GA-BP算法在系统辨识中的应用

本文针对BP算法和遗传算法(GA)在系统辨识应用中的不足,提出了基于GA和BP算法相结合的混合(GA-BP)算法.该算法充分利用了遗传算法和BP算法各自具有的优点,在系统辨识研究中取得了良好的效果.仿真实验表明该混合算法是实用且有效的.     

基于特征点提取改进的ICP算法

点云数据在逆向工程,可视化技术,虚拟现实技术,机器视觉等领域具有十分广泛的应用。提出了基于特征点提取的改进ICP算法,在曲率特征和管理点云数据的索引方法 K-D tree的基础上对改进的ICP算法进行了详细的分析,将该算法应用到对雕像数据进行精确配准,实验表明该算法在一定程度上提高了配准的精度和效率。     

基于遗传算法和最近点迭代法的多视角数据配准

针对复杂零件多视角下测量的数据,最近点迭代法（ICP）对两个点云相对初始位置不能相差太远的要求,提出了一种初始对齐和精配准相结合的方法来进行测量数据的配准,通过简单易行的各视角点群形心的坐标变换进行初始对齐,以提高遗传算法（GA）二次配准的寻优速度,再利用ICP实现快速的精确配准,具有更高的可靠性和稳定性.     

基于遗传算法的小波神经网络DTC转速辨识

由于直接转矩控制（DTC）系统的参数难以建立精确的数学模型,提出了基于遗传算法（GA）的小波神经网络（WNN）DTC系统参数辨识方法。利用GA能够搜索全局最优解且不受搜索空间的限制,再加上小波神经网络表现的良好的时频局部化特性,以及多尺度的功能,通过遗传算法对WNN的权值、伸缩因子和位移因子进行优化,实现低速运行时对转速变化的精确控制,改善了DTC系统的转速动态特性。仿真实验结果表明：该方法能提高DTC系统参数的辨识精度,基于GA的WNN具有良好的辨识效果。     

一种基于遗传算法的BP神经网络算法及其应用

主要分析了神经网络和遗传算法的特点和存在的一些缺陷，研究了遗传算法和BP神经网络学习算法相结合的相关技术，设计并实现了一个基于遗传算法的BP神经网络算法BP—GA，已应用于肺癌早期细胞病理诊断系统中。实验结果表明，该算法具有较强的收敛性和鲁棒性，其应用效果很好。     

基于正态分布变换与迭代最近点的快速点云配准算法

点云配准是三维重建过程的关键一步。传统配准算法的速度较慢,尤其是在两个点云距离较远或点云数据量较大的时候,为此提出了一种基于NDT和ICP的快速点云配准方法,能够有效地减少配准时间。本文算法主要分为三步:(1)采用NDT算法进行点云粗配准,调整两点云间的距离和点云姿态;(2)采用ICP算法对粗配后的点云数据进行微调,调整点云位置与姿态;(3)采用ICP算法对微调后的点云进行精确配准。实验结果表明,与传统算法相比,在点云数据量较大或者两个点云距离较远的情况下,算法也能够达到较快的配准速度与较高的配准精度。     

基于NDT与ICP的快速点云配准算法

点云配准是三维重建过程的关键一步。传统配准算法的速度较慢,尤其是在两个点云距离较远或点云数据较大的时候,为此本文提出了一种基于NDT和ICP的快速点云配准方法,能够有效地减少配准时间。本文算法主要分为三步：(1)采用NDT算法进行点云粗配准,调整两点云间的距离和点云姿态;(2)采用ICP算法对粗配后的点云数据进行微调,调整点云位置与姿态;(3)采用ICP算法对微调后的点云进行精确配准。实验结果表明,与传统算法相比,在点云数据量较大或者两个点云距离较远的情况下,本文算法也能够达到较快的配准速度与较高的配准精度。     

