基于免疫遗传算法的移动机器人实时最优路径规划

以具有精英保留的免疫遗传算法（Immune genetic algorithm with elitism,IGAE）和栅格法为基础,提出一种新的移动机器人最优路径规划方法。其步骤为:首先采用栅格法对机器人工作空间进行划分,建立给定环境中移动机器人的自由空间模型;每个栅格用1个序号标识,并以路径上各栅格序号作为机器人路径的编码参数。然后,采用直角坐标和序号混合应用的方法产生初始种群,群体中每1个个体表示1条机器人路径,采用IGAE算法对种群进行优化,最终找出最优路径。为了保持种群初始化和遗传操作过程中个体所对应的路径的连续性和避障要求,在IGAE算法中引入删除、插入算子。计算机仿真实验结果表明,所提出的方法比基于全局收敛型遗传算法的路径规划方法更加快速和有效。     

反向烟花算法及其应用研究

针对烟花算法性能提升瓶颈和收敛速度较慢的问题,通过引入反向学习策略,提出了一种自适应反向学习算子,并进行了相关收敛性理论证明。通过反向学习算子与烟花算法相结合,构建了反向烟花算法组,并通过典型测试函数进行仿真实验。结果表明:在相同实验设置下,反向烟花算法可在原算法寻优性能上至少提升10-2精度,并加快了收敛速度。针对混沌同步与控制系统中常见的参数辨识问题,以混沌同步控制中Lorenz混沌系统参数辨识问题为应用背景,通过实验仿真,验证了反向烟花算法可用于混沌控制系统参数估计,与现有方法相比较,估计误差低至10-11,具有较高的估计精度,是一种新的有效的混沌控制系统参数估计方法,拓展了算法工程应用的范围。     

基于反向学习遗传算法的船舶舱室布局优化方法

为实现舱室布置参数化、智能化,针对船舶舱室布局优化设计的特点,建立包括舱室间物流强度目标、邻近强度目标和固定位置目标的多目标优化模型.在建立数学模型基础上,运用基于反向学习优化种群产生法改进的遗传算法求解该模型,通过扩大解的搜索范围使其跳出局部最优,引导种群找到全局最优解.最后,运用建立的优化模型和改进后的遗传算法进行仿真实验,得到了更加合理的结果,验证了本文方法的可行性和有效性.     

基于混沌粒子群--专用遗传算法切换策略的移动机器人路径规划

为了发挥粒子群算法和专用遗传算法的各自优点,提出了一种将二者结合的切换优化策略。该策略前期采用一种基于种群最优个体混沌化的混沌粒子群算法,后期选用专用遗传算法。通过大量仿真实验确定了在迭代代数、种群标准差和最优个体适应度差三种切换指标下各自的最优切换条件。与单一专用遗传算法和单一混沌粒子群算法的仿真对比表明：本文提出的切换优化策略在综合路径长度、平滑性和规划时间三个性能指标后具有一定的优越性。     

基于免疫遗传算法的车辆路径优化问题

在研究免疫遗传算法基本理论的基础上,设计了一种用于求解车辆路径优化问题的免疫遗传算法,并进行了实验测试,实验结果表明算法具有良好的全局搜索能力,并且能够有效地克服遗传算法在进化过程中由于种群多样性降低而出现早熟收敛现象的缺点.     

优化反向传播神经网络的自适应遗传算法

探讨了用遗传算法优化反向传播神经网络的问题。通过对不同遗传操作的分析和改进,提出了一种能有效进行局部搜索和全局搜索的自适应遗传算法。计算结果表明,该算法能快速地求出问题的全局最优解,且具有较好的计算精度。     

基于多策略融合灰狼算法的移动机器人路径规划

针对标准灰狼算法(GWO)在解决移动机器人路径规划问题时存在初始参数依赖性强、缺乏多样性及易陷入局部极值的缺陷,提出一种基于多策略融合灰狼算法(LTGWO)。首先运用精英化思想将Logistic-Tent复合混沌映射与反向学习结合,优化灰狼种群分布序列;然后引入sigmoid函数修改收敛因子a,平衡算法全局探索与局部开发能力,并改进控制参数C 以更好地拟合灰狼实际捕猎过程;最后加入随适应度值变化的比例权重,提高灰狼个体搜索能力,同时采用种群淘汰策略,淘汰适应度值差的个体,促进种群进化。选用3组不同的栅格地图进行实验,实验结果表明:由LTGWO 算法生成的平均路径长度、路径长度标准差都优于对比算法。     

基于精英反向学习粒子群算法的光伏电池参数辨识

快速准确辨识光伏电池参数对于电池输出功率预测及电池故障诊断模型的研究具有重要意义.针对传统智能算法应用于光伏电池参数辨识时存在准确性低、易陷入早熟的问题,提出一种精英反向粒子群算法(EOPSO),在算法进化过程中,对当前种群中的优秀个体根据概率进行精英反向学习,生成精英反向种群,并将精英反向种群与当前种群进行竞争,当算...     

多约束条件下基于改进遗传算法的移动机器人路径规划

针对在多约束条件下移动机器人在路径规划中搜索效率低、收敛速度慢的缺点,提出多约束条件下基于改进遗传算法的移动机器人路径规划,充分考虑路径长度、平滑度以及困难度这3种因素的影响,通过分析多约束条件下遗传算法在初始化种群时计算方法的不足,提出利用SPS(surrounding point set)算法,通过在障碍物周围生成点来产生初始路径,以提高算法快速生成初始种群的能力;增加平滑算子和删除算子,删除相对最终路径而言不必要的点,同时使路径更加平滑;结合小生境法以保持种群多样性,避免出现算法早熟现象.仿真结果表明,改进后的算法在路径长度,路径平滑度以及路径困难度方面均有一定的优势,同时算法的收敛速度也略有提高.     

