基于遗传算法的二阶惯性加纯滞后模型辨识

遗传算法是一种通过模拟自然进化过程的群智能优化算法,将遗传算法应用到系统辨识方法中,能够解决作图法和两点法随意性大,不能充分利用工业现场数据的问题,从而提高辨识精度。辨识结果表明:遗传算法是模型参数估计的有效工具。该文基于遗传算法的二阶惯性加纯滞后模型辨识搜索最优解的方法,解决全局最优化问题。     

遗传算法在入侵检测系统中的应用

针对现有入侵检测系统的不足,对遗传算法应用于入侵检测的系统进行了研究,提出了一种基于遗传算法的入侵检测算法。本文简要介绍了遗传算法的基本概念,介绍了遗传算法在入侵检测技术中的应用。     

大变异遗传算法在非线性系统参数估计中的应用

针对传统非线性系统模型参数估计方法的局限性及基本遗传算法存在的"早熟收敛"问题,本文提出了基于大变异操作的改进遗传算法来进行非线性系统参数的辨识,并将其应用到活性污泥动态模型的参数估计中,取得了较好的效果.     

改进粒子群算法在暴雨强度公式参数优化中的应用

本文基于充分的信息共享机制,提出了一种改进的粒子群算法,并将其应用于北京市郊区不同重现期的暴雨强度与降雨历时关系式中参数的优化,与基本的粒子群算法,遗传算法,传统回归法和优选回归法的优化效果进行了分析比较。实例计算结果表明：粒子群算法用于暴雨强度公式中的参数估计精度高于遗传算法,传统回归法和优选回归法的参数估计精度,而改进的粒子群算法的参数估计精度又高于基本的粒子群算法。     

实数交叉算子的选取和算法改进

在总结分析实数遗传算子的基础上 ,根据算法搜索效果 ,将区域划分与转移思想应用到算法结构改进中。对复杂函数全局解搜索的实验表明 ,新算法在寻找复杂问题的全局解、提高搜索精度方面比基本实数遗传算法有较大改进。文中还将改进的实数遗传算法用于测量数据的估计中 ,得到了较好的线性和非线性参数估计结果。     

基于遗传算法的项目反应理论3PLM参数估计

对MT中3PLM的参数估计问题，用传统的统计估计方法解决得并不令人满意，该文应用加速遗传算法解决这一问题，这一方法克服了传统参数估计算法中对迭代初值要求严格的缺点．蒙特卡洛模拟结果显示，新的估计方法提高了估计值对真值的恢复能力，特别是提高了难度和猜测度参数估计的精度．     

利用遗传算法拟合实验变差函数

理论变差函数模型的获取是地质统计学中的基础性工作,它是描述储层非均质性、进行储层随机模拟必不可缺的关键环节。针对现有的拟合实验变差函数方法:人工拟合法、非线性回归最小二乘法、加权多项式拟合法等的不足之处,充分利用遗传算法在求解非线性优化问题时具有的全局寻优的特点,提出实验变差函数的遗传算法拟合方法;在常规遗传算法中引入了模拟退火算法,加速了遗传算法的收敛速度。以川中某气藏的孔隙度变差函数为例进行了计算,结果表明:利用遗传算法可以简单、快速地实现实验变差函数的参数估计。     

基于改进微粒群算法的非线性系统模型参数估计

将改进微粒群优化算法用于非线性系统模型参数估计,并通过对三种典型的非线性系统模型参数估计进行验证。实验结果表明:改进微粒群优化算法参数估计精度高,是一种有效的参数估计方法。     

基于Simplex-annealing混合方法的模型参数估计

针对现有算法的导数依赖性及其局部优化性能 ,为控制工程中的模型参数估计课题提供一种新思路。把具有概率突跳特性模拟退火 (SA)和基于高维 Euclid空间中凸多面体结构的单纯形搜索法 (SM)有机地结合 ,通过对搜索操作和参数的有效设计 ,提出了一种基于 Sim plex- annealing混合算法 (SMSA)的模型参数估计方法。对以传递函数、状态空间和自回归滑动平均 (ARMA)模型形式表达的不同典型对象进行仿真 ,结果表明 :SMSA方法在模型结构已知的情况下可准确地估计参数 ,其性能明显优于单一遗传算法(GA)     

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...     

