改进的快速遗传算法及其性能研究

遗传算法作为一种有效的全局随机优化方法,在工程界已得到了广泛应用。为了克服工程应用中遗传算法所表现出的计算费时、稳定性差等缺点,提出了一种快速收敛的遗传算法,从初始群体生成及遗传算子操作等几个方面作了改进。通过几个复杂函数的优化仿真实验,证明该算法能大大提高遗传算法的收敛速度,明显改善算法的计算稳定性。     

基于遗传算法的备件两级优化建模与仿真研究

针对装备备件保障中存在的配置不合理问题,提出了一种基于仿真和遗传算法的备件配置优化算法。该算法采用仿真方法建立装备使用可用度模型,并利用遗传算法实现备件的优化,实现了在满足备件保障费用约束的前提下,使装备使用可用度达到最大。给出了应用该方法的具体步骤,并通过举例验证了算法的有效性。     

基于自然数编码遗传算法的并行测试技术

针对并行测试任务调度复杂、难以优化的问题,提出了一种基于自然数遗传算法的任务调度优化算法。该算法将并行测试任务调度转化为对串行测试任务序列的搜索,为了提高搜索效率,引进自然数编码遗传算法搜索最优解或近似最优解,将串行测试序列作为染色体,进行选择、交叉、变异等操作。通过仿真证明该算法能够迅速得到并行测试任务调度的最优解或近似最优解。对自然数编码遗传算法的各个算子对模式的作用进行了理论分析,并得到了对应的模式定理,从理论上说明了该方法的合理性。     

一种求解两机成组作业流水车间优化调度问题的遗传算法

当优化目标是总的流时间时,两机成组作业流水车间调度问题是NP难解的.本文提出了一种两机成组作业流水车间优化调度的遗传算法.该遗传算法分两层一层优化组内作业排序,一层优化组排序.仿真结果表明该方法的有效性.     

一类仓库作业优化问题的混合遗传算法研究

针对自动化立体仓库固定货架系统中拣选作业优化问题的特点, 分析并设计了一种新型高效混合遗传算法。提出了多起点2-最近点搜索算法进行初始种群的构造,采用了一种新的自适应启发式变异方法,显著改善了原有遗传算法的搜索能力。仿真结果表明该算法从执行时间和优化效果两方面均能够很好地满足作业要求。     

基于遗传算法求解Job Shop调度优化的新方法

针对Job Shop调度问题,提出了一种遗传算法编码新方法和矩阵解码方法.该方法根据问题的特点,采用一种按工序进行总体排序染色体编码方案,并采用矩阵解码,解码时体现了编码与调度方案一一对应,并且该编码方案有多种交叉操作算子可用,不需要专门设计算子.算例计算结果表明,基于该编码方案的遗传算法是有效的,能适用解决Job Shop调度问题,通过比较,用该编码方案的遗传算法优化Job Shop调度操作简单并且收敛速度快.     

交通信号自适应遗传控制算法及其仿真研究

针对传统的交通信号控制方法时效性不强、运算量大等缺陷,提出了一种基于自适应遗传算法的单点交通信号控制策略。首先构建了多相位单交叉路口的数学模型,并推导出平均延误时间目标与绿灯配时之间的关系,在此模型的基础上采用自适应遗传算法进行优化,并对该方法的有效性以及相对于传统遗传算法的快速收敛性进行了仿真验证。结果表明,相对于固定配时方案和传统的遗传算法配时方案,该方法有效的提高了控制效果和时效性。     

杂合遗传算法与计算智能

基于遗传算法的杂合系统是将遗传算法引人已有的系统算法、启发式优化策略及领域知识获取与优化等问题时,产生的一种新型的综合性算法结构设计策略．本文对遗传算法与神经网络、遗传算法与模糊逻辑,以及遗传算法与专家系统的杂合等问题进行了系统的研究与评述.     

基于遗传算法的决策树组合方法及在CRM的应用

针对客户关系管理中的客户分类问题,提出一种基于遗传算法的多重决策树组合分类方法.组合分类方法将概率度量水平的多重决策树并行组合,组合算法中采用遗传算法优化连接权值矩阵,并且采用客户信用等级评定的仿真数据对该方法进行测试和评估.实验结果表明,该组合分类方法比单个决策树及其他组合方法具有更高的分类精度,并在保持分类结果良好可解释性的基础上优化了分类规则.     

求解双层CARP优化问题的知识型遗传算法

双层CARP优化问题首先考虑物流系统的宏观配置问题,然后考虑相关服务的完成问题. 提出了一种求解双层CARP优化问题的知识型遗传算法：采用两种扩展启发式方法来辅助生成初始种群;基于算子绩效知识为每次选择、交叉和变异操作选择合适的操作算子;基于弧段顺序知识为每次交叉和变异操作选择合适的断点位置;采用局部替换程序不断向当前种群中注入新个体. 实验结果表明,知识型遗传算法在优化性能方面优于其他几种方法.     

