遗传——灾变算法及其在非线性控制系统中的应用

本文提出了遣传一灾变算法。在遗传算法的基础上，提出进一步模拟自然界中的灾变现象，以提高遗传算法的性能，尤其是解决重要的不成熟收敛问题。文中介绍了它的基本原理并将其应用于非线性控制系统的优化设计中。仿真实例验证了该算法的优良性能     

基于遗传算法的进化神经网络

提出一种基于遗传算法的多层前向神经网络的自动化设计方法(genetic multiplayer feedforward neural network，GMFNN)，用以同时完成对网络结构空间和权值空间的搜索。该算法利用双种群权值优化、结构进化自适应变异率等方法来加快算法的收敛速度，改善解的性能。仿真结果显示本文提出的算法能够有效抑制遗传算法初期收敛的发生，有效地提高多层前向神经网络的收敛精度，并可获得更为简洁的网络结构。     

基于免疫算法的前向神经网络学习方法

提出了一种采用免疫算法训练多层前向神经网络的方法。该方法利用免疫算法训练前向神经网络,能够使网络优化过程趋于全局最优。利用基于遗传策略的聚类机制确定前向神经网络的初始权值,增加了网络训练算法收敛于全局最优的概率。将这种神经网络用于雷达模拟调制信号的调制方式识别的仿真结果表明,采用该算法设计的前向神经网络达到了较高的性能。     

基于可变分段误差函数的常数模盲均衡新算法

为了克服常数模算法（CMA）收敛速度慢,稳态误差大的缺点,提出了基于可变分段误差函数的常数模盲均衡新算法.该算法可通过调节分段点位置来改变误差函数特性,并得到适合信道均衡的具有奇对称性的误差函数,从而具有收敛速度快或稳态误差小的特点.用两径水声信道和负声速梯度水声信道对算法的性能进行仿真研究,结果表明：对于前一信道均衡,新算法的收敛速度明显快于CMA;对于后一信道均衡,新算法的稳态误差明显小于CMA.     

基于ANN预报模型的快速学习算法

提出了一种基于预报模型的变目标函数的前向神经网络快速学习算法。首先推导出一种综合目标函数从而实现极值点附近收敛速度的提高,然后导出变目标函数的局部化递扒最小二乘算法,该方法与现有同类的算法相比,可以提高收敛速度和预报精度,适用于需快速学习的系统辨识和其他应用。系统辨识的仿真实例表明了算法的优良性能。     

基于超指数初始化的判决导引盲均衡算法研究

在高速水声通信和多点通信系统中,盲均衡算法由于不需要发送训练序列而节省了信道带宽,得到了广泛的关注.Bussgang类盲均衡算法中,判决导引(DD)算法虽然剩余码间干扰小,但收敛能力较弱,往往不具备使闭合眼图睁开的能力,因此常采用收敛能力较强的盲均衡算法作冷启动,在眼图睁开以后再切换到判决导引模式.利用超指数(sE)算法收敛速度快和收敛平稳的特点,提出了一种双模式盲均衡算法.该算法在收敛阶段采用超指数算法,之后通过判决准则切换到DD算法,有效地加快了算法的收敛速度,保证了算法的收敛稳定性.通过计算机仿真,表明了该方法的有效性.     

基于变尺度优化方法的快速神经网络学习算法研究

本文提出一种基于变尺度优化方法的多层前向神经网快速学习算法（ＭＤＦＰ），实验结果表明，这种算法对于加快网络的收敛速度有着显著成效     

基于优秀抗体的免疫算法及其收敛性问题的研究

在遗传算法的基础上，受生物免疫原理启发，提出基于优秀抗体的免疫算法（IABSA）。与GA不同的是，该算法子代群体的形成是在优秀抗体（问题特征信息的直接体现）的指导下进行，而不是由GA的选择算子，交叉算子，变异算子随机搜索产生的，因此，它能有效地克服不成熟收敛，与GA相比，IABSA追求的优秀抗体的收敛，通过马尔可夫链的分析，我们证明了IABSA的全局收敛性，另外，收敛性对比分析揭示了IABSA有着更快的收敛速度。     

