基于混沌遗传算法的PHEV能量管理策略优化

提出了一种新的混沌遗传算法,改进了混沌映射和遗传算法的结合方式,使种群在进化的过程中能够混沌搜索解空间,从而增强遗传算法的遍历性.该算法有效地克服了遗传算法局部收敛的缺陷.在软件ADVISOR2002中,以一辆采用模糊能量管理策略的插电式混合动力电动汽车(Plug-in Hybrid Electrical Vehicle,PHEV)为研究对象,应用该混沌遗传算法对其隶属函数和控制规则进行了优化.仿真结果表明,该算法可以实现对模糊控制器的全局优化.与原模糊控制策略相比,优化后的燃油经济性提高了5.15%,CO排放减少了6.39%.     

基于遗传算法的并联式混合动力汽车控制策略优化

并联式混合动力汽车是一个高度复杂的非线性系统,控制策略参数的设定对汽车性能有着重大影响﹒通过AMESim软件,建立整车动态性能仿真分析模型,以百公里油耗和排放指标为优化目标,运用遗传算法,针对NEDC工况,对混合动力系统的控制策略参数进行优化﹒结果表明,优化后的汽车燃油经济性提高了9.3%,NOx,HC和CO分别减少了7.6%,4.9%和8.2%.     

基于自适应混合引力搜索算法的混沌系统参数辨识

针对混沌系统未知参数的辨识问题,结合人工蜂群搜索算子和混沌优化策略,提出一种自适应混合引力搜索算法,并应用于混沌系统未知参数的优化辨识.利用混沌序列初始化种群以增强搜索初期的遍历性,基于人工蜂群搜索算子进行变异操作以提高算法的局部寻优能力,依据粒子的性能对进化过程中的万有引力系数进行自适应调整,有效避免了早熟收敛,提高了算法的整体寻优性能.以测试函数和典型混沌系统为例进行仿真实验,结果证明该算法具有良好的全局探测和局部开发能力,与遗传算法、粒子群算法、量子粒子群算法和引力搜索算法比较,其对混沌系统参数的估计具有相对较高的辨识精度和收敛速度,算法的有效性得到了验证.     

基于混沌遗传算法的QoS组播路由

针对遗传算法在搜索最优组播树的过程中易发生早熟收敛的缺点,提出一种抑制早熟的混沌遗传算法.利用混沌的随机性和遍历性,将混沌扰动算子加入到遗传算法的操作中,当判断种群有早熟发生时,就对该种群进行类似变异的混沌扰动操作,从而增加了种群的多样性,既保留遗传算法的全局搜索能力又能有效改善算法性能.仿真结果表明,该算法能克服早熟收敛的缺点,又能快速、有效地构造出满足QoS约束要求的最优组播树.     

自适应混沌遗传混合算法及其参数敏感性分析

提出自适应搜索空间的混沌遗传混合算法.该方法不同于一般的混沌遗传混合算法,它在遗传进化的过程中根据群体多样性测度引入混沌算子,并从全局搜索空间以随机概率解析出优秀解域,对个体分两个区域进行混沌扰动:优秀解域细搜索和全局解域大扰动.数值仿真表明该算法既加快了收敛速度又提高了收敛精度,解决了传统遗传算法的早熟问题.     

电力辅助型混合动力汽车参数设计与仿真

为了提高整车经济和排放性能,提出了一种以电力辅助型混合动力系统为研究对象,采用考虑汽车总成质量确定动力总成参数的方法.利用仿真软件ADVISOR对动力系统进行燃油经济性和动力性仿真.仿真结果表明,在同等循环工况下采用了考虑总成质量确定总成参数的动力系统较传统方法确定总成参数的动力系统整车燃油经济性提高8.47%,HC,CO,NOx,排放分别减少9.71%,6.22%,6.39%.     

基于自适应搜索的人工蜂群算法

针对基本的人工蜂群算法(basic Artificial Bee Colony algorithm,ABC)收敛速度慢和容易陷于局部最优等不足,采用混沌算子和逆向学习算子相混合的初始化种群的方法,有效地改进了初始种群的多样性;在雇佣蜂和观察峰的位置更新上,提出了自适应搜索算子.改进后的算法(Improved ABC,IABC)测试了5个标准单峰或多峰函数,结果表明,IABC算法在搜索效率、最优解质量、稳定性均优于ABC算法.     

