)遺傳算法不但能維持種群的多樣性,而且還保證了遺傳算法的收斂性[1]。自適應(yīng)遺傳算法的缺點(diǎn)[2]:自適應(yīng)遺傳算法比較適用于進(jìn)化的后期,對(duì)于進(jìn)化的初期很不利。因?yàn)樵谶M(jìn)化初期,一些適應(yīng)度較好的個(gè)體會(huì)處于一種幾乎不變化的狀態(tài),從而導(dǎo)致種群中的其它個(gè)體很快被淘汰,加快了種群的收斂速度,但種群卻很難收斂到全局最優(yōu)解,最終出現(xiàn)早熟收斂。2 自適應(yīng)遺傳算法的改進(jìn)1994年,Sriniv

）、控制參數(shù)、適應(yīng)度函數(shù)（fitness function）、遺傳算子（genetic operator）。 編碼機(jī)制是GA的基礎(chǔ)，GA不是對(duì)研究對(duì)象直接進(jìn)行討論，而是通過(guò)某種編碼機(jī)制將對(duì)象統(tǒng)一賦予按一定順序排列成串的特定符號(hào)（字母）。在GA中適應(yīng)度函數(shù)描述每個(gè)個(gè)體的適宜程度。遺傳算子中最重要的有3種：選擇（selection）、交換 （crossover）和變異 （mutation）。通過(guò)選擇使適應(yīng)度大即優(yōu)良的個(gè)體有較大的存在機(jī)會(huì)，而適應(yīng)度小即低劣的個(gè)體