三级泵优化配置问题算法设计及求解

针对三级泵优化配置问题的难解性，提出一种扩展拥挤遗传算法（ECGA）．该算法在进化过程中采用物种保留策略维持群体的多样性，从而可以保证得到问题的全局最优解．此外，采用组合编码策略实现连续变量和整数变量的混合编码，使之可应用到混合整数非线性规划（MINLP）问题．通过与传统OA、ECP、MIN—MIN等算法解算结果比较，验证了ECGA算法可有效地求解三级泵配置问题．     

基于数据挖掘技术的全局优化算法

在过程系统综合中,许多问题属于非线性规划(NLP)和混合整数非线性规划(MINLP)范畴.它们大都具有奇异、多峰、刚性等特性.人们很难有效地得到它们稳定的全局最优解.而知识性、经验性约束使基于梯度方向的Newton方法无法有效地获取该类问题的全局最优解.通常只能得到该类问题的局部最优解.遗传算法的随机性虽为求取NLP和MINLP问题的全局最优解提供了可能,但是随机过程中的盲目性及"伪穷举"性却又限制了该算法的搜索效率.针对过程系统综合问题的特殊性,在信息提取技术对搜索空间进行充分数据挖掘的基础上,用遗传算法的随机扰动来跳出局部极值陷井,获得全局最优解.对反应器网络综合问题的求解,显示了信息提取技术与遗传算法相结合求取全局最优解的能力.     

基于混合遗传禁忌的多目标柔性作业车间调度

针对多目标柔性作业车间调度问题(Flexible job-shop scheduling problem,FJSP),提出了一种结合遗传算法和禁忌算法求解FJSP的调度算法。首先,定义了FJSP问题模型,然后提出采用改进的遗传算法对其进行求解,采用双链进行染色体编码和NEH方法获得初始解,并提出了自适应的选择策略、混合交叉策略和复合变异策略以实现个体保优和更新,当遗传算法陷入局部最优解时,采用禁忌算法跳出局部最优,以实现全局最优解的获取。仿真实验证明文中的方法能有效地解决FJSP问题,获得全局最优解,且与其他方法相比,文中方法具有收敛速度快和求解效率高的优势。     

基于多群体遗传算法的非线性最小二乘估计

由于非线性模型参数估计理论广泛使用的传统牛顿类算法对初值的敏感性,以及简单遗传算法易陷入局部最优的问题,提出了一种多群体遗传算法,它采用多个群体执行遗传算法搜索解,并且能根据各个群体在较少迭代次数中找到的最优解动态调整参数域,提高了遗传算法的性能及搜索到的解是全局最优解的可靠性.实验结果表明:新的算法是一种有效的非线性...     

用改进的遗传算法进行多流股换热器网络综合

建立了有分流情况下换热器网络综合的教学模型,该模型改进了文献中等温混合的不合理假设,有分流情况下的换热器网络综合问题本质上是一个混合整数非线性规划(MINLP)问题。这类问题的非凸非线性特性使得目标函数存在多个局部最优解,传统的基于梯度的搜索方法在处理这类问题时由于计算规模庞大且极易陷于局部最优解而不再适用,因此对遗传算法进行多流股换热器网络综合的方法进行了研究,最后通过例题证明了方法的有效性。     

改进遗传算法在过程系统工程中的求解策略

针对过程系统综合问题的多峰、奇异等特性 ,将遗传算法同可行域序贯搜索技术结合起来 ,实现对混合整数非线性规划问题 (MINLP)的有效求解。为克服遗传算法在可行域边界搜索效率较为低下的弊病 ,将惩罚函数同个体的生成函数有机地结合起来 ,利用惩罚函数将跨越可行域的不可行点拉回到可行域内。对过程系统综合中典型的MINLP问题的求解 ,表明该方法在求解过程中能有效地实现全局浏览 ,得到全局最优解或近优解。     

遗传算法在铁路客车横向稳定性多参数优化中的应用

以典型铁路客车的动力学模型为研究对象,以车辆最大可行速度为目标函数,采用遗传算法对其横向稳定性参数进行了最优化的计算研究．结果表明：遗传算法在求解车辆动力学系统的参数优化问题中具有很好的适用性．尤其是对于多参数、多峰的非线性问题,该法提供了求解问题全局最优解的可能性．     

一种求解非线性方程组的算法

为满足理论研究与工程实践对非线性方程组求解的需求，综合遗传算法和牛顿迭代法各自的优势，提出了能够充分发挥遗传算法大范围搜索全局解、牛顿迭代算法在局部细致搜索的新算法。实例证明，该算法搜索效率高，求解速度快，并能获得全局近似最优解。     

选煤厂配煤调度中的云模型改进遗传算法

针对传统遗传算法求解最优值存在搜索速度慢、容易陷入局部最优解的问题,基于传统遗传算法和云模型,提出了云自适应遗传算法和云遗传算法,建立了选煤厂三产品配煤调度模型,并分别采用改进算法和传统遗传算法求解。实例表明,两种改进算法优于传统遗传算法,为选煤厂配煤调度优化提供了技术途径。     

利用改进的遗传算法求解非线性方程组

提出一种改进的求解非线性方程组的浮点遗传算法,算法通过把非线性方程组的求解问题转化为约束优化问题,然后将局部搜索信息引入遗传算法,通过改进的变异算子不断调整搜索区域,最终搜索到含有最优解的区域,再利用局部搜索信息提高解的精度.数值实验结果表明,改进后的浮点遗传算法具有较好的全局优化能力和局部搜索能力,且提高了求解的速度和解的精度.     