改进NSGA-Ⅱ算法在涡轮叶片多光谱测温中的应用

介绍了多光谱辐射测温原理、遗传算法(genetic algorithm,GA)以及第二代非支配排序进化算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)的应用。从自适应角度出发对NSGA_Ⅱ算法加以改进,使其交叉变异算子具有一定动态调整能力,并把差分进化算法融合到NSGA_II变异算子进化中使其进化方向得以优化。作者从计算精度,稳定度,计算速度角度出发对传统的GA遗传算法、经典的NSGA-Ⅱ算法和改进后的NSGA-Ⅱ算法进行仿真实验并且利用真实四路测温实验验证,结果表明改进的NSGA-II算法具有单次计算精度高、稳定性好、计算速度略快、最后一代种群特性良好等优点,适合应用在温度范围为700~1 000℃下涡轮叶片多光谱辐射测温中。     

基于自由曲面的点云配准算法

为了提高自由曲面工件的配准效率,提出了一种基于共面4点集的RANSAC初始配准算法和改进的迭代最近点(ICP)精确配准算法相结合的2步配准方法.首先,在基于RANSAC算法的机制上,通过点间距离和比例关系寻找2片点云的共面4点集,利用共面4点集这一不变量来约束RANSAC算法提取的样本,使点云经过初始配准后得到一个较好的初始位置;然后在基于原始ICP算法的基础上作出相应的改进,对点云初配结果进行优化,使得点云之间的配准误差达到最小,以实现点云的精确配准;最后,对2组简单工件的CAD曲面点云模型进行配准仿真.结果表明:该算法相对于传统ICP算法运行时间减少48%,精度提高56%,能够满足配准要求.     

新型的融合优化算法及其在电力系统中的应用

提出了一种新型的融合优化算法,该算法结合了遗传算法(GA)的复制、交叉、变异操作以及粒子群优化算法(PSO)的个体速度和位置更新的原理,并将混沌的概念引入其中,它的性能要优于GA和PSO.在标准测试函数上进行了仿真比较,验证了新型算法的有效性.最后,这种新的融合优化算法被应用到了电力系统最优潮流的计算中,对IEEE-30系统进行仿真,并与遗传算法、标准PSO算法进行比较,结果表明新型的融合优化算法具有更好的优化性能.     

一种新的全局优化算法——统计归纳算法

在多极值问题的优化领域 ,主要有模拟退火算法(SA) ,遗传算法 (GA) ,人工神经网络 (ANN)算法 ,它们都是基于对自然现象模仿的算法。该文从更基本的优化思想出发 ,基于概率论提出了一种新的全局优化算法——统计归纳算法 (SIA)。在一些标准测试函数以及“货郎担问题”(TSP)上的计算结果表明 ,该算法在智能性 (所需的函数计算次数 )和解的全局性方面都远远好于 SA和 GA。在中国 144个城市的 TSP问题实例中 ,它甚至很快就找到了比参考计算中给出的“目前已知的最优路径”更短的路径。从这一算法思想的角度 ,阐述了 SA和 GA为何对全局优化问题有效 ,以及SA和 GA各自固有的不足之处     

基于遗传算法的BP网络及其非线性逼近能力研究

提出了一种基于遗传算法(GA)的BP神经网络模型优化方案,指出了遗传算法和标准BP算法各自的优缺点。首先采用自适应交叉概率的遗传算法优化网络的权值,在进化结束时,能够寻到全局最优点附近的点。在遗传算法搜索结果的基础上,利用局部寻优能力较强的梯度下降法,从此点出发,进行局部搜索,进而达到网络的训练目标。仿真表明与单一的梯度下降法比较,混合优化算法的收敛速度快,逼近的效果好,因而所给出的算法可行有效。     

基于遗传算法的BP网络在机车滚动轴承故障诊断中的应用

提出一种遗传算法（GA）和BP算法结合的神经网络模型优化方案。首先采用自适应交叉概率和变异概率的遗传算法优化BP网络的权值,在进化结束时,能够寻到全局最优点附近的点;在遗传算法搜索结果的基础上,利用局部寻优能力较强的BP算法,从此点出发,进行局部搜索,进而达到网络的训练目标。在铁路机车滚动轴承诊断方面,利用MATLAB仿真实验结果表明,遗传算法与BP算法结合的模型诊断精度为100%,标准BP算法的模型诊断进度为80%,并且提高了网络的收敛速度。说明GA—BP算法模型诊断精度较高,诊断能力得到了改进,遗传算法与BP算法的结合算法可行有效。     

