基于递阶遗传算法的智能跟车控制

简单回顾了智能控制以及相关技术,采用一种递阶式遗传算法,对需要控制的跟车距离的相关模糊逻辑系统隶属度函数和规则库进行寻优,其中跟车距离模糊逻辑输入隶属度函数采用三输入模型,即基本规则包含45条,然后对所采用的遗传算法的初始种群和交叉、变异率等进行了设置,最后给出仿真结果.     

基于递阶T-S模糊系统的软测量建模方法

在采用递阶模糊系统进行软测量建模时,合理的模糊系统结构对于提高模型的性能具有重要的意义.为选择合理的系统结构,采用多目标遗传算法(MOGA)选择子系统的输入变量,并结合T-S模糊系统的特点,采用二分法划分子系统的输入空间,建立了基于递阶T-S模糊系统(HTFS)的软测量模型.该方法从结构细化、输入变量对输出的影响度、输入空间划分等多方面同时提高建模精度,简化模型结构.仿真结果表明,提出的软测量方法具有精度高、结构简单、生成规则数量少,具有良好的泛化特性等优点.     

多变量环境下基于递阶模糊神经网络的强化学习

针对多变量连续空间学习问题的复杂性，给出了一种采用递阶模糊神经网络(HFNN)的强化学习方法，两个结构相同的HFNN分别同时完成模糊动作的合成以及值函数的逼近，网络参数通过梯度下降法在线调整．该方法有效地解决了在多变量环境下所遇到的规则组合爆炸问题，减少了运算量和存储量．HFNN前一阶的输出不再作为下一阶的前件，而直接用于其结论部分，克服了前一阶输出含义不明确或没有含义所带来的设计问题．通过仿真二级倒立摆验证表明，所给出方法是正确可行的．     

模糊递阶质量屋方法

运用模糊层次分析原理和模糊数排序方法，建立了模糊递阶质量屋方法，并给出了模糊递阶质量屋展开精度的度量指标。与传统的质量功能展开（Quality Function Deployment,QFD)方法和基于质量屋结构的模糊QFD方法相比，该方法能够更有效的处理QFD过程中不确定性的定性语言信息，提高顾客要求与设计要求排序的精确性，以及顾客基准比较分析与技术基准比较分析的精确性和可靠性，提高整体顾客满意展开的精度。此外，模糊递阶质量屋方法对QFD的3种主要模式具有普遍意义。     

基于递阶进化规划的RBF网络设计新方法

针对RBF神经网络的特点 ,提出一种递阶进化规划算法 ,利用此方法同时对网络的拓扑结构和网络参数 (权值、隐节点中心和形状参数 )进行优化 ,克服梯度算法需要求导且易陷入局部极小的弱点 ,分别对单入单出和多入单出非线性函数的建模问题进行了仿真 ,验证了该算法的有效性     

不可分稳态大系统的递阶优化控制算法

讨论了整体目标函数关于各子系统不具有可加形式的大规模稳态系统的优化问题,提出一种3级递阶优化算法,该算法首先把不可分问题转化可分的多目标优化问题,再从多目标优化的非劣解集中挑出原问题的最优解,建立了算法的理论基础,证明了算法的收剑性,仿真结果表明,算法是有效的。     

基于遗传算法的花键离合模糊优化设计

以某高层升降电梯动力机构中的花键离合器为例,针对花键传动参数设计取值的不确定性,分析其影响因素。以花键体齿数、长度、键宽、内外径为设计变量,以强度约束条件下的体积最小为目标函数建立数学模型。利用MATLAB软件的遗传算法对花键离合机构进行受力分析和模糊优化计算,获得一组更为合理的花键参数,提高了离合花键的强度,从而提高整个升降机构的整体性能。     

一种基于遗传算法的模糊神经网络结构和参数优化

提出一种基于遗传算法的三阶段优化策略。在给定初始参数基础上,利用基于十进制编码的遗传算法实现模糊神经网络的结构优化,用基于二进制编码的遗传算法实现模糊神经网络的参数优化。仿真结果表明上述优化策略是有效的。     

基于MATLAB平台的遗传算法工具包

在分析遗传算法要素的基础上,编写了基于Matlab的遗传算法工具包（GAToolbox）,该工具具有运行稳定,结构灵活,扩展方便的特点,并易与Matlab的其他工具包结合使用,给出了Matlab遗传算法工具包的三个成功应用实例;1）采用遗传算法工具包构造递阶遗传算法,2）基于遗传算法的径向基径神经网络学习算法;3)遗传算法优化化工过程操作条件,说明Matlab遗传算法工具包的稳定性和实用性。     

基于遗传算法的双闭环系统模糊优化设计

提出一种基于遗传算法的直流双闭环调速系统参数优化设计方法,根据工程技术的要求,选用速度超调量和过渡时间作为参数优化性能指标,将该指标用模糊隶属度函数归一化,再加权平均形成系统优化模型的目标函数。采用计算机数值计算方法,通过仿真获得系统对应参数的动力响应曲线及其性能指标。最后以工程设计的参数为搜索范围,以速度调节器和电流调节器的参数为染色体中的基因,通过遗传算法在搜索范围中优化这些基因,获得优化解,     

