动态无功优化的混合智能算法

针对存在离散控制设备动作次数约束的动态无功优化问题,提出免疫遗传算法和非线性内点法的混合算法.首先忽略控制设备的离散性和动作次数约束,采用非线性内点法求解初始优化解;然后按照控制变量的性质将原问题分解为连续优化与离散优化2个子问题迭代求解.在离散优化问题中,保持连续变量不变,采用免疫遗传算法优化离散变量,通过特别的编码方式使抗体自动满足动作次数约束;在连续优化问题中,保持离散变量不变,采用非线性内点法优化连续变量.混合算法充分结合了免疫遗传算法和非线性内点法的优点,能较快求解动态无功优化的近似最优解.IEEE14节点系统的仿真结果验证了混合算法的有效性.     

改进灾变遗传算法及其在无功优化中的应用

针对灾变遗传算法的早熟和稳定性问题,提出了一种改进灾变遗传算法,设计了与进化代数相关的改进灾变算子;为了兼顾算法的全局性能和收敛速度,设计了与进化代数相关的交叉概率和与个体适应度相关的变异概率.IEEE14节点和IEEE30节点无功优化算例表明,该改进算法具有良好的全局性能和收敛速度,适合求解电力系统的无功优化问题.     

基于改进CGA的配电网重构

针对遗传算法易早熟收敛和易产生大量不可行解的问题,提出了一种基于改进的克隆遗传算法(CGA)的配电网重构方法.该方法对克隆遗传算法进行了3点改进:通过简化网络结构,缩短了算法中染色体的长度;采用基于环路的编码方式,避免了产生大量不可行解;改进克隆遗传算法的选择算子、基因移位和突变操作,克服了早熟收敛的问题,提高了算法的收敛速度.本文以网损最小为优化目标对算例进行了重构,同时与基于遗传算法及粒子群算法的配电网重构进行了比较,算例结果表明:改进的CGA具有较高的寻优性能,应用于配电网中可以起到减小网损的作用.     

模拟退火遗传算法在电力系统无功优化中的应用

电力系统无功优化是保证系统安全、经济运行的一项有效手段.针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,在遗传算法(GA)和模拟退火算法(SA)的基础上,提出了更加有效的算法即模拟退火遗传算法.使用该文提出的算法对IEEE-14节点系统进行了无功优化计算,结果表明该模拟退火遗传算法应用于无功优化是合理可行的.     

改进遗传算法在水电站无功优化中的应用

文中阐述了遗传算法与其它算法相结合的多种改进遗传算法进行水电站无功优化中的应用和今后的发展方向。     

结构优化设计中的组合遗传算法

针对标准遗传算法存在的早熟收敛、随机振荡和收敛速度慢等缺陷,采取改进措施.利用混沌序列的随机遍历性生成初始种群,并把相对差商算法的优化解加入到初始种群中,改善初始种群的性能.采用适应度的指数尺度变换改进传统的适应度评价函数.相对差商算法局部搜索能力强,而遗传算法具有较强的全局搜索性,发挥两者的优势,提出组合遗传算法.把相对差商算法作为一个与选择、交叉、变异平行的遗传算子嵌入到改进遗传算法中,提高局部寻优能力,防止早熟收敛.通过十杆平面桁架的数值算例来验证组合遗传算法应用的可行性和有效性,组合遗传算法的优化结果也远好于标准遗传算法和改进遗传算法.     

一种快速实现多峰值函数优化的改进遗传算法

针对基本遗传算法具有的收敛早熟、局部搜索能力差等缺点,提出了一种快速实现多峰值函数优化的改进算法。该算法包含并行小生境技术、可疑峰值点判断、引入局部搜索参数等策略,并采用C语言成功编写了通用程序。数值算例表明：该改进算法能有效防止早熟收敛,明显提高遗传算法的收敛效率,快速搜索到目标函数的所有最优点。该算法对求解多峰值函数优化问题具有普适性。     

实数编码遗传算法的改进及并行化实现

针对实数编码的遗传算法容易掉入局部极值、收敛速度慢等缺点,提出一种改进的实数编码的遗传算法,并对其进行了基于GPU的并行化实现.通过4个典型的遗传算法性能测试函数进行测试,结果表明,改进后的算法可以有效地跳出局部极值点,并能加快算法的收敛速度;在求解复杂的高维函数时,并行化后的改进算法可以显著减少算法的运行时间.     

