过热器机理模型的遗传算法参数优化方法研究

针对过热器模型各参数存在的强耦合性,提出了基于遗传算法的机理模型参数优化方法。建立过热器数学模型,确定优化参数,应用遗传算法进行优化,直到模型精度达到要求。仿真研究表明,运用该方法建立的过热器模型达到预定精度要求;优化过程自动进行,缩短了建模和优化时间。这种方法具有通用性,简单易行,为火电厂仿真机数学建模和参数优化提供一种新的思路和方法。     

基于混合优化算法的遗传算法参数设定研究

有限计算量条件下遗传算法的理论收敛条件难以完全满足,参数选择的恰当与否直接影响到算法性能的发挥。针对这一情况,在分析现有参数设定方法的基础上,将遗传算法参数设定问题描述为随机优化问题,并提出一种解决该问题的新的混合优化算法,即基于序优化的巢分区算法。该算法将序优化思想融入巢分区算法的局部搜索过程,大大提高了局部搜索效率,而巢分区的算法框架则保证了算法的全局收敛性。以典型旅行商问题为算例的仿真结果验证了该方法的高效性与可靠性。     

基于遗传算法优化模糊对模型参数的算法设计及仿真

改进了Takagi-Sugeno型模糊树模型的反向传播学习参数的方法，提出基于GA的一套完整，系统的优化模糊对模型参数的算法，其关键是选择确定祖先节点a的方式和选择哪些变量作为染色体基因，对国际标准例题的仿真表明，该方法对算法初始值的选择不敏感，能显著提高模糊树模型的建模精度，在相同模型精度条件下，则可简化样本空间的划分，降低模型的计算量。     

基于遗传算法的相控阵随机馈相方案的优化

针对相控阵天线随机馈相方案的优化问题,提出了一种基于遗传算法的随机馈相方案优化方法,文中以一个泰勒幅度加权的线阵为例对随机馈相的数学模型进行了分析,并在此基础上,对提出的遗传优化算法进行了计算机仿真实验。仿真分析表明,优化后的天线方向图峰值副瓣电平得到了明显降低,算法具有良好的收敛性能。采用该算法对随机馈相方案进行优化设计,可以有效提高设计的效率和质量,因此值得在实际应用中加以推广。     

基于遗传算法的目标优化分配模型

结合我国防空武器的现状,根据现代防空混合配置的特点,提出了基于遗传算法的目标优化分配模型,有效地解决了目标优化分配这一复杂而困难的问题,从而提高了地空导弹武器系统的防空作战效能。     

量子遗传算法及在模糊控制器参数优化中的应用

提出了一种基于实数编码的量子遗传算法。该方法用量子比特构成染色体,用量子旋转门进行染色体更新,用量子非门进行染色体变异。针对量子旋转门的旋转角方向的选择,提出了一种简易快捷的新方法。基于适应度函数的梯度信息,构造了旋转角大小的计算公式。该方法将每一量子位的两个概率幅,看作上下两个并列的基因,每条染色体包含两条并列的基因链,每条基因链代表一个优化解。在染色体数目相同时,可显著加速优化进程,提高获得全局最优解的概率。模糊控制器参数优化问题的仿真结果表明,该方法在搜索能力方面明显优于普通量子遗传算法。     

基于禁忌遗传算法的区域路网双层优化模型

针对区域路网优化问题,利用改进的遗传禁忌算法进行了综合研究。在探讨区域路网交通特性的基础上,构建了区域路网优化的双层优化模型。并在分析遗传算法和禁忌搜索算法自身的优势与不足的基础上,提出了基于遗传禁忌算法的路网优化算法。区域路网双层优化模型利用禁忌遗传算法能够较快得到最优解,相对于传统的优化模型更能结合区域交通与经济特性,结论比较符合实际情况。应用结果表明,优化模型不仅能够满足交通需求,而且该法科学合理、可操作性强。     

基于模拟退火遗传算法的土地利用结构优化模型

将模拟退火方法引入遗传算法中,对多参数问题进行优化。该算法克服了SGAs的过早收敛的问题以及算法易陷于局部极小点的问题,使得搜索沿着全局最优方向进行。将该算法应用于解决土地资源优化分配的问题中,优化结果同样具备上述特点。参3。     

非平稳随机信号的参数模型分析方法

非平稳随机信号的分析与处理是近年来新兴的重要领域。分别从自适应AR谱分析法、可化为平稳随机情况处理的非平稳随机信号的分析方法、时变参数模型法以及基于非参数模型分析的参数模型法等几个方面综述了非平稳随机信号参数模型分析方法的发展现状,评述了这一前沿领域的最新进展。最后指出了这一领域需进一步研究的有关问题。     

基于可行解搜索法和遗传算法的堆芯参数优化

堆芯等离子体平衡设计的主要任务是通过对极向场线圈等输入参数进行搜索，给出可达到平衡的输入参数，然后使用等离子体平衡计算程序，计算出堆芯的主要参数一一拉长比、三角变形、大半径、小半径。由于输入参数过多，因此搜索的空间很大，传统的搜索方法效率十分低下。将可行解搜索法和遗传算法应用于等离子体平衡计算的搜索优化设计中，取得了很好的效果。     

一种基于复形调优遗传算法的多学科优化方法

建立良好的优化方法,是多学科设计优化（multidisciplinary design optimization, MDO）求解的关键和难点。结合具有全局搜索能力的遗传算法和局部收敛特性的复形调优算法的优势,建立了全局优化算法,并将全局优化算法应用于多学科可行（multidisciplinary feasible, MDF）方法的多学科分析模型求解,建立了两级优化MDF（double optimization MDF, DO-MDF）方法和单级优化MDF（single optimization MDF, SO-MDF）方法两种计算构架。以CASCADE系统产生的多学科问题求解为例,对比5种计算构架对MDO求解的优化结果,结果表明,DO-MDF、SO-MDF两种计算构架通过有效关联学科分析的前馈信息流表现出更好的计算能力。     

