基于模拟退火遗传算法的IIR数字滤波器参数优化设计

结合模拟退火算法的思想和遗传算法的思想,提出模拟退火遗传算法,并用此算法进行滤波器参数整定与优化,同时使用自适应交叉率和变异率,以及适应度拉伸方法对传统遗传算法进行改进。该算法有效抑制早熟,又具有收敛性快、全局寻优与局部寻优能力。仿真结果表明,基于此算法寻优设计的滤波器控制器具有更好的滤波特性。     

基于RBF神经网络的水文地质参数识别

水文地质参数识别问题是水文地质学上的一个难题。针对传统水文地质参数识别方法的局限性，提出了水文地质参数识别的径向基函数(RBF )神经网络方法，并通过算例验证了它的可行性与有效性，实现了水文地质参数的自动识别，提高了计算效率，比BP神经网络具有更好的参数识别效果。     

基于模拟退火遗传算法的网络编码优化研究

网络编码技术能够减少数据传输次数,提高网络吞吐量和传输效率.但使用网络编码后,节点需要增加额外的编码操作,增加了节点的复杂度和开销.本文提出基于模拟退火遗传算法的网络编码优化算法SAGAS.SAGAS引入基于模拟退火的个体接受机制,保证种群在遗传进程中的多样性,避免种群陷入局部最优.在遗传操作中,SAGAS利用网络转移矩阵指导染色体的遗传操作,避免无效遗传操作,提高算法的收敛速度.仿真结果表明,与标准遗传算法相比,本文提出的算法能够在更短的时间内寻找到更少编码边的网络编码方案.     

基于模拟退火遗传算法的板材优化下料

通过对板材优化下料问题的研究,给出了一种较为实用的具体的模拟遗传算法,该算法融合了遗传算法和模拟退火算法的优点,兼有遗传算法中种群个体、交配、基因、遗传、变异等淘汰劣质解的操作,也有模拟退火算法中冷却进度表和接受概率等寻优控制技术,可以更好地实现板材下料问题的快速求解。     

模拟退火遗传算法在电力系统无功优化中的应用

电力系统无功优化是保证系统安全、经济运行的一项有效手段.针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,在遗传算法(GA)和模拟退火算法(SA)的基础上,提出了更加有效的算法即模拟退火遗传算法.使用该文提出的算法对IEEE-14节点系统进行了无功优化计算,结果表明该模拟退火遗传算法应用于无功优化是合理可行的.     

基于模拟退火-遗传算法的过程控制参数寻优研究

论述了如何将模拟退火算法与遗传算法相结合，并用于过程控制参数的优选，得到了适应度函数以误差最小为优化准则的最优参数，用该参数进行了二阶系统阶跃响应的仿真研究，取得了较好的控制效果，表明模拟退火—遗传算法用于过程控制参数的寻优具有较强的实用价值。     

遗传算法与模拟退火算法混合策略模糊控制的研究

提出基于遗传算法与模拟退火算法混合策略的模糊控制，使控制规则得到优化，从而改善了控制性能，仿真实例表明这种方法是可行的。     

模拟退火遗传算法的泵站优化运行

针对泵站在不同流量扬程要求时,水泵运行组合不合理,导致泵站运行效率低的问题,提出以泵站总功率最小为目标函数的优化运行数学模型.此模型以水泵扬程、总供水量和调速泵的调速率为约束条件,利用模拟退火遗传算法确定并联运行泵的台数、调速泵的调速率及泵的流量分配,实现泵站的优化运行.该算法引入了不可行度对每代种群做初始选择,并利用不可行度取代传统的惩罚函数,平衡目标函数最优化和满足约束条件这两方面的要求.最后通过实例验证了本算法在求解泵站优化调度问题方面的可行性.     

基于遗传算法模拟退火算法解决修边损耗问题

纸箱包装行业是一个传统的产业,在纸箱生产中需要拼单来降低修边损耗以减少成本。本文根据生产上的实际经验提出了问题的数学模型,针对该模型,本文将遗传算法和模拟退火算法结合,解决了遗传算法的收敛过快以及局部搜索能力不强的问题。在选择操作中直接保存优秀个体,来增强算法的收敛性。在变异和交叉操作中采用自适应的变异和交叉概率,增强了搜索解空间的均匀性,并引入了记忆功能,最终获得问题的近似最优解。     

基于自适应伪并行遗传算法的动力学参数识别

为研究结构动力学参数识别问题,引入一种新的度量种群多样性的指标,构造了新的自适应遗传算子,结合伪并行遗传算法,改进了遗传算法的全局收敛性和收敛速度;利用ANSYS程序的参数编程,将其成功应用于动力学模型中弹性模量和阻尼的识别.数值试验表明,该方法具有满意的识别效果,并具有较强的抗噪能力,可用于工程实际.     