基于对数正态误差函数的变步长盲均衡新算法

为了克服常数模算法(CMA)收敛速度慢,收敛后均方误差大的不足,定义了对数正态误差函数和新变步长,提出了基于对数正态误差函数的变步长盲均衡新算法。通过调整对数正态误差函数的均值与方差及变步长特性参数来加快该算法的收敛速度并减小收敛后的均方误差。用深海声道轴信道,对该算法的性能进行了仿真研究。结果表明:该算法收敛速度快、收敛后均方误差小,较好地克服了CMA的缺陷。     

一种自适应粒子群优化算法及其仿真研究

分析了粒子群优化(PSO)算法易于发生早熟收敛的原因。在此基础上提出的自适应粒子群优化(APSO)算法根据群体早熟收敛程度和个体适应值自适应地调整粒子的惯性权重,使群体在进化过程中始终保持惯性权重的多样性,在算法的全局收敛性和收敛速度之间做了一个很好的折衷。对两个经典函数仿真的结果表明APSO算法能够有效地避免PSO算法的早熟收敛问题,而且具有较快的收敛速度。     

一种小种群自适应遗传算法研究

分析了变异算子在标准遗传算法和自适应遗传算法中的作用和当前研究的不足,提出一种新颖的能够大大提高遗传算法性能的变异策略,并进而提出一种小种群自适应遗传算法.该方法在采用赌轮选择和单点交叉的情况下,利用一种可伸缩的变异策略使得算法在探测和开发之间取得很好的平衡,从而能够用小规模的种群进行有效的全局搜索和局部搜索,避免早熟收敛,并能够以较快的速度收敛到全局最优解.对多峰函数的仿真实验表明了算法的有效性.     

自适应基因遗传算法及其在知识获取中的应用

本文针对基因遗传算法中杂交率和变异率的难以选取问题,提出了一种自适应基因遗传算法.该方法利用降半Г分布函数对杂交率和变异率进行自适应调整,以保证群体的多样性和进化过程的稳定性,克服算法的未成熟收敛问题.最后以故障诊断知识获取为例,阐述该方法的有效性.     

遗传算法在神经网络控制中的应用与实现

比较了遗传算法与神经网络的特点,并对将遗传算法用于前向神经网络的可能性进行了研究,同时阐明了遗传算法和神经网络结合的必要性,提出了一种融合遗传算法的神经网络控制方法,该方法采用多层前向神经网络作为遗传搜索表示方式的思维,以神经网络为基础,用遗传算法 习神经网络的权系数,即保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力,将遗传算法和神经网络相结合,分析了遗传算法基本参数及神经网络结构、隐层和输出层节点非线性函的选择,设计了用遗传算法学习神经网络权系数的软件实现方法,成功地实现了机械手逆运动学求解问题及倒立摆的控制,仿真结果显示了遗传算法快速学习神经络权系数的学习效率与收敛精度,确保了快速达到全局收敛,克服了多层前向神经网络传统的BP学习算法精度低、收敛速度慢、容易陷入局部极小的缺陷,表明了该方法的可行性与有效性。     

改进二进制编码变异策略研究

由于是一种随机优化方法，标准遗传算法存在着一些不足之处，如局部搜索能力差，寻优精度不高，存在早熟收敛等。为了解决这些问题，提出了一种基于二进制编码基因住的变异策略，对编码串中的各个基因住赋予不同的变异率：在进化初期，赋予个体的高位基因以较大的杂交率，这样可以搜索到更大的解空间，提高算法的全局搜索能力；在进化后期已逼近最优解时，降低高住基因的变异率，减小较优个体被破坏的概率，同时提高低位基因的变异率，增强算法在局部范围的搜索能力。优化实例仿真结果表明，同标准遗传算法相比，改进算法具有寻优精度高，稳定性好，收敛性强等优点。     

