基于超平面及遗传算法优化的网格简化

基于对目前反求工程中已有方法的分析，引入超平面的概念；通过对三角网格曲率的离散化计算，经过种子点的生长以及区域合并形成超平面。在对超平面删除后留下的空洞进行重新三角化时，利用遗传算法生成具有空间形状优化的简化模型。在此过程中以一种新的编码方式使遗传算法能够适应网格优化的特殊性；通过对变异算子的修改，保证遗传进化的有效性；将交叉算子放弃，避免了新产生的三角网格和已经存在的网格重叠和相交。通过这种方法可以调节形状的优化程度和侧重度。     

基于遗传算法的多目标优化方法

本文通过建立多目标问题模型,提出了运用改进的遗传算法求解多目标物流网络问题.该算法借鉴AHP方法的思想,采用将其与遗传算法混合的求解策略,并采用分阶段化的实数编码思想以及相应的遗传算子设计,对遗传算法进行适应性改进.     

一类基于混合遗传算法的多目标优化方法

提出一类求多目标Pareto解的快速算法，该算法将个体各分目标的最大值作为适应度函数，采用混合遗传算法，通过求解种群适应度极小值的方法来获得Pareto边界不同方向上的最优解，并在种群进化过程中采用了一些加速收敛的改进方法，通过典型算例的仿真验证了其有效性．     

目标识别中的遗传算法研究

提出了一种基于多样本模板的遗传算法目标识别方法 ,将若干个差别较大的目标样本存入目标库中 ,对所需提取目标的图象用遗传算法来求得这些匹配样本的最小匹配误差测度 ,最终匹配位置即为需提取的模板位置 ,而模板尺寸即为此时的样本尺寸     

基于遗传算法的多目标优化算法

本文先介绍了遗传算法的实现技术,又介绍了多目标优化问题的概念,然后使用遗传算法来求解多目标优化问题。文中使用了均匀设计方法来设计适应度函数,并设计了新的变异算子,算法结果是有效的。     

基于遗传算法的多目标优化配矿

为综合衡量配矿效果,基于多目标优化理论,以磨浮入选原矿组分指标、入选原矿品质稳定及最大限度利用原矿为目标,构建磷矿堆场多目标优化配矿模型,并采用改进的多目标遗传算法求解该模型。经约束多目标优化算例测试结果表明：改进的多目标遗传算法可以找到多目标优化问题分布广泛、均匀的Pareto最优解集。并针对磷矿浮选堆场开展多目标优化配矿,现场测试结果显示,矿石混配后P2 O5含量23.052％,MgO含量4.195％,混配原矿30654 t,比常规优化方案资源利用率提高0.31％。研究结果表明,该多目标优化配矿技术可实现稳定矿石品质的同时最大限度地利用原矿。     

基于遗传算法的交通信号控制多目标优化

针对城市交通信号控制面临的多目标优化问题,提出了利用遗传算法实现多目标优化的方法.分析了城市交通信号控制多目标优化的本质及特点,采用基于遗传算法的多目标优化方法,提出了信号控制多层模糊控制模型,以平均延误和停车次数作为优化目标,采用遗传算法中的随机权重方法来进行该模型的多目标综合优化,给出了各模型参数的计算方法和优化步骤,最后进行了仿真试验.仿真结果表明,给出的多目标优化方法优于传统的多目标固定权重方法,可以获得更好的交通信号控制效果.     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．     

一种超体积准则多目标遗传算法的螺旋桨叶片优化方法

为改善螺旋桨叶片敞水效率,用结合超体积准则的多目标遗传算法优化螺旋桨桨型设计.优化过程中,桨叶形状用B样条曲线拟合,利用面元法建立桨型性能模型.将计算螺旋桨升力和阻力转化为降低阻升比、桨型面积差和压力方差三个优化目标,得到优化后的螺旋桨剖面形状,并将优化前后的螺旋桨进行流体分析.结果表明,超体积准则结合多目标遗传算法进行螺旋桨叶片优化是有效的.优化后的桨型在面积差变化较小的情况下三个目标均有明显改进,螺旋桨水动力性能达到预期目标,敞水效率提升12%.     

一种基于遗传算法的航迹优化方法

目的设计优化一类巡航导弹航迹,且航迹满足避开地空导弹、高炮、歼击机群、电磁脉冲等火力单元和地形地物障碍,并且满足航迹路径长度短、耗油量少等约束条件。方法利用遗传算法进行优化,对遗传算法的交叉操作进行改进。结果提出了一种巡航导弹航迹优化算法和一个航迹规划代价评判模型。结论经仿真实验证明该方法典型性强,处理的信息量小,实时性也较好, 具有一定的理论和使用价值。     

一种求解多目标优化问题的新遗传算法

给出了种群个体的序和密度定义,在此定义下又给出目标空间中Pareto界面上解的质量度量函数和均匀性度量函数.把对任意多个目标优化问题转化成了利用解的质量度量函数及均匀性度量函数构成的2个目标优化问题,同时对转化后的优化问题设计了一种新的遗传算法.为了提高算法的性能,对算法采用变适应度进化策略及遗传参数采用自适应调节技术.数据实验表明该算法对提高Pareto界面上解的质量及其均匀分布是有效的.     