基于先验知识和神经网络的非线性建模与预测控制

神经网络模型是模拟非线性系统的有力工具，它的缺陷是难以利用已有的先验知识。利用通用学习网络的建模方法，提出了一种利用先验知识和神经网络建立非线性系统模型的方法，具有简化神经网络结构、减小计算量的优点。基于这种模型利用改进的遗传算法进行优化计算，从而实现了基于先验知识和神经网络的非线性建模和预测控制。对一个悬吊系统的仿真实验说明了该算法的有效性。     

基于改进BIC评分的贝叶斯网络结构学习

引入专家知识已成为小数据集条件下贝叶斯网络建模的主流方法,然而,专家知识是否正确直接决定了算法的结果和性能。因此,在考虑专家知识正确性的基础上,本文对贝叶斯网络结构学习问题展开研究。首先,建立一种基于连接概率分布的结构约束模型来表示专家知识,进而结合该约束模型对贝叶斯信息准则(Bayesian information criterions,BIC)评分进行改进;最后,利用K2算法学习贝叶斯网络结构。实验结果表明,在小数据集条件下本文所提算法不仅能将专家知识引入到学习过程中,进而改善学习效果,并且对不完全正确的专家知识有一定的适应性。     

改进的舰船维修费案例调整模型

为提高舰船维修费案例的调整效果,遵循着调整知识产生、调整知识约简和调整知识推理的建模过程,提出了一种改进的舰船维修费案例调整模型。在该模型中,采用Policastro的重构方式,利用目标案例的直接和间接相似案例集,产生舰船维修费案例的调整知识;针对调整知识中可能存在冗余、相关性、知识量过于庞大不便于推理等问题,提出了一种既能有效约简调整知识、又能准确衡量调整知识重要度的改进规则约简方法,并给出了具体的实现算法;为提高知识推理的效率,采用具有强泛化能力和出色学习能力的最小二乘支持向量机（least square support vector machine,LSSVM）,构建了舰船维修费案例调整知识推理模型,并基于遗传算法（genetic algorithm,GA）和交叉验证方法,对推理模型的有关参数进行了优化。实例结果表明,与其他案例调整模型相比,所提模型在调整精度上要远远好于其他模型,所提模型是科学、有效的。     

基于遗传模糊系统的兵棋推演关键点推理方法

近年来,基于人工智能技术的自动化作战推演越发受到重视,但是由于有效地采集作战推演数据难度较大,许多依赖数据学习的人工智能技术效果不佳。在结合专家知识和作战推演数据的基础上研究作战推演中的人工智能技术,是一种可行的替代方案。为此,立足兵棋推演设计了关键点推理遗传模糊系统(genetic fuzzy system, GFS)框架,有效整合了对兵棋专家知识的建模和对兵棋复盘数据的学习,从而提高了关键点的推理质量。进一步以安全点为例,构建了安全点推理GFS,在初始化模糊系统规则库的基础上,通过合理设计遗传算法中的参数编码、适应度函数、遗传算子等,实现了安全点推理模糊系统的遗传调优算法。最后,通过实验仿真展示了所提方法的可行性和实用性。     

结合先验知识的Bayesian优化算法研究与仿真

由于一般优化问题的先验知识很难获取,因此在Bayesian网络学习中结合与利用先验知识一直是一个很难突破的问题.针对Bayesian优化算法(BOA)的特点,对一般优化问题如何发现和利用先验知识进行了分析讨论,把BOA中前一代种群所提供的信息作为先验知识结合到当前代Bayesian网络的学习中,提高了所学习网络的可靠性,从而提高算法的性能.仿真结果表明所提算法比传统BOA具有更强的全局寻优能力.     

基于扩展Kalman滤波的神经网络学习算法在股票预测中的应用

给出一种新颖的用于股价预测的基于扩展Kalman滤波的神经网络学习算法。与传统的BP算法相比，该方法具有更好的收敛率和学习能力。通过对股票的预测实验验证该方法的可行性和有效性。     

基于新型学习观测器的卫星执行机构故障重构

针对在轨微小卫星出现执行机构故障的情况,提出了一种基于非线性学习观测器(nonlinear learning observer, NLO)的卫星姿控执行机构故障重构方法。文中结合迭代学习算法和递推学习算法,设计了一种新型自适应学习算法,该算法应用前一时刻和当前时刻的姿态敏感器测量输出误差在线更新故障重构信号,使得所提NLO在估计卫星姿态角速度和姿态角的同时,能够快速精确在线重构卫星姿控执行机构故障。进一步给出了所提NLO的稳定性条件,并结合线性矩阵不等式技术给出了NLO增益矩阵的详细设计方法。最后,将所提方法应用于微小卫星姿控推力器故障重构,仿真结果验证了所提方法的有效性。     

基于先验知识的多功能雷达智能干扰决策方法

针对基于强化学习的多功能雷达干扰决策方法训练周期长、收敛慢的问题，本文提出了基于先验知识的多功能雷达智能干扰决策算法。所提算法使用了基于势能函数的收益塑造理论，利用先验知识设置收益函数，相比于传统算法，具有更快的收敛速率。利用先验知识加速算法收敛速率的方法对强化学习在多功能雷达干扰决策中的实际应用具有重要的意义，对于强化学习在其他领域的应用也具有很好的参考价值。     

基于混合自适应Memetic算法的贝叶斯网络结构学习

Memetic算法是一种基于种群的全局搜索和基于个体的局部启发式搜索的结合体,具有较高的全局搜索能力,将其成功应用于贝叶斯网络的结构学习。该算法在基本的遗传算法操作算子中,引入粒子群算法的基本思想,同时利用混沌的遍历性和云自适应的快速收敛性,提出了一种云自适应的混沌变异搜索进行局部搜索,实现全局优化,跳出局部最优。实验证明该算法在贝叶斯网络结构学习中具有很好的效果。     

基于对位学习多目标遗传算法的板形板厚控制

提出了一种基于对位学习多目标遗传算法的板形板厚控制系统设计方法。该方法给出了控制系统的结构,建立了板形板厚控制器参数的多目标优化模型,并采用对位学习多目标遗传算法对该模型进行多目标优化,得到一组控制器参数的Pareto解。在其中选择三个Pareto解对应的控制器参数,作用于板形板厚控制系统做仿真研究。结果表明,所得到的Pareto解集中选定区域的解都可以使系统具有满意的性能,并且对扰动有较好的抑制作用,证实了该方法的有效性。