非接触电能传输系统参数优化的改进遗传解法

为了解决非接触电能传输系统设计中的参数优化问题,提出了一种混合改进遗传解法.首先建立了非线性规划数学模型,其中对频率稳定性约束条件进行了修正;其次在遗传算法中采用虫口模型产生优良的混沌初始种群,采用"两次归一化"来处理目标及约束函数,并利用可行性规则代替罚函数法来选择优良个体以减少额外的经验参数;最后设计了均匀变异加高斯变异的混合变异算子以提高算法的全局搜索能力.仿真及实验结果表明:改进后的算法能够较好地突破局部最优解的限制,较快地找到了系统的全局最优参数;优化后的系统达到了设计要求,且对于负载在约束范围内的动态大范围变化有较强的鲁棒性,如当负载增大为原来的2倍时,输出电压及原边电流的大小及频率基本保持不变.     

格雷码混合加速遗传算法及其性能分析

通过在格雷码遗传算法进化过程中加入单纯形法学习算子,并利用格雷码遗传算法和单纯形法所得到的优秀个体群,作为变量新的变化范围,逐步缩小搜索空间,自动向最优解收缩,提出了求解非线性规划问题全局解的一种快速算法--格雷码混合加速遗传算法(GHAGA).为了在可行域内能得到全局最优解,在参数的定义域内投放了大量的均匀随机初始点作为初始群体.给出了GHAGA算法实施的详细步骤,建立了GHAGA相应的收敛定理,并分析了该算法的全局优化性能.理论分析和数值模拟表明,GHAGA具有精度高、收敛速度快的特点,是一种既可以较大概率搜索全局最优解,又能进行局部细致搜索的较好的非线性规划方法.     

基于数据挖掘技术的全局优化算法

在过程系统综合中,许多问题属于非线性规划(NLP)和混合整数非线性规划(MINLP)范畴.它们大都具有奇异、多峰、刚性等特性.人们很难有效地得到它们稳定的全局最优解.而知识性、经验性约束使基于梯度方向的Newton方法无法有效地获取该类问题的全局最优解.通常只能得到该类问题的局部最优解.遗传算法的随机性虽为求取NLP和MINLP问题的全局最优解提供了可能,但是随机过程中的盲目性及"伪穷举"性却又限制了该算法的搜索效率.针对过程系统综合问题的特殊性,在信息提取技术对搜索空间进行充分数据挖掘的基础上,用遗传算法的随机扰动来跳出局部极值陷井,获得全局最优解.对反应器网络综合问题的求解,显示了信息提取技术与遗传算法相结合求取全局最优解的能力.     

基于神经网络和遗传算法的无功优化设计

无功优化是一个复杂的混合优化问题,传统方法较难获得全局最优解.文中提出了将并行遗传算法和Hopfield网络相结合的算法.该方法利用遗传算法的并行搜索和解空间搜索的优点进行网络参数的选取,并采用Hopfield网络简单、快速、规范的优点来优化样本空间,以取得整体的优化效率.     

一种快速遗传算法的性能分析

 针对遗传算法全局优化速度缓慢、搜索的效率对约束惩罚因子的选择有明显的依赖性等问题,介绍了一种能够从可行解空间和不可行解空间同时搜索、具有"精英"保持能力和采用已搜索解集避免了子代的"返祖"和退化现象的快速遗传算法.性能分析表明,该算法为1阶快速收敛的遗传算法,收敛速度优于其它3种算法,而且参数的选择对于算法的收敛速度没有本质的影响,一般在第5次迭代后即可找到全局最优解.     

基于混合遗传算法和神经网络的软硬件划分算法

在对比了Hopfield神经网络(Hopfield Neural Networks,HNN)和遗传算法(Genetic Algorithm,GA)各自特性的基础上,针对嵌入式系统和SoC的软/硬件双路划分问题,在时间性能的约束下,将系统功耗作为优化目标,提出了基于Hopfield神经网络和遗传算法的混合算法(GA_HNN).Hopfield神经网络快速求解的特性和遗传算法高效的全局搜索能力,使得GA_HNN算法能够跳出局部最优解而快速趋于全局最优解.最后通过实验仿真表明,GA_HNN算法与单一的Hopfield神经网络和遗传算法相比,不仅具有高速的搜索能力,而且还具有更好的节省功耗的优势.     

