改进鲸群优化算法及其应用

针对传统WOA算法在迭代寻优前期因种群存在适应度相对较差个体并通过代间信息继承途径而影响新种群优良性与算法寻优性能的问题,提出一种将WOA算法与混沌搜索策略相融合的改进鲸群优化算法(MWOA).该算法在每代寻优过程中以个体适应度值的优劣作为判定准则以识别当前种群的最差个体,通过混沌映射对该最差个体进行位置更新以改善种群的优良性并提高算法的优化性能与寻优效率.实验结果表明,改进算法在基准测试函数实验表现出较强的探索寻优性能、在最小二乘支持向量机的参数优化实验中验证了其较高的寻优效率等.     

互联电力系统AGC的模糊和遗传控制算法

针对互联电力系统自动发电控制(AGC),结合模糊控制和遗传算法提出一种新型的PID智能控制器.这种控制器主要特点是选用遗传算法整定的PID参数值作为模糊自整定PID参数控制器的初值,然后再对模糊控制的相关参数用遗传算法优化,避免了参数选择的盲目性.仿真结果明显优于传统的PID控制器,同样也优于单独模糊PID控制器和由遗传算法寻优而设计的PID控制器.同时,在研究遗传算法寻优的过程中提出一种新的适应度选择方法.     

热障涂层加热系统的自适应模糊预测控制

针对航空发动机热障涂层加热过程中的时变、大惯性、滞后以及高度非线性等问题,提出了一种基于T-S模糊模型的广义预测控制策略来控制涂层的温度。首先,针对模糊C均值(FCM)算法容易陷入局部最优的问题,采用自适应遗传粒子群优化(GA-APSO)算法来优化模糊C均值(FCM)算法的全局寻优能力,并对T-S模糊模型的前件参数进行辨识;其次,采用自适应遗忘因子的递推最小二乘法来估计T-S模糊模型的后件参数。 最后,根据得到的T-S模糊模型设计模糊预测控制器并进行仿真实验。仿真结果表明,在利用自适应遗传粒子群算法对FCM算法进行优化后,算法的初始适应度值、收敛适应度值以及辨识模型的均方误差都有较大程度的降低,说明改良后算法的全局寻优能力得到了很大提升,对样本的模糊聚类效果也更好。在有干扰的情况下利用PID控制器和模糊预测控制器分别跟踪期望温度,相比传统的PID控制,模糊预测控制的控温精度更高,达到稳定期望温度所需时间更短,仿真结果验证了控制方法的有效性。     

互联电力系统AGC的模糊和遗传控制算法

针对互联电力系统自动发电控制(AGC)，结合模糊控制和遗传算法提出一种新型的PID智能控制器，这种控制器主要特点是选用遗传算法整定的PID参数值作为模糊自整定PID参数控制器的初值，然后再对模糊控制的相关参数用遗传算法优化，避免了参数选择的盲目性。仿真结果明显优于传统的PID控制器，同样也优于单独模糊PID控制器和由遗传算法寻优而设计的PID控制器。同时，在研究遗传算法寻优的过程中提出一种新的适应度选择方法。     

基于混合鲸鱼优化算法的鲁棒多用户检测

针对冲击噪声环境下多用户检测误码率高的问题,提出一种基于混合鲸鱼优化的鲁棒多用户检测算法。该算法首先利用基于非线性控制策略的改进鲸鱼优化算法,加速寻优算法迭代过程的收敛;再利用自适应差分进化算法丰富算法种群个体信息,增强优化算法的全局收敛性;同时将适应度较好的个体信息保存到集合中,以保证下一次迭代寻优方向的可靠性,最终实现对最优解位置的快速解算。仿真结果表明,基于本文算法设计的多用户检测器相比采用遗传算法、差分进化算法,以及鲸鱼优化算法的多用户检测器寻优迭代次数更少,且误码率低。     

采用A星-遗传算法的船舶管路智能布置

针对船舶管路设计中的路径寻优问题，提出了一种采用A星-遗传算法的船舶管路智能布置方法。首先，建立了船舶管路布置空间模型，包括网格单元模型、管路简化模型、设备障碍物模型和约束规则模型。其次，对传统遗传算法进行了优化设计，在种群初始化阶段，加入障碍物判定函数替换以往其他研究采用的罚函数；在交叉和变异过程，引入A星算法生成子路径；引入父子比较环节，每经过交叉、变异一次，便比较一次父代与子代的适应度值；在选择操作中，对传统的轮盘赌方法进行改进，引进个体的相似度比例，个体的被选择概率由相似度比例和适应度值共同决定。最后，对所提优化A星-遗传算法和粒子群、A星、迷宫-遗传算法进行了仿真对比实验。结果表明：A星-遗传算法在管路的长度、拐角数、能量值、适应度值、最优解次数和平均收敛代数等6项指标上均得到了最优值；与同为混合算法的迷宫-遗传算法相比，优化A星-遗传算法在两个案例中的最优解次数分别增加了44.4%、100%,平均求解时间分别减少了57.6%、58.1%,平均收敛代数分别减少了36.9%、44.1%。A星-遗传算法在保证管路布置质量的同时，有效提高了寻优效率，其对于船舶管路智能布置的适配性和...     