生态遗传算法在模糊系统辨识中的应用

给出一类模糊系统的模糊神经网络模型 .提出一种实用的生态算子 ,构建的生态遗传新算法有效解决了基本遗传算法的“早熟”问题 .采用新算法实现模糊神经网络模型的辨识 ,提高了辨识精度 .实例仿真结果验证了新算法在模糊系统辨识中的有效性     

一种基于模糊神经网络和遗传算法的智能PID控制器

常规的PID控制器参数整定方法需要被控对象的精确数学模型,且整定出的参数不能进行在线调整.而模糊控制和神经网络均不依赖被控对象的数学模型,且具有较强的自适应和自学习能力;遗传算法则是一种新型的全局优化方法.鉴于此,提出将模糊控制、神经网络和遗传算法引入PID控制器的设计过程.首先,运用遗传算法优化隶属度函数的中心值和宽度,并借助模糊逻辑控制确定遗传算法中的交叉概率和变异概率.然后,再运用BP算法优化模糊神经网络的连接权系数.仿真结果表明,该方法提高了系统的自适应能力和抗干扰能力,增强了系统的鲁棒性.     

一种基于遗传算法的模糊聚类

对模糊c均值聚类算法（FCM算法）进行了讨论，说明FCM算法一般得不到全局最优分类，因此结合FCM算法提出了用遗传算法进行寻优求解，从而将遗传算法用于模糊聚类分析，最后的实例表明，遗传算法在处理多样本、多属性、多类别问题时，是一种有效的方法。     

基于生态遗传算法的煤矸石自适应模糊模式识别

给出煤矸石组分模式识别的模糊神经网络模型，提出一种实用生态算子，同时将此基础上构建的生态遗传算法用于模糊神经网络的离线学习，能有效避免传统BP算法学习速度慢、易陷入局部极小的缺陷和基本遗传算法的遗传滑脱现象．仿真和实验结果显示新算法使离线训练的网络具有良好的收敛性能，而且从训练好的定量网络中提取模糊规则用于原煤的在线自动分选，不仅能提高煤中矸石的识别率，而且有效解决了系统识别精度与实时分选之间的矛盾．     

基于基因算法的模糊滤波器的研究

对基因算法的模糊识别进行了研究。对于简单自适应模糊滤波器不能很好地解决由于信息冗长带来的局部最优问题 ,可采用基因算法进行优化。其在不牺牲学习效率的前提下可以获得良好的性能。     

基于决策树和遗传算法的模糊分类系统设计

提出一种基于决策树初始化和遗传算法优化的模糊分类系统的设计方法.该方法首先采用分类和递归树(CART)算法进行决策树的生长,树的修剪过程简化了初始决策树;然后,把修剪后的决策树转化为模糊模型,利用匹茨堡型实数编码的遗传算法优化该模糊模型.为了提高模型的解释性,在遗传算法中利用基于相似性的模型简化方法对模型进行约简.最后利用该方法对Iris问题进行研究,仿真结果验证了该方法的有效性.     

A dynamic fuzzy clustering method based on genetic algorithm

A dynamic fuzzy clustering method is presented based on the genetic algorithm. By calculating the fuzzy dissimilarity between samples the essential associations among samples are modeled factually. The fuzzy dissimilarity between two samples is mapped into their Euclidean distance, that is, the high dimensional samples are mapped into the two-dimensional plane. The mapping is optimized globally by the genetic algorithm, which adjusts the coordinates of each sample, and thus the Euclidean distance, to approximate to the fuzzy dissimilarity between samples gradually. A key advantage of the proposed method is that the clustering is independent of the space distribution of input samples, which improves the flexibility and visualization. This method possesses characteristics of a faster convergence rate and more exact clustering than some typical clustering algorithms. Simulated experiments show the feasibility and availability of the proposed method.     

一种利用遗传算法自动生成模糊规则方法

将遗传算法用于模糊系统的建模中,在分析经典遗传算法基本原理的基础上,提出了算法的改进措施;重点阐述了模糊系统中遗传与变异的作用,从而提出了一种具有很强进化能力的模糊规则生成算法,为智能系统获得模糊规则提供了一种有效方法。模拟结果验证了该算法的正确性。     

基于遗传算法的模糊控制器参数优化

针对非线性量化因子模糊控制器的参数对系统性能影响和参数间的相互制约,提出了一种基于遗传算法的参数整定与优化方法,并进行了仿真研究。仿真结果表明通过该方法寻优的系统具有更好的响应速度和控制精度;当对象结构或参数发生变化时,非线性量化因子模糊控制器可以重新整定参数,以保持良好的控制效果,具有很强的鲁棒性。     

一种基于分层模糊控制的免疫遗传优化算法

针对标准遗传算法的不足,借鉴生物免疫机理和人脑模糊思维功能提出一种新的基于分层模糊控制的免疫遗传算法.该算法利用免疫系统独特性网络学说,改进标准遗传算法选择算子,提高了种群多样性;同时从环境、种群、个体和基因角度,全面分析算法寻优性能和各种进化参数的启发式模糊关系,采用模糊推理动态调整交叉率、交叉位置和变异率,减小了标准遗传操作的随机性.实验结果表明,新算法不仅可有效克服标准遗传算法的缺陷,而且收敛速度、计算精度和算法稳定性也得到明显提高.