有色噪声干扰系统的参数辨识递推算法

为了辨识受有色噪声干扰的系统参数,提出一种递推算法。该算法由系统部分的参数估计和噪声部分的参数估计2部分组成。系统参数估计采用的是包含当前预报误差和之前估计误差的递推算法辨识。噪声部分参数则是采用扩展的最小二乘算法辨识。该文对新的递推算法进行了仿真,实验结果显示该算法能够降低噪声对参数估计的影响,减小估计误差,较精确地辨识出受有色噪声干扰系统的参数。     

基于参数估计的遗传算法组卷研究

研究了针对受试学生群体的实际能力作出能动反映的组卷算法,提出基于项目反应理论,采用参数估计的方法,对遗传算法的适应度进行改进,提高了组卷算法对学生群体的适应性.     

有色噪声干扰系统的参数辨识递推算法

为了辨识受有色噪声干扰的系统参数,提出一种递推算法。该算法由系统部分的参数估计和噪声部分的参数估计2部分组成。系统参数估计采用的是包含当前预报误差和之前估计误差的递推算法辨识。噪声部分参数则是采用扩展的最小二乘算法辨识。该文对新的递推算法进行了仿真,实验结果显示该算法能够降低噪声对参数估计的影响,减小估计误差,较精确地辨识出受有色噪声干扰系统的参数。     

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。     

《演化计算》

该书主要包括遗传算法、演化策略、演化规划和遗传程序设计 4个分支。该书从演化计算的算法设计、理论分析和应用的角度对演化计算这一新技术进行系统全面的阐述和讨论。包括演化算法的基本结构及原理、步骤 ,介绍了几种演化计算理论分析方法 ,讨论了演化算法在优化、非线性参数估计、自适应建模和神经网络系统设计等领域的应用及其并行实现 ,演化计算中近年来兴起的新方向——演化硬件等内容。该书可作为相应学科的研究生教材 ,也可供有关科研人员和工程技术人员阅读参考。该书由清华大学出版社出版。《演化计算》     

高效的遗传蚁群组合算法在QoS路由上的运用

针对现有遗传蚁群算法中算法融合不佳与系统易出现拥塞现象等问题,根据遗传算法与蚁群算法不同时期的优点,提出了一种高效的遗传蚁群组合算法。该算法通过根据遗传算法的群体代价关系,提出了新的融合机制;为缓解系统最优化后所产生的节点负载压力,引入了防拥塞的赏罚机制。实验结果表明,该算法能够在保证系统传输效率的同时有效的防止数据丢包现象,与传统算法相比具有高效率、低耗能以及防丢包等优势。     

两类动态时变系统的参数估计新算法

本文应用作者提出的修正的自适应滤波算法,给出了两类有广泛应用前景的时变动态系统的参数估计新算法。模拟例子说明其方法的有效性。     

GA-BP算法在系统辨识中的应用

本文针对BP算法和遗传算法(GA)在系统辨识应用中的不足,提出了基于GA和BP算法相结合的混合(GA-BP)算法.该算法充分利用了遗传算法和BP算法各自具有的优点,在系统辨识研究中取得了良好的效果.仿真实验表明该混合算法是实用且有效的.     

启发式GA调度算法的研究与应用

将遗传算法与现有的启发式调度算法相结合,运用合适的遗传算子和调度规则,对现有的调度算法进行了改进.调度规则的引入使该算法具有较高的搜索效率,遗传算法的引入保证了解的全局最优性.对照算例表明该算法是可行的和有效的.     

神经网络全局收敛快速算法在非线性建模中的应用

把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,给出前馈神经网络在线运行投影学习算法,理论上证明算法的全局收敛性,并讨论算法参数的选择范围．通过非线性时变系统的神经网络建模应用的仿真,验证算法的在线运行能力．