改进PSO算法及在PID参数整定中应用研究

针对粒子群优化算法(PSO)存在早熟和局部收敛的问题,提出了一种带变异算子的改进粒子群优化算法(IPSOM),该算法在搜索中以一定变异概率对选中的粒子进行变异,同时对飞离搜索区域的粒子用新产生的粒子取代,以克服粒子群优化算法易陷入局部最优解的缺陷。用一典型的Rastigrin复杂函数对新算法进行测试,结果表明改进的算法较之粒子群优化算法(PSO)和常规遗传算法(SGA)不但提高了全局寻优能力,而且有效避免了早熟收敛问题。在此基础上将这种改进算法应用于高阶带时滞对象的PID控制器设计中进行仿真研究,结果表明了所提出算法的有效性和所设计控制器的优越性。     

遗传算法早熟问题的定量分析及其预防策略

针对遗传算法早熟收敛问题,运用模糊理论和方法,给出了早熟的新定义,提出了度量种群成熟度的模糊型指标及其计算方法。在此基础上,形成了交叉率、变异率随成熟度指标自适应调整的预防早熟策略,从而能够在提高遗传算法运行效率的同时预防早熟。仿真实验证明了该策略的有效性。     

模仿二倍体繁殖的改进遗传算法

针对标准遗传算法和二倍体遗传算法容易陷入早期收敛、末期局部搜索能力差等不足之处,给出了一种忽略等位基因显隐性的二倍体遗传算法的改进方法;模仿二倍体生物繁殖的过程,引入同源染色体交叉、配子重组操作,改进了传统遗传算法的遗传操作过程;在选择过程中采用了结合最优保留的受限选择策略及精英种群方案。仿真结果表明,该改进算法不但能使种群基因保持多样性,有效抑制了算法的早熟收敛,还降低了算法复杂度、提高了搜索精度,使算法能以较快的速度与较高的精度达到全局最优。     

基于混合蚁群优化的天地一体化调度方法

天地测控资源一体化调度问题是一个典型的大规模组合优化问题,优化过程极其复杂,采用单一优化机制的传统蚁群算法求解这类问题时,存在求解效率低且求解性能差的缺陷。鉴于此,提出了采用两种不同融合策略的新型遗传蚁群优化方法(genetic ant colony optimization hybrid algorithm, GA-ACO)求解问题。该方法利用遗传算法的快速搜索、群体性能等优势生成初始蚁群信息素分布,提高了蚁群算法由于运行初期信息素更新较慢导致的较低求解效率和后期早熟引起的较差求解质量。仿真结果表明,相比于基本蚁群算法和遗传算法,混合蚁群算法的寻优性能更好,求解效率更高,更适合解决天地测控资源一体化调度问题。     

基于特异性免疫策略的遗传算法及应用

针对标准遗传算法在进化后期收敛速度慢,易陷入未成熟收敛的问题,借鉴免疫应答机理,提出一种基于特异性免疫策略的遗传算法.算法的核心在于保持种群的多样性和执行特异性免疫策略,即引入小生境技术维持种群的多样性,对遗传参数自适应调节以适应种群的实际变化;利用高亲和度抗体搜寻更优秀的抗体,并发掘低亲和度抗体寻优的潜力;通过优良记忆库实现精英保留策略,保证算法搜索的快速性及有效性.理论上证明了算法的收敛性.仿真结果表明,算法能有效地改善种群多样性,具有较强的全局收敛能力.以二级倒立摆为被控对象,将该算法应用于Takagi- Sugeno模糊神经网络控制器的优化,实物控制结果表明该方法具有良好的动稳态性能和抗干扰能力.     

利用多群体DNA遗传算法求解线性规划问题

针对经典遗传算法存在的问题 ,提出了多群体DNA遗传算法。该方法在经典遗传算法的基础上 ,通过借鉴生物学及社会学 ,引入了多群体及DNA片断等概念 ,并提出迁移与自适应变异算法 ,可以提高遗传算法的有效性与收敛性。为了验证算法的有效性 ,将该算法应用于线性规划问题的求解。在求解过程中 ,首先利用熵障碍对偶方法对原问题进行转换 ,然后使用多群体DNA遗传算法对转换后的目标函数进行求解。仿真结果表明 ,该方法具有良好的全局搜索能力和较快的收敛速度。以上工作为解决大规模线性规划问题的求解提供了全新的思路和方法 ,对遗传算法应用的发展具有重要意义