认知无线电频谱决策与重构技术

认知无线电（CR）是一种智能的通信系统,通过有效利用空闲频谱从而极大提高频谱利用率。本文研究认知无线电中频谱决策与自适应重构技术,提出了基于用户业务特性、无线环境以及CR节点能力的自适应频谱决策方案。当前基于加权遗传算法实现的CR自适应重构方法存在权重难以选取问题,本文提出了基于非支配排序免疫遗传算法的CR自适应重构方法。所提算法通过引入免疫算法中的浓度控制机制和均匀初始化技术改善遗传算法种群多样性,从而有效提高遗传算法的寻优能力。     

基于多种群遗传算法的LQR 振动主动控制研究

根据压电智能结构的特点,针对一类由悬臂梁、传感器和压电作动器构成的压电智能梁系统的振动主动控制进行了研究。利用压电方程建立了压电智能梁系统的状态空间模型,采用线性二次最优控制(LQR)对智能梁的振动进行了主动控制。对二次性能指标中的加权矩阵的选取方式进行了深入研究,提出了一种基于多种群遗传算法的加权矩阵选取方式。仿真和实验结果表明:多种群遗传算法比简单遗传算法具有更快的收敛速度,且遗传代数少,能够有效避免陷入局部最优解。基于多种群遗传算法的LQR振动主动控制算法对压电智能梁的振动主动控制具有可行性和稳定性,相对基于简单遗传算法的LQR振动主动控制算法达到稳定的时间短且具有更好的控制效果。     

双链式智能体遗传算法用于数值优化的研究

针对传统智能体遗传算法全局优化计算精度不够高、时间较长的不足,提出了一种改进的双链式智能体结构,并基于此设计了一种新的智能体遗传算法--双链武智能体遗传算法.该算法采用了多子群并行搜索的模式,闭合链式智能体结构和循环链武智能体结构,可实现多机并行优化,具有优化时间短、优化精度高的特点.为了验证本文算法的优越性,采用国际标准的测试函数对该算法性能进行测试,并与智能体遗传算法(MAGA)相比较.实验结果表明,该算法在全局优化精度、优化收敛速度方面均优于MAGA.     

采用遗传算法的自适应随机共振系统弱信号检测方法研究

针对传统自适应随机共振系统只能实现单参数优化的缺点,提出了一种基于遗传算法的多参数同步优化自适应随机共振算法.该算法选用由双稳系统输出的信噪比作为遗传算法的适应度函数,能够实现随机共振系统中多个参数的自适应选取,从而最优地检测出原始信号中的微弱周期成分.同时,将该优化算法和移频变尺度随机共振相结合,可以实现大参数条件下的随机共振.仿真数据和滚动轴承外环故障数据的分析表明,该算法收敛速度快,简单易行,在采样点数较少的条件下能从强噪声背景中检测出微弱的高频周期成分,因此具有良好的工程应用前景.     

基于实数编码的遗传算法收敛性研究

基于群体搜索的遗传算法求解复杂优化问题具有独特的优势,现有遗传算法的研究大多集中在算法的设计和数值实验效果的比较上. 该文给出了求解一类复杂优化问题的遗传算法(RFGA)的基本框架,并用概率论的有关理论对RFGA的收敛性进行了研究,结果表明RFGA以概率1收敛到问题的最优解.     

ICAI系统中基于遗传算法的试题库组卷方法

通过探讨遗传算法的基本理论和试题库建设的理论基础,提出了基于遗传算法完成自动组卷的一种新方法,该算法具有收敛速度快、自适应全局寻优和智能搜索技术等特点,很好地满足了自动组卷及试卷质量控制的要求.     

基于改进遗传算法的FISH基因模糊自适应提取

为了快速准确地提取荧光原位杂交（FISH）图像中的荧光染色基因,提高临床医学上诊断病变的效率,针对FISH图像固有的模糊特征,提出了一种基于改进遗传算法的多维多阈值模糊自适应提取算法.首先根据灰度直方图的分布特性,提出相应的自适应窗宽选取算法,确定阈值搜索的范围;然后通过设计的模糊隶属度函数,将图像分割成若干不同的区域;最后采用最大模糊熵准则,并借助优化后的自适应遗传算法,寻找确保基因目标最大信息量的分割阈值.将分割结果与其他几种常用分割算法进行比较,并采用分类概率的数学测量方法定量分析,结果表明：在标准噪声干扰下,该算法的错误划分概率仅为0.042 1,可以更加准确和高效地对荧光基因进行提取.     