应用改进小生境遗传算法优化BLDCM调速系统的PI参数

本文以无刷直流电动机的转速控制器作为研究对象,应用改进的小生境遗传算法（INGA）对其PI参数进行了优化设计,该算法针对常规遗传算法很难搜索到全局最优解的缺点,通过将单纯形法与小生境遗传算法相结合形成了一种全局优化算法,并使用MATLAB软件进行了动态跟随性能的仿真实验,结果表明采用该算法确能优化调速系统的性能。     

无线传感网络改进混合移动代理路由的研究

移动代理路由的本质是一个多约束条件下的优化问题,针对遗传算法快速随机的全局搜索能力,但对于系统中反馈信息却无法利用、求精确解效率低的问题,本文提出了一种遗传蚁群混合算法的WSN移动代理路由方法.利用遗传算法快速随机的全局搜索能力找到较优解,将较优解代换成蚁群算法的初始信息素,最后采用蚁群算法收敛速度的优点,找到移动代理路由全局最优解.仿真结果表明,该算法能在较短的时间找到最优移动代理路由,相对于其他的路由算法,减少了网络延时和平均能量消耗,提高了数据传输的速度和效率.     

改进罚函数分级遗传算法及其在桁架结构优化设计中的应用

遗传算法在应用于结构优化设计时无需将约束条件显式表达,可以方便地处理各类位移和应力约束问题,因而在桁架结构的优化设计中得到广泛应用.基本遗传算法结合罚函数法在处理桁架结构优化设计等有约束优化设计问题时存在迭代代数过多、收敛不稳定等问题.文章提出根据种群中个体偏离约束限值的程度进行惩罚的罚函数法,能够较好地处理非可行解,扩大搜索的区域;通过分级、排序操作保证优秀个体优先被选择,良好的基因得以遗传;采用锦标赛选择方法根据个体的种群级别、约束偏离程度进行选择,在算法进化过程中较好地保持种群的多样性,避免陷入局部最优解陷阱.通过对2个经典的桁架结构案例进行算法可行性的验证,优化结果表明,相对于传统的遗传算法,采用文章的方法可以快速稳定地收敛到全局最优解,该方法可以推广到其他结构体系的优化设计中.     

求解一类非线性规划问题的混合遗传算法

提出了一种求解目标函数和约束条件均二阶可导的非线性规划问题的混合计算智能算法．该算法是把一种浮点数编码遗传算法和约束变尺度法相结合提高求取全局解的速度和概率．在该算法中，选择、交叉和变异等遗传操作算子是以非线性规划问题的一个惩罚函数为求解对象，目的是把解引向全局解附近，为约束变尺度算子提供初值；而约束变尺度算子直接以原非线性规划问题为求解对象，以发挥其局部搜索能力强的优点，数值实验表明，混合算法是一种可靠、高效的全局优化算法．     

禁忌粒子群算法在几何约束求解中的应用

约束问题可以转化为优化问题。针对粒子群优化算法在算法后期易陷入局部最优的缺点，本文提出禁忌粒子群优化算法（TPS0），在算法的前期采用粒子群算法快速产生全局最优解信息素的初始分布，后期引入禁忌搜索算法，记录已经达到的局部最优解，在下一次搜索中，不再或者有选择地搜索这些点，从而跳出局部最优点，并且在搜索过程中允许接受劣解，充分利用禁忌搜索的记忆能力及较强的爬山能力，大大提高了获得全局最优解的概率。该算法综合了粒子群优化算法的快速性、随机性和全局收敛性以及禁忌搜索局部寻优的能力。在确保全局收敛性的基础上，能够快速搜索到高质量的优化解。该方法用于几何约束求解的性能明显高于标准粒子群算法，算法具有良好的优化性能和时间性能。     

农村配电网开关的优化配置

为了克服应用传统遗传算法进行农村配电网开关优化配置时,由于遗传算法的"早熟"和局部寻优能力较差所导致的难以得到全局最优解的问题,将遗传算法与局部搜索能力较强的模拟退火算法相结合,以遗传算法为主,引进模拟退火算法产生新个体,形成遗传退火算法.同时,采用整数编码策略,以包含停电损失费用在内的总供电成本最小为目标函数,以节点电压、支路过负荷等为约束条件,RBTS-BUS6配电系统作为算例,将遗传退火算法应用于农村配电网开关优化配置.优化结果表明,遗传退火算法避免了遗传算法收敛过快的缺点,保证了所得解的全局最优性,求解精确解的质量优于遗传算法,是农村配电网开关优化配置强有力的工具.     