文本特征抽取中基于基因集编码的遗传退火算法

采用基因集的形式对传统遗传算法的编码方式进行改进,再引入模拟退火的思想,提出一种基于基因集编码的遗传退火算法的文本特征抽取方法（GSGAA）,并与遗传算法（GA）和模拟退火GA算法（SA-GA）进行比较实验。结果表明,GSGAA算法用于文本分类的特征抽取所得出结果的正确率和执行时间都比采用单基因进行编码的GA算法和GA-SA算法好,具有一定的应用价值。     

一种免疫进化算法及仿真研究

遗传算法(GA)作为一种高效并行随机搜索方法,具有很好的全局寻优能力;但是GA存在易陷入局部最优、个体多样性不足等缺点.正是基于GA的诸多问题,定义了一种计算抗体相似度和选择概率的新方法,并在遗传算法的基础上借鉴生物免疫系统的免疫记忆、浓度调节、抗体促进与抑制等机理以及分组变异思想,提出了一种新的免疫遗传算法.该算法用于优化复杂函数以及PID控制器,并与其它算法进行了比较.实验结果表明,该算法具有很好的全局收敛性能和搜索速度快等优点.     

自交叉遗传算法

传统的双亲遗传算法能够通过交叉运算,实行基因重组,从而得到问题的有效解.但这种算法只是注重了不同染色体间组合的有效性,对于染色体本身的特性没有研究.通过引入单亲遗传算法的交叉运算,发现两者的结合能够有效地提高遗传算法的效率,从而提出了自交叉遗传算法(self cross GA).通过对比传统的遗传算法(GA)求解函数优化问题的表现,证明该算法具有更好的精确度和收敛性.     

基于遗传模拟退火算法的漏磁缺陷重构

通过将模拟退火技术加到遗传算法（GA）的变异运算中，提出一种遗传模拟退火算法（genetic-simulated—annealing—algorithm，GSAA），并且提出一种基于GSAA的逆算法，用于从漏磁信号中重构二维缺陷．该算法中，径向基函数神经网络（RBFNN）用作前向模型，GSAA用于求解逆问题中的优化问题．实验结果表明，同基于GA的逆算法相比，基于GSAA的逆算法更精确，并且对噪声更具鲁棒性．     

带排斥算子的GA求解无能力约束的多级生产批量计划问题

离散制造行业中的多级生产批量计划(multi-level lot-sizing,MLLS)问题的研究不但是一个理论和应用上的难题,也是在生产中产生重大经济效益的问题之一.针对无能力约束的装配结构MLLS问题,为避免基本遗传算法(genetic algorithm,GA)因过早收敛造成搜索效率降低,将排斥算子(repulsion operator)引入GA中,提出带有排斥算子的遗传算法(GA integrated with repulsion operator,RGA).采用GA算法和RGA算法对6组不同规模的问题进行了仿真实验.结果表明,RGA算法的运行效果明显优于普通GA算法;RGA算法对于...     

一个用于前向网络权值学习的改进型遗传算法

在遗传算法（GA）的基础上引入了梯度算法，用它在内层无互联的前向神经网络中代替传统算法来学习和优化仅值，并对算法的向个主要模块进行了描述，利用GA的突变性和全局最优化搜索可能的极值，用自适应代沟替代策略更好地进行优胜劣汰，利用梯度下降算法在较优极值点附近快速收敛，实验表明，这种算法的收敛速度比基本遗传算法要快得多，学习质量也比神经网络传统的算法有显著的提高。     

基因遗传算法用于人工神经网络的训练

根据基因遗传算法GA的基本原理,阐述了GA用于神经网络训练问题的适合度函数和编码方法,分析了标准GA的不足,提出了自适应浮动区间中心点、全局搜索和局部精确搜索等改进策略,发展了GENITOR算法.训练实例表明,GA不仅能代替BP算法,而且能完成神经元激发函数不可微的多层神经网络的训练.