基于多目标粒子群算法的风光水火多源AGC协调优化方法

针对高比例新能源渗透背景下的常规AGC机组和新能源AGC机组协调控制问题,提出了基于"两个细则"的风光水火多电源AGC多目标协调优化方法,该方法在确保电网调频经济性的同时兼顾了电网的调频质量和网架功率传输能力。基于某地区长期AGC历史统计数据,分析了不同类型机组的调频特性,计算其调频指标;基于华中电网"两个细则"的要求,以电网的调频成本和网损成本、调频速度和调频精度为目标,建立了含风光水火的多目标AGC有功协调优化模型;结合某内陆地区网架结构和AGC数据,采用多目标粒子群算法进行模型求解,得到了各个AGC场站的有功出力,进而验证了文中提出方法的有效性。     

P systems based multi-objective optimization algorithm

Based on P systems, this paper proposes a new multi-objective optimization algorithm (PMOA). Similar to P systems, PMOA has a cell-like structure. The structure is dynamic and its membranes merge and divide at different stages. The key rule of a membrane is the communication rule which is derived from P systems. Mutation rules are important for the algorithm, which has different ranges of mutation in different membranes. The cooperation of the two rules contributes to the diversity of the population, the conquest of the muhimodality of objective function and the convergence of algorithm. Moreover, the unique structure divides the whole population into several sub populations, which decreases the computational complexity. Almost a dozen popular algorithms are compared using several test problems. Simulation results illustrate that the PMOA has the best performance. Its solutions are closer to the true Pareto-optimal front     

多目标云分布估计算法

为增强多目标分布估计算法(MEDA)的局部搜索能力,将云模型引入到多目标分布估计算法中,提出一种多目标云分布估计算法(CMEDA).该算法一方面利用分布估计的采样操作对进化种群进行搜索,另一方面利用云滴具有随机性、稳定倾向性等特点,进行外部档案搜索,实现群体间信息交换,从而提高多目标分布估计算法的全局搜索能力.数值实验选取6个常用测试函数,并与NSGA-Ⅱ和MEDA算法进行比较,结果表明,CMEDA算法在收敛性和多样性两方面都有较好的性能.     

P systems based multi-objective optimization algorithm

Based on P systems, this paper proposes a new multi-objective optimization algorithm (PMOA). Similar to P systems, PMOA has a cell-like structure. The structure is dynamic and its membranes merge and divide at different stages. The key rule of a membrane is the communication rule which is derived from P systems. Mutation rules are important for the algorithm, which has different ranges of mutation in different membranes. The cooperation of the two rules contributes to the diversity of the population, the conquest of the muhimodality of objective function and the convergence of algorithm. Moreover, the unique structure divides the whole population into several sub populations, which decreases the computational complexity. Almost a dozen popular algorithms are compared using several test problems. Simulation results illustrate that the PMOA has the best performance. Its solutions are closer to the true Pareto-optimal front     

基于多目标粒子群优化的服务选择算法

基于多目标粒子群优化算法提出一种高效的服务选择算法(MOPSOSS).首先将服务选择问题建模为带QoS约束的多目标组合优化问题;其次,根据支配的概念构造远小于原子服务集的新子服务集;最后基于多目标粒子群优化算法求解由新子服务集构成的服务选择问题,从而获得一组满足约束的pareto最优解.理论分析表明,MOPSOSS能正确、高效地求出原问题的全局最优解.与遗传算法(GA)的对比结果表明当问题规模大于150时,MOPSOSS的平均运行时间仅为GA的7%,求出的解的个数是GA的1.15倍,75%的解能支配GA求出的解,分布广度是GA的1.5倍.随着约束强度的增加,MOPSOSS的平均运行时间减少,而解的质量并无显著下降.与GA相比,MOPSOSS能用更短的时间求出更多高质量的解.     

两阶段混合引导的偏好多目标优化算法

在偏好多目标优化问题求解中,基于偏好点引导方式的优化算法性能易受偏好点具体位置的影响,且不能控制偏好解集大小;而基于偏好区域引导方式的优化算法虽然能控制偏好解集规模,但算法初期收敛效率不够高。针对此问题,提出一种两阶段混合引导的偏好多目标优化算法。算法初期采取偏好点的引导方式,同时引入偏好界限动态调整策略,使得种群快速收敛到偏好区域附近。迭代一定次数后,采用偏好向量引导方式指导算法搜索,达到控制偏好解集范围的目的。与几种经典的偏好优化算法进行实验对比分析,结果表明,所提算法性能不受偏好点位置影响,得到的偏好解集能很好地表征决策者的偏好信息,并且控制了偏好解集范围,便于决策者的最终决策。