基于Pareto最优原理的混合动力汽车多目标优化

介绍了混合动力汽车（HEV）相关知识,建立了以最小化燃油消耗、HC+NOx排放量和CO排放量为目标的3目标优化模型,提出了基于Pareto最优原理的混合动力汽车多目标优化进化算法.该算法采用实数编码,以ADVISOR为HEV的仿真软件获得各候选方案目标值,基于Pareto支配性原理判定候选方案的优劣,并设计了可以调整待优化变量有效位的机制以保证优化所得的候选方案具有可实现性.针对不同车型的仿真实验结果表明,所提出的算法能够较好地解决混合动力汽车多目标优化问题,可以获得一组具有低燃油消耗与低污染物排放的Pareto最优解供决策者选择.     

混沌伪并行遗传算法及其在火力分配优化中的应用

剖析了混沌模型的随机性、遍历性和初值敏感性的特点,提出了多种群伪并行混沌遗传算法.把多群体伪并行进化的并行性和混沌运动的内在随机性结合起来,利用不同的混沌扰动策略,把混沌变尺度映射机理应用到种群初始化和中间群体的优化进化实现函数优化.仿真结果表明,混沌伪并行遗传算法比伪并行遗传算法和简单遗传算法具有更快的收敛速度和更高的最优解搜索成功率,可对火力分配进行优化.     

并联式混合动力逻辑门限控制参数智能优化

为提高并联式混合动力汽车的燃油经济性和降低其废气排放量,采用基于自适应混沌粒子群优化算法建立并联式混合动力汽车控制优化模型,对其逻辑门限控制参数进行优化,并与PSO算法和GA算法的优化结果进行比较;利用ADVISOR仿真软件对其优化参数进行仿真验证,并对其逻辑门限控制参数优化前的仿真结果与自适应混沌粒子群优化后的仿真结果进行对比.研究结果表明:自适应混沌粒子群优化算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题;100km油耗至少可降低12％,HC排放量可降低6％,CO排放量可降低5％,NOx排放量可降低8％.     

混沌变步长量子遗传算法

针对多数量子遗传算法在搜索解时没有充分利用搜索过程中的先验知识的问题,结合混沌运动的遍历性和量子遗传算法的群体搜索性,提出一种基于混沌变尺度梯度下降的量子遗传算法.算法采用梯度下降法对量子遗传操作获得的优良个体进行局部搜索,引导种群的进化.结合混沌优化策略产生自适应步长,在搜索初期加快寻优速度,随着搜索逐渐接近最优点,混沌产生的小步长实现在最优解所在的小范围内进行精确搜索.实验结果表明,该方法的综合性能优于传统的量子遗传算法及遗传算法.     

全局混沌蝙蝠优化算法

为提高蝙蝠算法进行特征选择的正确率,提出全局混沌蝙蝠优化算法(GCBA).首先,GCBA采用混沌映射方法使种群的初始化能够遍历整个解空间,获取蝙蝠初始的最优位置,使其具有更加丰富的种群,解决了初始化种群随机性的问题.同时,GCBA引入当前粒子的最优解和当前种群的最优解跳出局部最优解,可有效避免算法早熟,有利于提高算法的全局搜索能力.蝙蝠算法(BA)、粒子群算法(PSO)与遗传算法(GA)在10个数据集上的测试结果表明,所提算法具有更高的分类精度和更强的跳出局部最优的能力.     

改进混沌优化算法在二级倒立摆控制中的应用

针对二级倒立摆模糊控制器需要对大量参数进行调整,以及可能出现的规则爆炸问题,本文提出了一种基于混沌优化的模糊控制器的设计方法。将常规模糊控制器进行加权变论域处理,并且对常规混沌优化方法进行改进,采用新的二次载波方式将优化变量转变成混沌变量,通过混沌搜索的方式对当前工作点进行扰动,在搜索过程中通过时变参数的初始值的设定逐渐减少扰动幅度。本文使用Matlab/Simulink对二级倒立摆进行优化仿真研究,分析比较了各种方法的控制效果。结果表明模糊控制器经过混沌搜索的优化后,具有良好的鲁棒性好和适应性。本文提出的改进的混沌优化算法对多变量快速时变系统的模糊控制器的设计提供了一种有效的改进方法。     

