基于自适应并行遗传算法优化设计的有源滤波器

提出一种用于有源滤波器的改进自适应并行遗传算法设计.引入了两个自适应算子:其一根据进化过程实现交叉和变异概率的自动调节;其二通过设计随机个体集和健壮个体集,实现种群个体的多样性和保护适应度高的个体不被破坏.采用基于岛屿的交换模型实现多种群间信息交换,扩大了种群的规模和相应的搜索空间.给出了利用该方法设计四阶切比雪夫低通滤波器的设计结果,并与基本遗传算法进行了比较实验,结果表明该算法收敛速度快、精度高,有效地克服了早熟现象.为大规模有源滤波器设计提供了方法上的支持.     

基于白适应并行遗传算法优化设计的有源滤波器

提出一种用于有源滤波器的改进自适应并行遗传算法设计．引入了两个自适应算子：其一根据进化过程实现交叉和变异概率的自动调节;其二通过设计随机个体集和健壮个体集,实现种群个体的多样性和保护适应度高的个体不被破坏．采用基于岛屿的交换模型实现多种群间信息交换,扩大了种群的规模和相应的搜索空间．给出了利用该方法设计四阶切比雪夫低通滤波器的设计结果,并与基本遗传算法进行了比较实验,结果表明该算法收敛速度快、精度高,有效地克服了早熟现象．为大规模有源滤波器设计提供了方法上的支持．     

基于代沟信息的自适应遗传算法

针对现有自适应遗传算法无法兼顾群体特性 ,难以稳定地收敛到最优解的问题 ,从种群多样性和适应度均值变化的角度 ,分析了进化停滞或退化的原因 .以种群适应度均值和多样性作为概率调整依据 ,提出了一种新的基于种群代沟信息的自适应遗传算法 .利用相邻两代群体间的适应度差异和多样性差异信息 ,设计了遗传概率的自适应调整策略 ,使算法维持较好的多样性 ,有效避免了早熟 .并证明了算法收敛性 .仿真结果表明该算法能够使种群保持良好的可进化性和收敛性 .     

自适应实值分布估计算法

针对实值分布估计算法(RECEDA)求解单模和多模优化问题存在的搜索空间有限和种群多样性保持能力较差等问题,提出了一种自适应实值分布估计算法(ARECEDA),该算法根据种群多样性性能指标自适应改变新种群采样过程中的方差值,使改进算法有效地提高种群多样性.实验结果表明,自适应实值分布估计算法比原有算法在优化精度上有很大提高.     

基于自适应ε占优的多目标差分演化算法

求解多目标优化问题最重要的目的就是获得尽可能逼近真实最优解和分布性良好的非支配解集.为此,本文提出了一种基于自适应ε占优的正交多目标差分演化算法,该算法具有如下特征:1.利用正交设计和连续空间的量化来产生具有良好分布性的初始演化种群,不仅能降低算法的时间复杂度,也能使演化充分利用种群中的个体;2.采用在线Archive种群来保存算法求得的非支配解,并用自适应的ε占优更新Archive种群,以自适应的方式维持种群的多样性、分布性.最后通过5个标准测试函数对算法的有效性进行了测试,并与其他的一些多目标优化算法进行了对比,实验结果显示,算法能够很好地逼近Pareto前沿,并具有良好的分布性.     

基于混合蛙跳算法多无人机航点规划

提出了一种自适应混合蛙跳算法(SFLA),用于解决寻找源点出发的各个无人机所走路径代价函数总和最小的多无人机航点规划问题.在该优化算法中,对各个航点采用插入分割点的方法进行航点序号整体编码,同时运用交换子交换序的方法对种群中序列个体进行更新.通过对经典混合蛙跳算法加入自适应算子,动态改变进化步长,提高算法收敛速度与精度.通过仿真实验表明所提出的自适应混合蛙跳算法对于解决非对称的多无人机航点规划问题是有效的.     

基于网格和排序的自适应遗传算法及其性能分析

提出了一种改进的自适应遗传算法.它使网格法思想在二进制编码表示个体的情况下得以实现,因此保证了初始种群内个体的遍历性和多样性;其遗传算子由个体在种群中的排序位置自适应地决定.该算法能维持种群内个体在各个运行阶段多样性,加快种群收敛速度,克服遗传算法早熟现象.几种典型的多峰函数优化结果证明该算法的有效性和实用性.     

改进的粒子群算法在分形天线中的应用

针对基本粒子群算法初始种群的盲目性、搜索过程中粒子多样性丧失的问题,提出了一种自适应混沌差分粒子群算法,该算法提高了种群粒子的多样性,具有更快的搜索速度和更高的求解精度。利用自适应混沌差分粒子群算法优化设计了一款小型化多频微带分形天线,这对于实际工程应用具有一定的指导作用。     

自适应调整子种群个体数目的遗传算法及其应用

为了协调算法的勘探和开采能力,提出一种自适应调整子种群个体数目的遗传算法.该算法首先采用佳点集方法初始化种群以保证个体均匀分布在搜索空间中.基于个体的适应度将种群分为3个子种群,并分别采用不同的交叉和变异算子.在进化过程中,根据不同的搜索阶段自适应动态调整各子种群个体的数目.几个标准测试函数的实验结果表明该算法具有较好的寻优性能.将新算法应用到重油热解模型参数估计中,可以获得满意的结果.     

基于自适应网格混合机制的多目标粒子群算法

当粒子群算法(PSO)解决多目标优化问题时,由于PSO有较快的收敛效果,使得种群在寻优过程中多样性不足,易使算法早熟收敛.为有效设计多目标粒子群算法,提出基于自适应网格混合机制的多目标粒子群算法(ammmMOPSO).该算法采用自适应网格和混合机制的一种双重维护策略,以保证外部存档中的非劣解分布均匀,避免种群快速退化,...