改进遗传算法在智能组卷中的应用

智能组卷是一个多约束目标的组合优化问题,针对传统算法在组卷方面存在的不足,提出了一种改进遗传算法.此算法不仅克服了未成熟收敛,而且速度和性能都有显著提高.实验结果表明,改进遗传算法提高了组卷效率.     

一种抑制早熟收敛的改进遗传算法

遗传算法在许多优化问题中都有成功的应用,但其本身也存在一些不足.针对遗传算法的早熟收敛问题,本文在分析基本遗传算法的遗传算子和控制参数的基础之上提出一种改进算法.改进的遗传算法采用了实数编码、算术交叉算子、非均匀变异算子,并对控制参数进行了较合理地选取.改进遗传算法前期能均匀地搜索解空间,后期能对局部进行越来越细微的搜索,并使个体可以进入最优点的吸引域,在一定选择条件的作用下,算法后期可使群体逐渐集中到最优点的吸引域内,从而防止了遗传算法的过早收敛.理论和实例分析均表明,改进后的遗传算法在一些性能上明显优于基本遗传算法,较好地避免了遗传算法的早熟收敛,提高了遗传算法的进化效率,具有良好的有效性和可行性.     

基于改进遗传算法的行星齿轮优化设计

针对行星齿轮的设计参数是由一些混合离散变量组成的特点,通过距离测度改进遗传算子,引入菱形思维,得到了具有实值编码技术的改进型自适应遗传算法．将齿数、模数、齿宽及行星轮个数作为设计变量,以机构的体积最小为目标函数,建立了有别于现有行星轮系的优化设计数学模型．并利用改进遗传算法对模型进行了优化,较常规设计体积减少了31．64％,较SGA减少了17．8％,具有一定的实际意义．     

基于蜂群算法和遗传算法的贝叶斯网络结构混合学习方法

变量之间的关系对解释数据具有重要作用,而贝叶斯网络恰恰是表示变量之间关系的重要工具.针对贝叶斯网络结构学习问题,基于蜂群算法(ABC)和遗传算法(GA),提出一个新的混合型算法(ABC-GA).由于ABC-GA融合了ABC算法和GA算法的长处,所以可以弥补单独使用任一算法的缺陷.数值试验结果表明:ABCGA算法具有较高的计算效率和计算精度.     

基于信息熵的Push/Pull策略下供应链不确定性

以3级多产品供应链为例,分别采用Push/Pull/混合Push & Pull /改进Push 4种控制策略运行供应链,采用总熵比量化供应链的全局不确定性.将基于仿真优化(SBO)与遗传算法(GA)相结合,解决了计算量大与不确定因素多的难题.以控制规律中的增益为决策变量,对不确定性进行优化,计算出最优决策变量下的客户满意度、超量库存、延迟交货和总成本等常用性能指标.仿真结果表明:供不应求时,采用混合Push & Pull策略可以降低总成本;供大于求时,采用改进Push策略能最大程度降低供应链的不确定性.     