基于精英邻居引导的萤火虫算法

由于萤火虫的移动采用的是全吸引模型,所以当迭代过程中有移动时,可能会存在振荡较大、时间计算复杂度较高等问题.为了克服这些不足,提出了一种基于精英邻居引导的萤火虫算法.算法通过利用精英邻居的信息引导萤火虫的移动,减少振荡的发生,降低时间计算复杂度.同时,若某只萤火虫周围不存在精英邻居,则利用自身的信息进行反向学习以提高算法跳出局部最优的能力.数值实验表明本文算法的鲁棒性、寻优精度及搜索速度均优于其他几种算法.     

一种离散反向学习的萤火虫特征选择算法

特征选择是处理分类问题中重要的预处理方法,对分类的结果产生直接的影响。本文针对萤火虫算法容易陷入局部最优解的问题,提出了一种基于离散反向学习的萤火虫特征选择优化算法。首先,在算法初始化阶段运用反向学习产生较好初始解;其次,在算法搜索过程中面临停滞时,运用反向学习策略使得萤火虫快速逃离局部最优,提高了算法的多样性;最后在UCI数据集上的实验结果表明,该算法能有效获取较少的特征子集,并且获取较好的分类效果。     

基于正交设计的反向学习差分进化算法

为了克服反向学习带来的维度退化现象,生成部分反向解增强对反向解空间的勘测能力,提出了一种基于正交设计的反向学习差分进化算法,利用正交设计仅生成若干具有代表性的部分反向解,在增强算法勘测能力与减少函数评价次数上达到了一个良好的平衡.实验结果表明:该算法相对于其他几种反向学习差分进化算法有更好的收敛精度及速度,同时对函数维度变化不敏感,鲁棒性较强.     

基于遗传算法的人工神经网络学习算法

为了克服和改进BP算法的不足，提出了一种基于遗传算法的神经网络学习算法，仿真结果表明，该算法具有无比的优越性，可避免BP算法易于陷入局部极小值，训练速度慢、误差函数必须可导、受网络结构的限制等缺陷。     

一种基于免疫原理的多种群 DNA 遗传算法

针对单种群遗传算法易陷入局部最优、多样性丧失快等问题,提出一种基于免疫原理的多种群DNA遗传算法。在多种群协同进化的基础上,将DNA计算思想引入到编码和遗传操作算子的设计中,通过模拟生物机体的免疫机制对遗传进化过程中个体的产生和选择过程进行自适应调控,并利用优良个体的迁移实现种群间信息交流。最后,通过函数优化实验测试算法的性能。仿真结果表明,算法在发掘全局最优个体、局部搜索能力方面表现优越。     

基于GA学习的模糊小脑模型控制器

提出一种基于遗传算法学习的模糊不脑模型神经网络控制器,即利用遗传算法学习和优化ＦＣＭＡＣ控制器的连接权重,构成一个ＧＡ－ＦＣＭＡＣ控制器,该算法适用于多输入－多输出系统,对于倒立摆非线性系统的仿真结果证明,本算法的有效性和适应性。     

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。     

基于免疫遗传算法的多播QoS路由算法

提出一种基于自适应免疫遗传算法的多播QoS路由算法,该算法不仅能随种群进化的需要自适应调整交叉概率和变异概率,而且还通过引入免疫算子,在保证群体多样性的同时得到Pareto最优解.该算法能近似模拟自然界及生物个体竞争、繁衍和死亡的过程,具有较好的空间收缩能力和局部求精能力,能加快收敛速度和提高收敛精度.从而克服遗传算法的早熟问题.仿真结果验证了算法的有效性.     

基于免疫遗传算法的物流运输求解

本文结合免疫系统原理和遗传算子自适应调整的方法,提出免疫遗传算法,防止算法未成熟收敛,保证种群的多样性,防止陷入局部寻优的情况.通过对一个运输实例的求解,证实算法达到了预期的效果.     

基于改进烟花算法的焊接综合调度研究

针对复杂结构件焊接生产同时具有工艺树输入和需要不同资源等特点,在现有综合调度基础上考虑焊接相关平台和设备约束,建立以最小化最大完工时间为目标的焊接综合调度数学模型,并提出一种改进烟花算法进行求解．首先提出了一种编码方式以适应工艺树输入;然后改进了烟花的爆炸及高斯变异算子等搜索方式,使整个迭代过程不会产生非法解,以避免修复操作引起的时间成本问题;最后设计了一种混合烟花爆炸框架,以迭代次数为控制参数自适应选择烟花生成方式,从而增加算法的搜索能力．通过不同规模下的综合调度算例和焊接综合调度工程实例双重验证,结果表明：与传统算法相比,本算法的求解精度平均提升17%,能更有效获得最优解．     

基于信息论和免疫遗传算法学习贝叶斯网络结构

提出一种新的实现贝叶斯网络(BN)结构学习的方法,即由信息论和免疫遗传算法相结合构造最优贝叶斯网络结构.首先,通过信息论迅速搜索较为可能的网络空间,构造一个候选网络,然后用免疫遗传算法进行网络精简,得到一个最优的网络结构.不仅可降低计算复杂度,提高贝叶斯网络结构学习的效率,而且避免了传统启发式算法易陷入局部最优解的问题.实例计算证明了其可行性.