多目标优化设计中的Pareto遗传算法

遗传算法的随机性和隐含并行性,使它能同时搜索到多个局部最优解并获得最优解集。为了发挥遗传算法群体搜索的优势,提高多目标优化设计效率和灵活性,在自适应遗传算法的基础上引入群体排序技术、小生境技术和Pareto解集过滤器,建立了一种适用于多目标优化设计的Pareto遗传算法。以Pareto前沿面的形式给出优化设计的Pareto最优解集,供设计者按设计意愿选择最优的设计结果。采用Pareto遗传算法进行跨声速翼型的多目标优化设计,设计结果表明,Pareto遗传算法是十分有效的,完全可以用来进行多目标优化设计。     

基于遗传算法的相位调制波形智能优化

随着智能化程度的提高,雷达发射信号更加复杂多变.为有效应对复杂的、未知的威胁信号,需要提升对抗系统智能对抗的能力,提出一种基于智能优化算法的对抗波形智能优化方法,并通过仿真实验对基于遗传算法的相位调制波形智能优化进行研究.不同优化参数、不同实施条件、不同雷达信号及信号变化条件下的实验结果表明,遗传算法能够以较少的迭代次...     

随机需求下公交时刻表设计的鲁棒性优化

考虑在实际运营中乘客需求具有随机性,固定需求下优化的公交时刻表不适应运营的要求.随机需求下的期望值模型忽略了不利可能事件对运营的负面影响,针对此情况研究随机需求下公交时刻表设计的鲁棒性优化.模型综合考虑乘客成本与运营成本,采用鲁棒性优化权衡目标期望值与偏差期望值.结合随机模拟技术,选用遗传算法求解模型.给出了算例,验证了模型和算法的有效性.通过比较固定需求模型、随机需求期望值模型、随机需求鲁棒性模型,说明在鲁棒性优化下需要提供更多的交通供给以降低偏差期望值.最后,对鲁棒性模型中的偏差权重系数进行了灵敏度分析.     

基于粒子群-遗传的混合优化算法

提出了一种基于实数编码的粒子群优化和遗传算法的混合优化算法,该算法首先由粒子群优化进化一定代数后,将最优的M个粒子保留,去掉适应度较差的pop_size M个粒子。然后以这最优的M个粒子的位置值为基础,选择复制得到pop_size M个个体,并进行交叉、变异等遗传算法运算。最后将保留的M个粒子位置值与遗传算法进化得到新的pop_size M个体合并形成新的粒子种群,进行下一代进化运算。该算法在进化过程中能进行多次信息交换,使两种算法互补性得到更充分的发挥。通过5个函数优化实例与其他多种算法的对比研究,表明该算法收敛性能好,运算速度快,优化能力强。此外,还研究了最优粒子保留规模M以及粒子群优化进化较少代数规模对算法性能的影响。     

基于仿真模型的排队规则遗传优化算法研究

排队规则是排队系统的重要组成部分, 直接关系到排队系统的运行效率. 本文以具有复杂结构的排队系统为研究对象, 构建了排队系统仿真模型; 进一步地, 考虑排队规则的多样性特征, 提出了基于排队系统仿真建模的排队规则遗传优化算法, 并进行了算法的优化设计. 基于眼科医院实际数据的分析结果表明, 与先来先服务(FCFS)排队规则相比, 本文提出的方法所得到的排队规则可以将平均住院等待人数减少1/2以上, 并可实现系统的长期稳定性. 论文工作实现了系统仿真与遗传优化算法的有效结合, 对优化复杂系统的排队规则、提高排队系统的运行效率具有积极意义.     

混合递阶遗传算法优化小波神经网络的研究

在研究小波神经网络结构及其学习算法的基础上,提出了一种以混合递阶遗传算法优化小波神经网络的新方法,混合递阶遗传算法是递阶遗传算法和多元线性回归的结合。此方法可同时优化小波神经网络的结构及其参数,具有学习速度快,精度高的特点。并与传统的BP算法进行了对比,证明了本算法的有效性。     

基于邻接度量函数的β算法

复合随机计算系统的研究目前已成为组合优化等优化与搜索问题的重要研究方向，在阐述复合随机计算系统的一般形式的基础上，提出了处理组合优化问题的基于邻接度函数的β算法，证明了相关的性质，并以实例阐述了该方法的具体运用。     

Real coded genetic algorithm for stochastic hydrothermal generation scheduling

The intent of this paper is to schedule short-term hydrothermal system probabilistically considering stochastic operating cost curves for thermal power generation units and uncertainties in load demand and reservoir water inflows. Therefore, the stochastic multi-objective hydrothermal generation scheduling problem is formulated with explicit recognition of uncertainties in the system production cost coefficients and system load, which are treated as random variable. Fuzzy methodology has been exploited for solving a decision making problem involving multiplicity of objectives and selection criterion for best compromised solution. A real-coded genetic algorithm with arithmetic-average-bound-blend crossover and wavelet mutation operator is applied to solve short-term variable-head hydrothermal scheduling problem. Initial feasible solution has been obtained by implementing the random heuristic search. The search is performed within the operating generation limits. Equality constraints that satisfy the demand during each time interval are considered by introducing a slack thermal generating unit for each time interval. Whereas the equality constraint which satisfies the consumption of available water to its full extent for the whole scheduling period is considered by introducing slack hydro generating unit for a particular time interval. Operating limit violation by slack hydro and slack thermal generating unit is taken care using exterior penalty method. The effectiveness of the proposed method is demonstrated on two sample systems.