基于Tent映射NSGA-II算法的微电网多目标优化方法

为提高微电网运行的经济性、降低网络中的碳排放量和有功功率损耗,文中提出一种基于Tent混沌映射NSGA-II算法的微电网能量优化管理方法。该方法采用双层能量优化管理：上层采用模糊管理系统确定微电网运行模式,下层采用改进NSGA-II算法对能量进行优化管理。首先在多约束条件下,建立以微电网运行经济性、网络中碳排放量和有功功率损耗为目标函数的多目标优化数学模型。其次在多目标优化数学模型求解过程中,引入Tent混沌映射方法来增加NSGA-II算法的种群多样性,以提高算法的全局搜索能力,同时利用隶属度函数确定微电网能量优化管理策略。最后运用欧洲一典型微电网作为算例,验证所提出的能量管理方法、容量配置优化模型以及改进NSGA-II算法的合理性和有效性。仿真结果表明：改进NSGA-II算法具有良好的优化效果,使得微电网运行的经济性得到了显著提升,较传统算法提高了14.55%;碳排放量有所降低,较传统算法减小了3.10%,可实现对微电网多目标的优化。     

多目标遗传算法在机器人路径规划中的应用

针对具有多个优化目标的机器人全局路径规划问题，提出一种改进的多目标优化遗传算法。在初始群体的生成中，采用把随机法和基于问题先验知识的启发式方法相结合的策略，以加快收敛速度；在遗传算子的设计中，引入删除、修复和平滑算子，以提高算法的搜索效率；在选择算子中。加入避免外部存储器中出现相同个体的机制，以防止早熟收敛。仿真结果表明：该文算法运行一次能够有效地产生一组近似Pareto最优路径解。     

面向多目标柔性作业车间调度的强化学习NSGA-II算法

针对非支配排序遗传算法 (NSGA-II, non-dominated sorting genetic algorithm II)在求解柔性作业车间多目标优化调度问题中多样性不足、易于早熟与局部收敛的缺点,提出一种基于强化学习的改进NSGA-II算法(RLNSGA-II, reinforcement learning non-dominated sorting genetic algorithm II)。为避免NSGA-II陷入局部收敛问题引入双种群进化策略,利用性别判定法将种群拆分为两个种群,并在进化过程中采用不同的交叉变异算子,增加算法的局部和全局搜索能力;为解决NSGA-II精英策略造成多样性不足的问题,融合多个多样性度量指标,利用强化学习动态优化种群迭代过程中的拆分比例参数以保持多样性,改善算法收敛性能。最后通过Kacem标准算例进行了仿真实验与性能分析,验证了RLNSGA-II的有效性与优越性。     

基于改进免疫遗传算法的水电站优化调度应用研究

根据免疫算法的生物学机理,提出了一种改进的免疫遗传算法.该算法将微粒群算法作为免疫算法的全局搜索策略,提高算法的全局搜索能力;利用逐步优化算法对免疫算法的控制策略进行进化操作,提高算法的局部搜索能力;利用免疫算法本身基于浓度的自我调节机制,提高群体的多样性,避免算法过早陷入局部最优解.最后给出了该算法实现的具体步骤,并将其应用于水电站的优化调度中,取得了较为满意的结果,且与动态规划、遗传算法、免疫算法和微粒群算法等比较,验证了算法的有效性和优越性.     

Genetic-fuzzy HEV control strategy based on driving cycle recognition

A genetic-fuzzy HEV control strategy based on driving cycle recognition (DCR) was built. Six driving cycles were selected to represent different traffic conditions e.g. freeway, urban, suburb. A neural algorithm was used for traffic condition recognition based on ten parameters of each driving cycle. The DCR was utilized for optimization of the HEV control parameters using a genetic-fuzzy approach. A fuzzy logic controller (FLC) was designed to be intelligent to manage the engine to work in the vicinity of its optimal condition. The fuzzy membership function parameters were optimized using the genetic algorithm (GA) for each driving cycle. The result is that the DCR_fuzzy controller can reduce the fuel consumption by 1.9%, higher than only CYC_HWFET optimized fuzzy (0.2%) or CYC_WVUSUB optimized fuzzy (0.7%). The DCR_fuzzy method can get the better result than only optimizing one cycle on the complex real traffic conditions.     

蚁群优化算法在发电机励磁控制中的应用研究

针对现有发电机励磁控制器参数优化中存在的寻优时间长、易陷入局部最优的问题,提出了一种引入杂交及变异算子的蚁群算法。该算法利用蚁群算法良好的全局寻优能力,避免搜索陷入局部最优,同时借鉴遗传算法的思想,利用杂交及变异算子来进行局部寻优,使其能快速搜索到全局最优点。MATLAB仿真结果表明,该算法可行且有效。