基于多智能体遗传算法的配电网节能降耗综合管理系统

针对目前企业配电网节能技术的不足,提出了一种基于多智能体遗传算法的配电网节能降耗综合管理系统.结合遗传算法(Genetic algorithm,GA)和多智能体系统(Multi-Agentsystem,MAS)技术构造了一种GA-MAS算法,每一个多智能体相当于遗传算法中一个个体,相邻的多智能体相互作用,并结合遗传算法的进化机理进行全局最优求解.提出了该系统各节能设备智能体结构模型和高压/低压多智能体系结构模型,运用GAMAS算法,得出各个节能设备的最佳调节力度,使节能设备以最小的调节代价获得最大的节能效益.具体算例仿真及工程实际应用表明本文提出的配电网节能降耗综合管理系统能使总有功网损降低,电容器投入总组数减少,实现节能设备的最佳调节,同时表明GA-MAS算法收敛速度较快.     

并行多种群模糊遗传算法参数

为改善标准遗传算法的求解效率,提出了一种基于6模糊控制器(6FLC-MDPFGA:6 Fuxy Logic Controllers-Multi-Deme Parallel Fuxxy Genetic Algorithm)的并行多种群自适应遗传算法,并利用MPI(Message PassingInterface)技术建立了一个COW(Cluster Of Workstation)集群,将算法在该硬件平台上进行了实现.通过对该算法的迁移率、迁移间隔等并行参数的试验研究,得出了在特定条件下参数选择的经验值和规律,定性分析了不同参数选择对于求解结果的不同影响.在演示算法组合优化实时应用可行性的同时,试验结果可为算法实际应用参数选择提供参考.     

GA-BP算法在系统辨识中的应用

本文针对BP算法和遗传算法(GA)在系统辨识应用中的不足,提出了基于GA和BP算法相结合的混合(GA-BP)算法.该算法充分利用了遗传算法和BP算法各自具有的优点,在系统辨识研究中取得了良好的效果.仿真实验表明该混合算法是实用且有效的.     

GARTEUR飞机模型的模态试验与模型修正技术

为了获得精确的结构动力学模型,需要对结构动力学模型进行修正与确认。首先,采用相位共振/相位分离一体化技术对模型进行模态参数识别。其次,提出一种设计参数的灵敏度分析方法,根据工程经验、误差定位技术以及灵敏度分析技术调整动力学模型的建模细节,以试验与仿真结果的模态频率误差为目标函数,研究了序列二次规划算法、自适应模拟退火算法、多岛遗传算法等三种算法的修正效果,最终选择多岛遗传算法进行动力学模型修正研究。最后,引入三级质量标准来评估模型修正质量。结果表明:修正后的模型具有复现与预测响应水平的能力,证明本文所提出修正方法的正确性和有效性。     

用神经网络-遗传算法优化 Ni 基喷涂材料

利用人工神经网络的自学习以及非线性逼近能力对材料元素与硬度的相关性进行拟合和预测；并用遗传算法的强寻优能力对喷涂材料成分进行优化．优化结果与非学习Ｎｉ基喷涂材料配方相比较表明，神经网络能对Ｎｉ基喷涂材料的性能进行较好地拟合和预测，而遗传算法则能在不同的样本区间对材料进行优化，二者的有机结合可进一步提高材料优化与设计的有效性．     

基于遗传神经网络的航空装备故障预测

为在武器系统故障发生前实现预测、实现装备的视情维修,开展基于遗传神经网络的故障预测技术研究.采用实数编码方式和自适应的交叉率、变异率改进遗传算法,并将改进遗传算法用于神经网络的权重学习得到遗传神经网络.利用监测到的装备特征参数数据进行网络训练,然后将遗传神经网络预测装备特征参数的退化趋势.预测实例表明遗传神经网络可在故障发生前实现故障预测,较基本神经网络有较大性能改善,可提高武器装备的保障能力,实现视情维修.     

