强散射生物组织光学特性参数的重构

生物组织光学特性参数无损测量技术的研究在医学诊断和治疗中有着重要意义和广泛应用前景.为求取最优化的光学特性参数,基于准直激光束通过均匀生物组织时所形成的表面漫反射光分布,提出利用退火遗传算法重构生物组织的光学特性参数,用此方法成功地实现了对强散射均匀生物组织多个光学特性参数的联合重构.     

强散射生物组织光学特参数的重构

生物组织光学特性参数无损测量技术的研究在医学诊断和治疗中有着重要意义和广泛应用前景.为求取最优化的光学特性参数,基于准直激光束通过均匀生物组织时所形成的表面漫反射光分布,提出利用退火遗传算法重构生物组织的光学特性参数,用此方法成功地实现了对强散射均匀生物组织多个光学特性参数的联合重构.     

基于改进遗传算法的PID参数整定策略

针对简单遗传算法（SGA）收敛速度慢、易于早熟等缺点,在前人研究成果的基础上,提出动态调整搜索空间策略,对遗传算法进行多步渐进搜索。并采用改进的自适应交叉算子和自适应变异算子,结合兼顾性能指标和响应过程平衡的适配函数,以多种改进方式相结合的遗传算法对PID参数进行迭代寻优整定。仿真结果表明：当被控对象存在较大纯滞后、时间常数特性时,采用本方法优化PID控制器参数可获得比较满意的调节效果。     

生物组织热物性参数辩识的遗传优化

基于探针测量生物体有限个温度点来辩识热物性参数的理论,提出利用一种混合遗传算法来优化生物组织热物性参数,该混合遗传算法是将标准遗传算法与模拟退火算法结合,不但增强了遗传算法的全局收敛性,而且使算法在进化后期有较强的爬山性能,加快了进化后期的收敛速度．     

基于文化算法的认知无线电优化研究

提出了基于文化算法的认知无线电优化方法,以通断键控系统为例设计了待优化的多目标参数,利用文化算法的指导空间概念,加快目标参数优化速度。计算机仿真结果表明文化算法的收敛速度明显优于遗传算法,在进化代数明显少于遗传算法的情况下获得近似遗传算法的优化结果,这一特性适合于对实时性要求较高的认知无线电优化。     

一类非线性离散系统模糊自适应控制器设计

针对一类非线性函数未知的非线性离散系统 ,提出一种基于模糊基函数的稳定自适应控制器设计方法 ,该方法基于Lyapunov稳定性理论 ,因此 ,整个闭环系统渐近稳定 .使用遗传算法 (GA)实现对可调参数的全局优化 ,代替通常设计自适应控制器时对参数调节律的繁琐求取 .仿真结果验证了该方法的有效性     

基于模拟退火遗传算法的IIR数字滤波器参数优化设计

结合模拟退火算法的思想和遗传算法的思想,提出模拟退火遗传算法,并用此算法进行滤波器参数整定与优化,同时使用自适应交叉率和变异率,以及适应度拉伸方法对传统遗传算法进行改进。该算法有效抑制早熟,又具有收敛性快、全局寻优与局部寻优能力。仿真结果表明,基于此算法寻优设计的滤波器控制器具有更好的滤波特性。     

基于细菌觅食优化决策的齿轮箱故障诊断

在利用SVM对齿轮箱进行故障诊断决策时,SVM模型参数(核参数及惩罚因子)对齿轮箱故障的诊断结果影响很大,而最优参数难以获取,针对这一问题,提出一种基于自适应细菌觅食算法(BFA)的SVM参数快速选取方法。以齿轮箱故障诊断过程为实验对象,对比分析网格搜索法、遗传算法、粒子群算法与细菌觅食算法对SVM径向基核函数参数δ及惩罚因子C的优化性能。研究结果表明:细菌觅食算法能够更加快速地选取到最优参数;采用细菌觅食算法优化SVM参数可以进一步提高齿轮箱故障诊断的精度。     

采用非线性粒子群算法的同步糖化发酵参数辨识

为进一步优化同步糖化发酵(SSF)工艺,在经典发酵动力学的基础上,总结出SSF工艺中的还原糖变化方程,并采用自适应粒子群优化(PSO)算法进行菌体生长、产物生成以及还原糖消耗的模型参数辨识.通过比较分析线性和非线性动态变化惯性权重的自适应PSO算法在动力学参数辨识过程中的优劣,确定了非线性方法的快速收敛特性.结果表明:模型的拟合值与实验数据比较接近,即利用这些模型来反映此SSF过程的机理具有一定的准确性和可靠性;通过非线性动态变化惯性权重的自适应PSO算法进行参数辨识具有一定的可行性和推广性,也为模型参数辨识提供了一种新思路.     

