自适应遗传算法在PID控制参数优化中的应用

针对传统的PID控制中参数整定的难题，采用智能控制技术优化PID参数，利用神经网络进行系统辨识，建立对象模型；在此模型基础上，运用遗传算法寻优PID控制参数，采用变交叉概率和变异概率自适应遗传算法寻优得到PID控制参数，与传统的整定结果相比较，遗传算法优化效果更好，最终达到最优的控制效果．     

水文模型参数识别算法研究及展望

就国内外水文模型参数识别算法的最新进展做了较为详细的阐述，特别对各种编码的遗传算法、单纯形混合加速遗传算法、模式搜索混合加速遗传算法、模拟退火混合加速遗传算法等现代优化算法在流域水文模型参数识别中的应用进行了研究，并与传统方法进行了比较；通过比较水文模型各参数优选方法的特点，认为混合加速遗传算法SHAGA,HJHAGA是一种较好的方法，具有较高的应用价值；同时对水文模型参数识别算法的发展前景进行了展望.     

基于GA的ε-SVRM参数优化研究

参数优化是ε-支持向量回归机(ε-Support Vector Regression Machine,SVRM)研究领域的重要问题,其本质是一个优化搜索的过程.考虑到遗传算法在求解优化问题上的有效性,提出了以遗传算法寻优技巧的ε-支持向量回归机参数优化方法.将该算法应用于受噪声影响的标准函数,仿真实验表明由该算法所确定的ε-支持向量回归机具有较好的预测性能.     

SCE-UA算法在TOPMODEL参数优化中的应用

以江西修水万家埠流域为例,用SCE-UA算法对TOPMODEL参数进行了优化,并对优化结果进行了检验.结果表明:SCE-UA算法不仅可以用于概念性水文模型和分布式水文模型,还可以用于半分布式水文模型———TOPMODEL;TOPMODEL参数上下边界需根据参数的物理意义和研究流域特性来确定;在SCE-UA算法中,目标函数的建立对于参数优化具有重要作用,在次洪模拟时,目标函数应突出高水过程和洪峰对模拟效果的影响;SCE-UA算法的绝大部分参数取值都可以采用已有研究成果的默认值,只有复合型个数p需要根据具体问题确定.     

基于遗传算法的干线协调控制参数共同优化

将干线延误分为内部进口道和外部进口道两部分进行计算,建立了干线协调控制的离散的计算模型.由于解耦思路的参数优化方法在协调控制中很难得到真正的最优解,因此根据各控制参数的特征选用各自的优化算法,通过尝试以遗传算法为基础的组合算法,得到干线协调控制参数的共同优化流程.通过实例对提出的方法进行验证,与传统的数解法相比,系统延误减低了12.8%.结果表明,基于遗传算法的参数共同优化方法可以提高干线协调控制的效果.     

基于遗传算法的模糊控制模型参数优化的研究

模糊控制的精度取决于有关参数,如隶属度函数、模糊关系矩阵、传统 确定参数的方法是依靠人工。作者采用遗传算法来优化参数,大大地提高了模糊控制的精度。试验结果表明,先验知识和遗传算法的结合可以得到很好的控制效果。     

基于模拟退火遗传算法的水文地质参数识别

水文地质参数识别是一个复杂的非线性优化问题，针对传统人工调参方法的局限性，提出了水文地质参数识别的模拟退火遗传算法，实现了水文地质参数的自动识别，提高了计算效率，较一般遗传算法具有更好的收敛性能，最后通过实例验证了该方法的可行性与有效性。     

基于GA参数优化整定的PI型广义预测控制

针对PI型广义预测控制比例因子和积分因子参数整定困难,提出了基于遗传算法参数优化整定的PI型广义预测控制(GAPIGPC)。PI型广义预测控制(PIGPC)采用预测技术克服时变时滞,用PI(PID)控制技术加强系统的鲁棒性,极大程度地减少了模型失配的影响。由于其参数的优化设计是一个组合优化问题,而遗传算法是一类可用于复杂系统优化计算的鲁棒性算法,并为组合参数整定及优化提供了一个有效的手段。仿真实例表明,该算法具有较好的鲁棒性和抗干扰性。     

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。     

混沌高效遗传算法在水库含沙量预报中的应用

利用混沌映射的遍历性和实编码遗传算法的全局优化性,通过在遗传进化过程中加入混沌变异操作,在变量的定义域内投放大量的混沌初始群体,在实编码遗传算法进化过程中加入单纯形法学习算子,建立了一种新的混沌高效遗传算法(chaos higher efficient genetic algorithm, CHEGA).应用该法对3个非线性、高维、多峰值测试函数进行了仿真,在收敛速度和全局优化方面好于现有的简单遗传算法和改进的遗传算法.建立了水库含沙量预报模型.并将CHEGA用于求解上述模型的参数优化问题,与实数编码加速遗传算法(RAGA)、二进制加速遗传算法和随机优化算法等方法相比,CHEGA可以遍历到整个区域,较好的保持了种群的多样性,并且精度高、收敛速度快.CHEGA对求解实际水库计算模型的参数优化问题非常有效.