结合聚类模型和自适应模型的遗传算法

在进化后期,自适应遗传算法有助于保存种群中的优秀模式;但在进化初期,对适应度值大的个体的保护,易降低种群的多样性、减弱算法的搜索性能。基于聚类的遗传算法可以提高遗传算法的收敛速度和搜索性能,但交叉概率和变异概率取定值,易使优秀模式在进化后期遭到破坏,难以收敛到全局最优。在遗传算法中同时引入聚类模型和自适应模型,有利于继承两类改进型遗传算法的优点,克服各自的不足。使用经典的测试函数对引入聚类模型和自适应模型的遗传算法进行测试,仿真结果表明:同时引入聚类模型和自适应模型的遗传算法比引入聚类模型或自适应模型的遗传算法具有更好的收敛速度和寻优能力。     

子种群个体动态调整的人工蜂群算法

针对基本人工蜂群算法存在局部搜索能力差、收敛速度慢等缺点,提出一种动态调整子种群个体数目的改进人工蜂群算法用于求解无约束优化问题.该算法利用反向学习策略产生初始种群,以保证个体尽可能均匀分布在搜索空间中;基于个体适应度值,将种群分为两个子种群,分别采取不同的蜜源搜索公式,用于进行全局搜索和局部搜索.5个标准测试函数的仿真实验结果表明,改进算法具有较好的寻优性能.     

基于改进自适应遗传算法的船联网拓扑优化算法

提出了一种改进的自适应遗传算法优化船联网拓扑结构.考虑实际应用场景,以及网络的连通度、节点度、通信链路质量及通信成本等因素,最大化船联网总链路增益.改进的遗传算法在选择操作中,提出自适应个体适应度调节公式,动态调整当前种群中个体的适应度值,减小个体间适应度的差值,增加适应度较低个体通过选择过程进入下一步操作的概率,提高种群多样性.交叉和变异过程中,引入自适应调节系数,调整交叉和变异概率,尽可能使适应度值较高的个体进入下一次迭代过程.仿真实验表明,提出的改进算法能够避免早熟收敛,跳出局部极值,最终收敛得到船联网最优拓扑结构,且收敛速度更快,算法效率更高.     

参数并行：一种基于群启发式算法的机器学习参数寻优方法

针对机器学习算法超参数寻优效率低的问题和参数寻优主流算法的特点,提出了一种基于参数并行机制的机器学参数寻优方法。该方法利用群启发式算法来进行机器学习算法的参数寻优,将种群转换为Spark平台特有的弹性分布式数据集,针对参数寻优耗时特点并行计算种群中个体适应度。选取随机森林和遗传算法作为实验算法设计了多组实验对所提出的学习训练方法进行验证。实验结果表明,在20万条以下的小数据量下,文中提出的基于参数并行机制的机器学习参数寻优方法与基于数据并行机制的机器学习参数寻优方法相比,运行时间最多能够减少2个小时,并具有良好的可扩展性。     

采用遗传算法的网络优化技术

针对树型网络的拓扑结构和数学模型,从个体编码、种群初始化、种群进化、适应度函数等方面构建基于遗传算法的网络优化方法.实验结果表明:所构建的方法进一步修正了适应度函数,增强了弱势个体被选择的概率,避免遗传算法优化过程的过早收敛问题,缩短了执行时间,取得了较佳的网络优化结果.     

基于量子粒子群优化算法的PID参数控制

针对传统PID算法参数最优或接近最优确定较为困难,提出一种量子粒子群(QPSO)优化PID参数的算法,并用平方误差矩积分函数作为适应度判据,以克服PID算法自适应能力较差及遗传算法(GA)优化效率不高,其局部搜索能力较弱的缺陷。并使用伺服电动机数学模型进行仿真,结果表明量子粒子群优化PID参数速度快,避免早熟缺陷,同时表明了所提出算法的有效性和所设计控制器的优越性。     

基于自适应退火遗传算法的船舶管路布局优化方法

采用自适应遗传算法来确定标准遗传算法的杂交率和变异率,尤其对变异率的调整,使其不但能根据个体适应值的大小进行自适应修正,而且能随进化状态的改变而改变,从而增强了算法摆脱局部最优解的能力.同时引入模拟退火思想,通过对标准遗传算法接受算子的退火处理,使其在搜索过程中除了接受优化解以外还以Metropolis准则接受恶化解,提高了种群的多样性,有效地增强了全局寻优能力.通过对适应值函数的退火拉伸,调整了进化前后期的适应值差异,从而加速了寻优过程.最终以形成的自适应模拟退火遗传算法进行船舶管路的三维布局优化,仿真实验表明,该算法不但加快了寻优速度,而且与标准遗传算法相比全局收敛率提高了近30%.     