晶体结构预测的新方法和典型应用

物质的微观结构直接或间接决定了材料的几乎所有物理和化学性质.这也是后续材料设计的重要基础.近年来,随着多种晶体结构预测方法的发展和改进,仅根据化学组分就从理论上确定物质结构的研究已经取得了长足进步.本文概述了当前主流的晶体结构理论预测方法,并对基于自适应遗传算法(AGA)以及利用"结构单元(Motifs)"(XMsearch)的新型结构预测方法做了重点介绍.近年来,基于不同算法的AGA,XMsearch等程序包得到了开发与完善,只需给定化学组分和压力等条件,便能对材料的稳态、亚稳态结构进行预测研究.目前,这些新工具已在高压材料、电池材料、磁性材料、界面材料等凝聚态物质结构研究中得到了广泛应用.     

基于自适应遗传算法的网络化制造盟员选择研究

针对网络化制造中动态联盟盟员选择优化问题,分析了盟友的评价指标体系,建立了盟友选择的多目标优化模型,并在此基础上提出一种自适应遗传算法.该算法设计了自适应交叉和变异概率, 使其在遗传过程中根据适应度自动选择, 从而使群体中每个个体对环境的变化具有自适应调节能力.通过保持迭代过程的最优解, 加快了搜索速度, 并保证收敛于全局最优解.     

基于遗传学习算法的船舶航线保持自适应控制器的设计

基于遗传学习算法的船舶航线保持自适应控制算法 ,选择了具有偏航距离加权约束的广义最小方差性能指标进行自适应控制器的设计 ,所设计的控制器不仅适合于航向保持自动操舵 ,而且适合于航线保持自动控制 .     

实数编码自适应遗传算法及其在光瞳滤波器参数控制中的应用

提出一种基于实数编码自适应遗传算法的光瞳滤波器光瞳函数参数优化设计的新方法.通过计算机模拟,结合实际使用场合对光能效率、旁瓣影响因子和超分辨能力的要求,选择合适参数实现最佳轴向超分辨成像效果.利用遗传算法设计的光瞳滤波器设计简单,有较好的综合效果,不仅具有较小的u0和M值,而且有较大的S值.理论和实践均表明该方法是高效和可靠的.     

自适应遗传算法在某拱坝渗流参数反演中的应用

利用水头实测资料,以渗透系数为待反演参数,在采用基本遗传算法进行参数反演研究的基础上,针对简单遗传算法难以确定交叉率和变异率的最佳值及计算量较大、易早熟等缺点,提出以自适应遗传算法来解决工程中的这类反演问题;为力求使改进的遗传算法计算量更小,收敛性更强,同时结合二维稳定渗流有限元工程实例进行了反演计算.结果表明,自适应遗传算法在保持简单遗传算法优点的同时,有效地提高了算法的收敛性,并在一定程度上克服了简单遗传算法的早熟问题.     

基于遗传规划的GSBAR学习算法

基于相似关系的广义近似推理方法(GSBAR)需要一个能根据案例数据来确定其函数参数的算法,即GSBAR学习算法。提出了基于遗传规划的GSBAR学习算法,论述了GSBAR学习算法的定义、学习算法任务的简化以及学习算法的组成部分和基本步骤。学习算法的运算实例表明:GSBAR学习算法能够以较大概率搜索到合适的函数参数。GSBAR学习算法提供了根据案例数据来确定GSBAR方法中关键函数的能力,从而使得GSBAR方法具有更好的适应性。     

一种考虑环境作用的协同免疫遗传算法

在综合考虑了环境对生物进化的影响、免疫算法的结构以及遗传算法部分算子的基础上,提出一种考虑环境作用的协同免疫遗传算法(ESIGA),以实现提高算法搜索速度和全局搜索能力的目标.在该算法中,设计了克隆环境演化算子和自适应探索算子,并构造了3个子种群协同进化以发挥克隆环境演化算子的影响,从而提高算法的全局搜索能力.引入的自适应探索算子和克隆环境演化算子,使算法具备了一定的学习能力,可加速搜索和防止早熟.构建的主种群和协同种群相互影响,使得算法对环境具有改良能力,加强了克隆环境演化算子的性能,而精英种群则加强了算法在优质个体邻域的搜索能力.采用13个常用无约束优化问题测试函数对算法做了检验,测试数据表明:ESIGA算法与正交遗传算法相比,其搜索速度要快于正交遗传算法1～2倍,并能够处理1 000维的高维优化问题.