无线传感器网络功率优化算法

无线传感器网络由许多电池能量有限的节点组成,该网络主要收集感知区域的信息.节点能量管理的优化对于延长网络寿命具有重要影响,如果每个节点直接向sink节点或基站发送信息,节点电池很快耗尽,网络也会失去作用.提出了动态路由的新方法以平衡节点能量开销,在Dijkstra最短路径算法和改进遗传算法的基础上,以功率有效性为首要原则,建立了网络拓扑.仿真结果接近最优解,达到节省能量的要求.     

全路网改进动态O-D反推模型

针对动态O-D矩阵在全路网中难以直接获得的问题,提出了一种改进的反推模型。首先提出了以最小化观测值与反推值偏差的绝对值之和作为目标函数的路口参数优化模型,并采用遗传算法求解,设计了编解码方案。将反推得到的路口转向流量和流量检测系统中得到的路段流量共同作为已知量,建立了其与全路网动态O-D矩阵的动态关系,增强了系统的静定性。以反推值与最优历史值的偏差作为状态变量,建立了基于Kalman滤波的状态空间模型,并采用扩展Kalman滤波求解。仿真结果表明,模型和算法具有较好的精度、效率和鲁棒性。     

遗传算法在近圆轨道编队设计中的应用

椭圆参考轨道的卫星编队队形设计比圆参考轨道要困难得多,有时很难找到符合队形要求的初始条件。基于L aw den方程,给出了利用遗传算法设计椭圆参考轨道情形下的星下点圆形编队设计方法。由于参考轨道为大偏心率椭圆轨道时不存在圆形星下点队形,只讨论了参考轨道为小偏心率椭圆的情形。与对圆参考轨道的C-W方程初始条件进行修正的方法相比,该方法有更高的设计精度。最后使用脉冲推力模型求解了椭圆参考轨道编队的能量最省队形重构的轨迹规划问题。结果表明,遗传算法可以很好地应用于小偏心率参考轨道编队的队形和重构轨迹设计中。     

基于遗传算法混合有源滤波器参数的多目标优化

为了解决混合有源滤波器(hybrid active pow erfilter,HAPF)参数匹配以及无源部分和有源部分容量的合理分配,提出一种基于小生境遗传算法的多目标满意优化设计方法,较为全面地考虑HAPF的容量、滤波效果、无功补偿等因素,使得多目标参数求解达到协调满意的效果。优化结果表明:有源部分容量仅为滤波器容量的6.4%,电流总畸变率降低到0.8%,同时满足系统无功功率需要,降低了HAPF系统的投资,提高性能价格比,达到HAPF实用化及谐波抑制的目的。     

一种遗传算法求约束优化问题的新方法

为了更好的解决约束优化问题,介绍了利用遗传算法求解约束优化问题的一般方法,在分析传统方法的基础上提一种遗传算法求解约束优化问题的新方法,将约束优化问题分成两步:首先不考虑目标函数,把约束优化问题转换为一个约束满足问题来处理,获得一个可行解;然后对目标函数和已满足约束的条件进行优化,最终获得一个最优解。还对该方法在不同问题下作了分析,证明了该方法对求解有约束优化问题有良好性能。     

酪氨酸电氧化反应体系的[ip,v]数据处理方法研究

本文主要探讨依据较低电势扫描速率条件下的[ip，v]数据集而定量获取电活性物质的表面超额等参数的新的信息处理方法。     

成本约束下工作流时间最小化的资源配置优化

时间是衡量工作流性能的重要指标。通过对工作流的资源配置的优化,可以改善工作流的时间性能。资源配置优化可以从资源专业化/一般化程度和资源数量两个方面来进行。为了优化资源的这两个方面,提出了一种基于分层嵌套遗传算法的资源优化方法。它采用工作流实例平均响应时间作为评价指标,在成本的约束下,正确配置各类资源专业化/一般化的程度及资源数量,从而最优化工作流时间性能。并通过实例,说明了该方法的可行性和有效性。     

基于广义粗糙集的不确定条件下的Flow Shop调度

在实际生产调度过程中，加工时间的不确定性是普遍存在的，因此引用广义粗糙变量来表示不确定的工件处理时间，定义粗糙加法运算，precision以及ratio，建立了处理时间不确定性的FlowShop调度问题的精糙规划模型，提出了粗糙遗传调度算法将其应用于调度模型的求解，仿真实验证明了算法的有效性。     

一种基于遗传算法的网格调度算法的研究

分析网格中现有的调度算法的优点以及不足,综合考虑带宽和数据传输量等因素,利用遗传算法的选择,交叉,变异特性,有效的减少任务的完成时间,同时考虑到任务可能存在的异常现象。引入重调度思想解决该问题,最后提出了一种新的适用于网格环境下的任务调度算法,并通过模拟实验进行验证。     

Approach to Weighted Geometric Evaluation Based on Projection Pursuit

Weighted geometric evaluation approach based on Projection pursuit （PP） model is presented in this paper to optimize the choice of schemes. By using PP model, the multi-dimension evaluation index values of schemes can be synthesized into projection value with one dimension. The scheme with a bigger projection value is much better, so the schemes sample can be an optimized choice according to the projection value of each scheme. The modeling of PP based on accelerating genetic algorithm can predigest the realized process of projection pursuit technique, can overcome the shortcomings of large computation amount and the difficulty of computer programming in traditional projection pursuit methods, and can give a new method for application of projection pursuit technique to optimize choice of schemes by using weighted geometric evaluation. The analysis of an applied sample shows that applying PP model driven directly by samples data to optimize choice of schemes is both simple and feasible, that its projection values are relatively decentralized and profit decision-making, that its applicability and maneuverability are high. It can avoid the shortcoming of subjective weighing method, and its results are scientific and objective.