基于遗传算法的摩擦模型参数辨识

摘Tustin摩擦模型能够很好地描述零速附近的摩擦力,由于该模型为非线性模型,使得参数辨识非常困难。针对该模型提出了一种基于遗传算法的摩擦模型参数辨识方法,并通过仿真对辨识结果进行验证,结果表明该方法是有效的。     

基于模拟退火算法的Hopfield神经网络参数优化

为解决Hopfield神经网络应用过程中参数设置的问题,在研究Hopfield神经网络的工作原理的基础上,分析了神经网络模型在求解TSP(Traveling Salesman Problem)问题过程中参数的选取,通过对输出数据进行归一化处理建立网络的评价函数,然后引入模拟退火算法对参数进行最优化选取。实验结果表明,经过参数优化过的Hopfield神经网络模型能更有效,更快速地得到TSP问题的最优解。     

基于模拟退火算法的爆炸冲击荷载参数反演法

基于模拟退火算法,建立了根据测试系统动力响应观测数据反演爆炸冲击荷载参数的数值方法。数值模拟结果表明,本文所提出的爆炸冲击荷载参数随机反演方法具有全局搜索能力,并且具有良好的抗观测噪音能力。当 测试系统的观测相对误差为10％时,参数反演结果的误差小于4％。所建立的参数反演方法具有良好的鲁棒性。     

模拟退火算法与支持向量机在机械故障诊断中的应用

为提高支持向量机在机械故障诊断测试中的分类正确率,将模拟退火算法与支持向量机相结合,用模拟退火算法优化支持向量机核函数及其参数,再将故障特征输入支持向量机进行故障识别.诊断实例表明,该方法与传统支持向量机方法相比能得到较高的诊断精度.     

遗传算法与模拟退火算法混合策略模糊控制的研究

提出基于遗传算法与模拟退火算法混合策略的模糊控制,使控制规则得到优化,从而改善了控制性能．仿真实例表明这种方法是可行的．     

差分进化算法在气动力参数辨识中的应用

差分进化算法是一种新兴的优化算法,与最小二乘法等梯度类算法相比,它能够进行全局寻优且对初值不敏感,具有广泛的应用前景.建立某型飞机刚体运动的6自由度非线性动力学模型,在叠加一定比例白噪声的情况下获得其仿真数据,使用差分进化算法辨识出该型飞机的纵向运动气动力参数,辨识结果与真实值较为吻合,证明该算法是可行的.多组试验表明:对于该型飞机的动力学模型和仿真数据,使用差分进化算法的辨识结果与使用最小二乘法、普通粒子群算法的辨识结果相比,具有更高的精度和更强的鲁棒性.     

基于改进的粒子群优化算法的轮胎参数辨识

轮胎是汽车的重要组成部分,其特性分析是研究汽车动力学的基础,其模型的精度直接影响整车模型仿真的精度,多采用粒子群优化算法对轮胎参数进行辨识.参考自然界生物进化现象,在基本粒子群算法的基础上提出带变异阀值的多种群粒子群算法.该算法采用多个种群同时进化以保证粒子群的多样性,同时可改善全局收敛的可靠性,采用变异阀值可避免优化算法陷于局部收敛现象的发生.将该方法应用于轮胎参数辨识,并与其他优化算法辨识结果进行比较,该方法结果能够更好地与实验数据吻合,证明该方法辨识精度高,在轮胎参数辨识中有较好的应用性.     

基于遗传算法和抽样反分析法的结构参数辨识

提出基于遗传算法的多层建筑结构参数辩识方法，并与抽样反分析法进行比较，进而在辩识的基础上进行结构响应预测。结果表明，对单自由度或辩识精度要求不太高的结构参数辩识，宜采用抽样反分析法；对自由度多或辩识精度要求高的参数辩识，粗采用遗传算法。遗传算法的辩识精度较高，预测较准确。     

基于直接积分最小二乘法的同步发电机的参数辨识

针对同步发电机模型参数中多个不可观测量的存在使得需要求解复杂的微分方程组对电机参数进行辨识,进而导致了辨识困难,提出了一种完全由可观测量表示的同步发电机辨识模型,即状态量均为由发电机出口电流、励磁电压、励磁电流以及功角,转速变量增量表示的可量测量,并基于该模型提出用直接积分最小二乘原理(DILS)来辨识发电机参数.这样既避免了复杂微分方程的求解过程,简化了参数辨识方法,又提高了辨识效率.辨识后,利用MATLAB进行算例仿真,通过实测曲线和辨识曲线的拟合表明了所采用的辨识模型与算法是正确、有效的.     

结构参数识别中的数字滤波

时间序列分析法已成功地用于结构的参数识别。本文所应用的数字滤波技术可使响应采样序列中高阶的信息消除，以便降低ＡＲＭＡＶ模型的阶数而克服拟合其参数时出现的困难。 文中指出了如何选择合适的滤波器，由模拟的向离散的滤波器的转换方法，以及消除其相位失真的逆置方法． 最后给出了应用滤波技术的时间序列法参数识别的仿真实例和实验实例。