多流股换热器网络综合问题的优化算法设计

多流股换热器网络综合问题是一个混合整数非线性规划问题（MINLP），这类问题规模大、约束条件多，严重的非凸非线性使得目标函数存在多个局部最优解．传统的基于梯度的优化算法在求解时极易陷于局部最优．有鉴于此，本研究采用遗传算法解决此类问题，通过对遗传算法进行改进，针对简单遗传算法存在的早熟和运行参数难以确定的问题，设计了多样性保持算子和多种群进化的算法结构；计算时运行参数自适应确定，并把模拟退火算法思想引入遗传算法子代的生成中去．实例证明，采用所构造的算法可有效求解MINLP问题，并有利于寻求到全局最优解．     

利用改进的遗传算法求解非线性方程组

提出一种改进的求解非线性方程组的浮点遗传算法,算法通过把非线性方程组的求解问题转化为约束优化问题,然后将局部搜索信息引入遗传算法,通过改进的变异算子不断调整搜索区域,最终搜索到含有最优解的区域,再利用局部搜索信息提高解的精度.数值实验结果表明,改进后的浮点遗传算法具有较好的全局优化能力和局部搜索能力,且提高了求解的速度和解的精度.     

解非线性优化问题的混合加速遗传算法

通过在实码遗传算法进化过程中加入改进的步长加速学习算子，并利用实码遗传算法和步长加速法所得到的优秀个体群，作为变量新的变化范围，逐步缩小搜索空间，自动向最优解收缩，提出了求解不可微非线性函数全局解的一种新方法——混合加速遗传算法(HAGA)，给出了HAGA算法实施的详细步骤，建立了HAGA相应的收敛定理。理论分析和实例分析表明，HAGA具有准确、快速和适用性强等特点，是一种既可以较大概率搜索全局最优解，又能进行局部细致搜索的优秀非线性优化方法，可广泛应用于各种不可微函数优化问题中。     

基于改进PSO算法的电力系统机组优化组合

机组组合优化问题是一个大规模、多约束、非线性的混合整数规划问题，因此求解非常困难．粒子群优化（PSO）算法是一类随机全局优化技术，它通过粒子间的相互作用发现复杂搜索空间中的最优区域．采用二进制粒子群优化方法解决机组状态组合问题，用遗传算法结合启发式技术解决经济分配问题，并对最小开停机时间及启停费用进行了处理，使得运算速度大大加快．方法的可行性在10台机组系统中检验．模拟结果表明文章所提出的算法具有收敛速度快及解的质量高等优点．     

基于多群体遗传算法的非线性最小二乘估计

由于非线性模型参数估计理论广泛使用的传统牛顿类算法对初值的敏感性,以及简单遗传算法易陷入局部最优的问题,提出了一种多群体遗传算法,它采用多个群体执行遗传算法搜索解,并且能根据各个群体在较少迭代次数中找到的最优解动态调整参数域,提高了遗传算法的性能及搜索到的解是全局最优解的可靠性.实验结果表明:新的算法是一种有效的非线性...     

一种保证全局收敛的认知优化算法

文章针对传统社会认知优化算法全局收敛慢的问题,提出了一种保证全局收敛的认知优化算法。该算法应用Tent映射初始化知识库,提高初始解的质量;邻域搜索过程采用混沌搜索,增强算法跳出局部最优解的能力;通过增加混沌库来提高搜索的遍历性,实现和知识库协同寻优,从而构建为一种新的混沌混合认知优化算法;同时以Solis和Wets提出的随机算法收敛定理为基础,给出了该算法的全局收敛性证明。标准测试函数的仿真优化结果表明,该混合算法对非线性规划问题具有较强的求解能力,算法寻优效率高、全局性能好、优化结果稳定,性能明显优于标准认知优化算法。     

基于正交设计的免疫克隆遗传算法

针对遗传算法存在"早熟"及局部搜索能力弱等问题,提出一种基于正交设计的免疫克隆遗传算法,将正交实验设计原理、免疫克隆理论以及标准遗传算法有效结合起来,增强算法的收敛速度和搜索精度.对算法进行了验证,表明该算法求解精度高出几个数量级,寻找到全局最优解的次数明显增加.     

一种求解非线性规划问题的混合粒子群优化算法

粒子群优化算法(PSO)与其他演化算法相似,也是基于群体的·每一个粒子被随机初始化以表示一个可能的解,并在解空间追随最优的粒子进行搜索·提出一种基于改进的混合粒子群优化算法求解非线性约束规划方法·在介绍PSO算法基本原理的基础上,设计了约束适应度优先排序处理约束条件的方法,并通过动态邻域算子和可变惯性权重进行联合演化以求得全局最优解·对非线性规划例子的实例计算表明,该算法稳定性好,简单容易实现而又功能强大,易于掌握,对于多维非线性、复杂问题的求解具有普遍适用性·