基于六模糊控制器的自适应遗传算法

为了提高遗传算法对满意解的搜索和优化能力，采用基于模糊逻辑的自适应控制策略，提出了一种符号编码的自适应遗传算法。该算法可自动均衡搜索和优化关系，采用6个模糊控制器实现对选择、交叉、变异操作的动态参数组合控制。试验和理论分析表明，六模糊控制器的组合控制方式可以综合两模糊控制器或三模糊控制器独立控制的性能。对旅行商(TSP：Traveling Salesman Problem)问题的求解结果表明：该算法在解决类似于TSP的组合优化问题时，具有比标准遗传算法更好的性能。     

一类非线性离散系统模糊自适应控制器设计

针对一类非线性函数示各的非线性离散系统,提出一种基于模糊基函数的稳定自适应控制器设计方法,该方法基于Ｌｙａｐｕｎｏｖ稳定性理论,因此整个闭环系统渐近稳定,使用遗传算法（ＧＡ）实现对可调参数的全局优化,代替通常设计自适应控制器时对参数调节律的繁琐求取,仿真结果验证了该方法的有效性。     

一种QoS感知的服务全局优化选择算法

将服务选择问题建模为带QoS约束的非线性最优化问题,并提出了一种参数自适应的改进遗传算法(IPAGA).构造了基于双曲正切函数的非线性参数变换函数,当迭代次数或种群多样性程度增加时,使遗传算法的交叉和变异概率相应地非线性递减,以保证算法的全局收敛性和收敛速度.实验结果表明:算法能够快速搜索出全局近似最优解,具有很高的有效性和可行性.     

生物组织光传播的理论研究

从光的传输理论出发,利用漫射近似方程,推导出当无限细脉冲光及连续光束垂直入射到生物组织表面时,生物组织表面漫反射光随空间及时间变化的解析表达式。详细分析了组织光学特性参数与组织表面漫反射挑分布之间的关系,为生物组织光学特性参数的无损测量提供了理论根据。     

基于特殊二进制编码的自学习模糊遗传算法

为了提高自适应遗传算法(AGA:Adaptive Genetic Algorithm)的鲁棒性,并使之更有效地求解属于NP难类型的组合优化问题,提出了一种自学习模糊自适应遗传算法.该混合算法利用一个特殊二进编码标准GA在线学习AGA运行特性;通过强化学习方式自动设计和调整模糊知识系统,基于GA的自学习模糊技术可以获取AGA所需的优化模糊系统.仿真试验演示了采用所提出自动化方式设计的动态参数AGA系统及其自学习结果.试验结果表明,该算法可以用于解决类似于旅行商问题的组合优化问题.     

一种求解非线性约束优化问题的新方法

针对标准遗传算法的缺陷,提出一种基于实数编码技术的新型自适应混沌遗传算法,求解复杂非线性约束优化问题.算法根据实数编码的特点,依据概率分布函数构造杂交算子,结合混沌动力学特性和人工神经网络理论,设计了一种自适应混沌变异算子,使算法有效维持群体多样性,防止和克服进化中的“早熟”现象,同时采用不需要惩罚因子的直接比较惩罚函数方法,对约束条件加以处理.通过算例数值实验,验证了算法在提高解的精度和加快收敛速度方面都有明显改善.     

基于免疫进化规划的岩体渗流参数反演

岩体渗流参数反演是一个复杂的非线性函数优化的问题,采用传统优化技术及目前采用的全局优化算法--遗传算法都存在计算效率低等本质问题.本文采用更加合理的算法一免疫进化规划进行岩体渗流参数反演,并用一个算例证明了算法的有效法.     

一种基于分数阶微分方程模型的基因调控网络构建方法

考虑到实际生物系统的非线性特性,提出了一种基于分数阶微分方程模型构建基因调控网络的新方法,采用模型预测数据与实际数据的逼近误差为目标函数,通过人工鱼群优化算法辨识分数阶微分方程模型的阶次和参数,并引入自适应步长,保留精英个体和增加种群多样性等策略提高算法的进化能力。对真实生物实验数据的结果表明,该方法能够较准确的辨识出模型参数,得到的分数阶微分方程模型与实际数据吻合程度较高。     

重装空投过程的自适应函数近似反步滑模控制

针对重装空投过程的飞机运动系统,考虑气动数据的测量和计算误差等不确定性,提出了带有自适应函数近似的反步滑模控制方法。首先将系统的复杂非线性不确定性分解为不确定参数向量和已知非线性矩阵,降低了控制器的设计难度,在此基础上,设计自适应算法近似不确定参数向量,并将自适应结果补偿到反步滑模控制器中,解决了滑模切换增益的选取依赖于系统不确定性边界的问题。理论分析表明,该方法能够保证飞机速度和俯仰角的跟踪误差收敛到平衡点任意小的一个邻域内。     

基于CQPSO的LCL滤波器设计方法

针对光伏并网逆变系统中LCL滤波器参数设计的困难,提出采用混沌量子粒子群算法对滤波器参数进行寻优.利用混沌优化方法具有的随机性、有界性、遍历性等特性,来扩大算法的搜索范围和提高收敛速度.对LCL滤波器进行分析后,确定约束条件,结合算法来对其参数进行优化设计.对三相光伏并网逆变器进行仿真实验,将混沌量子粒子群算法与自适应遗传算法进行比较,结果表明该算法比自适应遗传算法有更好的滤波效果,谐波畸变率也更小.     

高斯过程回归超参数自适应选择粒子群优化算法

超参数优化是减少高斯过程回归(Gaussian process regression,GPR)学习方法计算量,提高高斯模型性能的一个重要问题。为解决超参数优化问题中先验知识匮乏,对初始值过分依赖且易陷入局部最优等问题,文章引入粒子群优化(particle swarm optimization,PSO)算法,并结合差分速度更新公式及自适应变异策略,提出了一种自适应差分粒子群-高斯过程回归优化(adaptive differential particle swarm optimization-Gaussian process regression,ADPSO-GPR)算法对GPR中超参数进行自适应优化。该算法在线性与非线性两类时序回归序列上与多种主流超参数优化算法进行对比,实验结果表明,采用该文算法优化超参数后的GPR具有较高的拟合精度及泛化能力。