基于改进遗传算法的网格任务调度

为在网格环境下完成任务调度,使服务运行时间和费用2个指标达到最优化,将这2个指标作为网格任务调度模型的衡量指标,将计算经济模型引入网格资源管理,改进了遗传算法。算法中的染色体编码采用间接编码方式,对每个任务占用的资源编码,即实数编码方法。生成初始种群时采用随机生成种群和根据某些先验知识生成种群这2种方法相结合,变异操作时根据原来染色体的适应值和适应度函数进行有目的的随机变异。通过网格仿真平台GridSim对该算法进行模拟验证,并将其与简单遗传算法及GridSim中经济模型下时间最优算法DBC_Time比较,试验结果证明,其能较好完成网格环境下任务的调度,实现时间和费用双目标优化。     

改进遗传算法求解有时间窗车辆路由问题

为了有效求解带有时间窗的车辆路由问题,在标准遗传算法的基础上,引入两代竞争近距淘汰选择算子,用欧氏距离来判断个体之间的距离作为个体的相似程度,相似程度高且适应度差的个体被淘汰,并辅以循环交叉算子和插入变异算子,构造出了一种改进的遗传算法.仿真实验表明,改进的算法在迭代过程中能有效保持群体的多样性,避免出现早熟现象而陷入局部极值点,提高遗传算法的内在并行性.同时通过竞争淘汰,使局部搜索能力得到加强,加快了搜索速度.改进算法所计算出的结果优于用轮盘赌和自适应选择作为选择算子的遗传算法的结果.     

基于GAs/PSO组合算法的水轮机调速系统PID参数寻优

提出了一种基于GA s/PSO组合算法的P ID控制器参数自整定方法,这种方法兼有遗传算法(GA s)和粒子群算法(PSO)的优点。组合算法种群由GA s和PSO的最佳个体迁移形成,其中GA s采用了实数编码和变异概率自适应,PSO算法采用了带指数衰减的惯性因子的速度更新算法,以加快收敛速度。通过对水轮机调速系统P ID控制器参数寻优仿真比较表明,该组合算法寻优性能比单独的GA s和PSO表现更为优异,且所得系统具有更好的动态性能。     

基于基本遗传算法的PID参数整定

多目标优化问题一直是控制领域的重要研究问题。本文主要利用基本遗传算法来解决其中的参数优化问题。采用误差绝对值时间积分性能指标作为参数选择的最小目标函数,采用轮盘转的方法提高遗传算法的全局优化能力。最后,通过MATLAB仿真结果表明,根据遗传算法寻优设计的PID控制器比人为的通过调试或经验取得的数据更有说服力,控制效果更好。     

适用于大数据的遗传优化算法研究

针对传统遗传算法对高维度数据或大数据易陷入局部最优的问题,提出了一种基于网格小生境与分级多种群共同演化的增强遗传算法.首先,采用基于网格的小生境算法建立主种群,主种群独立进化,将低适应度的样本迁移至子种群中.按照低适应度样本的适应度范围建立分级的子种群结构,各子种群内的样本独立演化,低适应度子种群的样本可进化并迁移至高适应度种群或返回主种群,从而防止具有一定竞争力的样本过早死亡.对比实验结果表明,本算法对高维度数据具有较好的优化效果,优于同类型遗传算法.     

船体装配线划线优化遗传算法研究

船体装配线划线作业是与船体零件数控切割作业同时进行的,是现代造船模式中的一个重要环节.分析归纳了装配线划线作业的特点,以划线顺序和划线方向为参数,划线空走路径最短为目标,采用多参数混合编码法,建立了划线优化的遗传算法优化数学模型.对划线顺序和划线方向采用不同的遗传策略进行进化.提出的随机变异算子维持了种群的多样性,精英子自进化策略加快了种群进化过程.运用"贪心策略"初始化种群,提高了种群的适应度.仿真证明该模型是可行的,实际应用表明可有效减少划线空走路径,提高船厂生产效率.     

基于基因表达式编程优化PID调节器参数

 应用基因表达式编程（GEP）优化PID调解器参数,提出了基于GEP的PID参数优化策略和适应度函数的设计方法;提出了基于GEP的PID参数优化的GEP-PID算法。实验表明,与Ziegler-Nichols(ZN)法相比,该算法使系统阶跃响应的超调量下降了65.45%,上升时间和调整时间分别缩短了38.5%和61.5％。