优化和约束推理的动态分布式双向导遗传算法

为了解决优化和约束推理,基于向导遗传算法(GGA)和分布式向导遗传算法(DGGA),通过引入向导概率Pguid、本地优化监测LOD和权ε共3个新参数,提出了一种D3G2A算法的改进算法.该算法采用多代理方法,不仅使搜索过程多样化,避免出现局部最优,而且代理能计算各自的遗传参数.将改进的D3G2A和GGA用于随机生成的二元CSPs,实验表明,D3G2A能有效改善适应度值和节省CPU时间开销,使算法的性能得到提高.     

基于遗传算法和高斯牛顿法的超声回波信号参数估计

在超声回波信号参数估计中,如果高斯牛顿法选取的迭代初值接近参数向量的真实解,则容易找到最优解;如果初始值远离最优解,则高斯牛顿法不收敛或者只收敛到局部最优解。针对高斯牛顿法对迭代初值敏感的问题,提出了遗传算法和高斯牛顿法结合的参数估计方法。该方法充分利用遗传算法善于进行全局搜索和高斯牛顿法善于进行局部快速搜索的优点,首先使用遗传算法求出超声回波信号的参数初值,然后利用这组初值进行高斯牛顿法迭代搜索。仿真结果表明,基于遗传算法和高斯牛顿法相结合的方法,具有收敛速度快、精确度高的特点。     

基于遗传和粒子群结合的文化算法

针对粒子群优化(PSO)算法的"早熟"现象,给出了基于遗传和粒子群结合的文化演化算法.该算法将PSO/GA纳入文化算法框架,形成PSO的主群体空间和GA的信仰群体空间,两群体空间可以独立并行演化,并在适当的时机实现信仰群体空间对主群体空间的引导,达到改善粒子群优化算法全局搜索能力、提高计算精度的目的.仿真表明,该算法的优化性能和效率优于PSO算法、GA算法和GA-PSO混合算法.     

带性能约束的卫星舱布局问题改进遗传算法

针对带有性能约束的卫星舱布局优化问题,依据不干涉理论,给出了计算机上易于实现的、能计算图元之间干涉量的不干涉算法.采用实数编码等策略对布局优化问题构造了改进遗传算法.数值结果表明:该算法在解决带有性能约束的布局优化问题时大大减少了计算时间,提高了计算精度.     

一种快速收敛的遗传算法及其应用

为了解决遗传算法的收敛速度和全局收敛性之间的矛盾,提出了一种快速收敛的遗传算法,即“适应度缩放”加“有偏外来移民”的遗传算法。将该方法应用于柔性结构振动主动控制中的作动器／传感器位置及反馈增益的优化,其优化效果明显优于传统的优化算法。数字仿真结果表明,对于复杂非线性约束优化问题,该遗传算法具有较好的快速收敛性和全局收敛性,由优化了位置的作动器／传感器和优化增益的控制系统具有良好的减振效果。     

一种新的改进遗传算法在等距型面检测中的应用

设计了一种新的遗传算法用来测量等距型面的廓形参数和误差.标准遗传算法的控制参数为常数,将变异概率设计为随遗传代数变化的函数,设计了改进的遗传算法,并进行了实例计算.计算结果表明,该改进的遗传算法可以很好地解决等距型面的检测问题.     

基于网络效用最大化的mesh网优化算法

为设计联合优化算法,将多无线电多信道mesh网络的拥塞控制与信道分配建模化为一个使得网络效用最大的混合整数非线性规划问题.由于求解该规划问题具有很高的时间复杂度,因此利用拉格朗日对偶分解将之分解为若干个子问题,进而设计能获得近优解的分布式算法.通过该分布式算法,各节点能够自适应调整传输速率并根据网络状况进行多信道的分配.仿真实验表明该算法能够逼近最优解,并且随着网络中无线信道数目的增多,其结果更接近最优解.     

模拟退火算法及其在非线性地学模型参数估计中的应用

分析了目前地理学研究中进行非线性模型参数估计的一些方法的局限,介绍了模拟退火算法的原理及基于Metropolis准则的算法,进行了实例的应用研究。研究结果表明,模拟退火算法是估计非线性模型参数的一种有效算法;在地理学的其它优化问题研究中也将同样有着重要的应用价值。     

面向绿色再制造系统的AGV路径规划研究

为了解决绿色再制造系统中的自动导引运输车(AGV)路径规划问题的问题,提出一种粒子群遗传融合的AGV全局路径优化的自适应算法.该方法集成了遗传算法(GA)和粒子群算法(PSO)二者的优点,为了改善传统PSO-GA融合算法迭代前期寻优速度慢的问题,引入了自适应惯性权重;为了提高算法进入迭代后期的收敛精度,提出了一种双重交叉变异策略,使得改进的PSO-GA融合算法比传统的PSO-GA融合算法搜索能力更强,进化速度更快,收敛精度更高.为了验证改进后算法的优越性,采用栅格法模拟自动导引运输车运行环境并通过MATLAB对标准粒子群、遗传、传统的PSO-GA融合、改进PSO-GA融合四种算法解决路径优化问题进行试验对比,结果证明了改进后的PSO-GA算法的可行性和有效性.     

免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.