混合遗传算法在随机规划问题中的应用

以含有机会约束的生产管理动态规划问题为例,基于随机模拟技术的混合遗传算法实现最优化决策,构造了数学模型。采用ＶＢ编辑,计算机模拟结果显示该模型能很好解决生产过程中的最优化决策问题,它是简单的基于二进制编码的遗传算法所不能解决的。该算法具有很高的鲁棒性,避免了在局部最优解附近徘徊,且因为随机规划问题要求许多数学知识,而算法本身并不要求对优化问题的性质作一些深入的数学分析,从而对那些不太熟悉数学理论和     

改进混合遗传算法在建筑结构优化设计中的应用

针对遗传算法在迭代过程中经常出现未成熟收敛、振荡、随机性太大和迭代过程缓慢等缺点,提出引入转基因算子与单亲遗传算子,同时提出一种离散变量结构优化设计的三等分割算法,通过与遗传算法相结合并运用到初始群体形成和进化过程中,使两种算法既可相互独立地运算,又可彼此相互协调、共同作用．根据工程实际,充分考虑规范规定的约束条件和各项技术标准要求,建立离散变量结构优化模型．各种算法的优化结果对比表明,改进混合遗传算法具有省时、高效、局部搜索能力强和全局性好的特点。     

利用混沌遗传算法的几何约束求解器

提出一种新的混合算法--变尺度混沌遗传算法(MS CGA), 该算法把遗传算法和混沌算法混合在一起, 在不改变GA搜索机制的同时, 根据搜索进 程, 不断缩小优化变量的搜索空间及调节系数, 引导种群进行新一轮进化, 从而产生更优的 最优个体, 改善了GA的性能, 有效地克服了GA存在的问题. 实验表明, 该方法用于几何约束 求解的性能明显高于标准遗传算法及其他混合遗传算法, 取得了令人满意的效果.     

一种应用于图着色问题的新型混合遗传算法

将遗传算法与模拟退火方法和禁忌搜索方法结合,提出了应用于图着色的混合遗传算法.在混合方法中,模拟退火算法用于局部寻优,提高算法的收敛速度,同时防止早熟收敛;禁忌搜索算法通过记忆能力防止进化过程出现循环来提高全局寻优能力.用遗传算法进行全局搜索,并与贪婪遗传算法和Dsatur算法进行了比较,结果表明,混合遗传算法的寻优质量优于对照算法.这种改进的混合遗传算法可以在稠密图上获得更好的寻优效率,在稀疏图上其效率则略有下降,这表明设计的改进混合遗传算法的合理性和有效性.     

基于进化神经网络的灰色预测模型

为了弥补神经网络用于灰色理论中学习效率低、收敛速度慢、易陷入局部最优等缺点,采用了改进遗传算法IGA(im proved genetic algon ithm)来辅助优化神经网络,实现了对网络连接权的自适应进化,并应用于灰色预测中。提出了进化神经网络灰色预测模型,通过M atlab程序对某地区农村人均收入的数据进行了预测、比较,预测结果误差均在0.3%以下,明显优于传统的GM(1,1)(grey m odel)的预测结果,其误差在10%左右。实例验证,将进化神经网络应用于灰色预测模型中是可行和有效的。     

新型的融合优化算法及其在电力系统中的应用

提出了一种新型的融合优化算法,该算法结合了遗传算法(GA)的复制、交叉、变异操作以及粒子群优化算法(PSO)的个体速度和位置更新的原理,并将混沌的概念引入其中,它的性能要优于GA和PSO.在标准测试函数上进行了仿真比较,验证了新型算法的有效性.最后,这种新的融合优化算法被应用到了电力系统最优潮流的计算中,对IEEE-30系统进行仿真,并与遗传算法、标准PSO算法进行比较,结果表明新型的融合优化算法具有更好的优化性能.     

Hybrid Genetic Algorithm for Engineering Structural Optimization with Dis crete Variables

Aiming at the phenomenon of discrete variables whic h generally exists in engineering structural optimization, a novel hybrid genetic algorithm (HGA) is proposed to directly search the optimal solution in this pape r. The imitative full-stress design method (IFS) was presented for discrete struct ural optimum design subjected to multi-constraints. To reach the imitative full -stress state for dangerous members was the target of IFS through iteration. IF S is integrated in the GA. The basic idea of HGA is...