一种改进的二进制编码遗传算法研究

针对普通遗传算法(CGA)易陷入早熟,局部搜索能力较差,全局优化速度缓慢等问题,提出了一种改进的遗传算法(IM_GA),该算法融合了由进化代数或适应度分布调节变异交叉率的思想,从这两个方面共同改进了变异交叉率,仿真结果证明了该改进遗传算法的优越性.与普通标准遗传算法比较,该算法不仅收敛性较好,且能迅速找到全局最优解.     

一种多级库存的优化控制策略

针对供应链环境下的多级库存优化控制问题,以系列系统为例,应用级库存理论,并考虑到日常生活中库存水平影响需求率这一现象,建立了一个需求率受库存水平影响的多级库存决策模型.然后,在遗传算法(GA)中加入叫行化操作,对模型进行求解.最后,以算例说明模型和算法的有效性.     

基于优化的GA-BP及其在葡萄酒质量预测的应用

针对BP神经网络模型在输入时因随机产生的权值和阈值导致模型的训练精度不高、泛化能力不强的问题,提出一种基于自适应遗传算法优化BP神经网络的方法.遗传算法在寻优方面有很好的效果,采用遗传算法优化BP神经网络的权值和阈值来提高模型的训练效率,并对神经网络的学习率进行优化,建立GA-BP网络预测模型,用于葡萄酒质量预测.结果...     

一种多级库存的优化控制策略

针对供应链环境下的多级库存优化控制问题，以系列系统为例，应用级库存理论，并考虑到日常生活中库存水平影响需求率这一现象，建立了一个需求率受库存水平影响的多级库存决策模型。然后，在遗传算法（GA）中加入叫行化操作，对模型进行求解。最后，以算例说明模型和算法的有效性。     

基于子集模拟的建设工程项目多资源均衡优化算法

为高效、稳定地求解建设工程项目管理过程中的多资源均衡问题,提出一种基于子集模拟的优化算法.多资源均衡问题中,如直接采用工序计划开始时间作为决策变量,在优化算法的实现时易违反工序间的逻辑关系.为避免该问题,本文采用工序计划开始时间的间隔率变量表示(在二者的映射中考虑工序间的逻辑关系),并据此建立间隔率变量表示的建设工程项目多资源均衡优化模型,以简化基于子集模拟的优化算法的操作流程.通过算例验证,与目前应用较广的遗传算法相比,本文提出的优化算法在最优解的获取稳定性上有较大改进.     

改进遗传算法求解惠更斯问题的研究

将惠更斯函数作为目标函数,采用改进的实数编码遗传算法进行求解。通过系统地调整群体规模、变异率和杂交率三种进化控制参数值,设计并进行了分组实验,得到了一组满意的进化控制参数。运用这组参数进行计算得到的优化结果十分接近惠更斯问题的理论值,使惠更斯问题得到比传统算法更好的解决方法。     

基于自适应退火遗传算法的船舶管路布局优化方法

采用自适应遗传算法来确定标准遗传算法的杂交率和变异率,尤其对变异率的调整,使其不但能根据个体适应值的大小进行自适应修正,而且能随进化状态的改变而改变,从而增强了算法摆脱局部最优解的能力.同时引入模拟退火思想,通过对标准遗传算法接受算子的退火处理,使其在搜索过程中除了接受优化解以外还以Metropolis准则接受恶化解,提高了种群的多样性,有效地增强了全局寻优能力.通过对适应值函数的退火拉伸,调整了进化前后期的适应值差异,从而加速了寻优过程.最终以形成的自适应模拟退火遗传算法进行船舶管路的三维布局优化,仿真实验表明,该算法不但加快了寻优速度,而且与标准遗传算法相比全局收敛率提高了近30%.     

基于遗传算法的TOPMODEL参数优化

模型参数的确定是模型研制与应用成功与否的关键.一般采用人工经验率定和自动率定两种方法来确定.遗传算法和一般的优化算法不同,它具有全局寻优能力,是一类优秀的非线性函数优化算法.利用遗传算法来进行TOPMODEL参数优化,并和人工率定的计算结果作了简要的对比,明显地显示该方法的优点.采用遗传算法所得到的精度较高,可以类推到其他水文模型的参数优化中去.     

炮射导弹控制系统的多目标二级优化设计

建立了炮射导弹多目标二级优化模型,提出了多目标二级混合遗传优化算法.对第一级多目标函数引入Lagrange乘子向量作为协调变量,采用两级递阶协调法实现多目标的第一级优化;针对遗传算法局部优化性能较差的缺点,将遗传算法与模式搜索法相结合,采用改进的遗传算法实现了多目标的第二级优化.仿真结果表明,所提出的多目标二级混合遗传优化算法收敛速度快,所设计的控制系统性能优于基于权重系数变换法的遗传算法的效果.     

基于遗传算法的大洋富钴结壳开采的切削深度优化控制

针对大洋富钴结壳开采过程中微地形的复杂性,论述了富钴结壳开采的采集率、废石混入率与切削深度间的关系,进一步分析了在开采中达到某一控制废石混入率时,与切削深度相应的采集率所出现的多极值性问题;在此基础上,引入了遗传算法,并利用其全局寻优性成功地解决了在达到控制废石混入率时获得最大采集率的切削深度的控制问题.文中给出了遗传算法在解决本问题中的具体实施过程,并对实例进行了计算,得出了满意的结果.从而为大洋深海开采的切削深度的控制提出了一解决途径.图4,表1,参12.     

基于云自适应遗传算法的改进BP算法

针对标准BP算法对初始权值敏感、收敛速度慢、易陷入局部极小等问题,结合正态云模型云滴的随机性和稳定倾向性,以及遗传算法的全局搜索能力、收敛速度快等特性,提出了云自适应遗传改进BP算法.该算法首次将云模型和遗传算法结合调整神经网络的权值和阈值.由X条件云发生器产生改进的自适应交叉概率和变异概率.实验结果表明:云自适应遗传改进BP算法比标准BP算法收敛速度快.     

混沌免疫混合算法参数自适应调整的优化设计

为提高免疫算法的求解性能,在免疫克隆选择算法中融入了混沌优化操作.分析了抗体群选择概率的重要性并给出其变化的计算式,采用抗体群的连续3代平均适应度变化率以自适应地调节抗体选择概率参数值.给出了混沌免疫混合算法参数自适应调整的优化设计的具体步骤,运用混沌免疫混合算法参数自适应调整的优化方法、免疫克隆选择算法以及其他文献方法对起重机结构主梁截面优化设计.结果表明:混沌免疫混合算法参数自适应调整的优化方法具有自适应能力强、计算效率高及优化设计精度高等优点.     

基于纯数值函数优化的一种混合遗传算法

通过引入与进化代数相关的交叉概率和与个体适应度相关的变异概率的自适应遗传算子同时把Powell局部寻优算法融入遗传算法的搜索过程构成了一种数值函数全局寻优的混合遗传算法.实验表明混合遗传算法改善了遗传算法的局部搜索能力,有效地解决了遗传算法的早熟现象,显著提高了遗传算法求得全局解的概率.同时由于混合遗传算法中只利用函数值信息,所以该混合遗传算法是纯数值函数的优化的一种通用方法.     

自适应遗传算法

自适应遗传算法采用自适应的适应度函数、交叉概率及变异概率代替固定的适应度函数、交叉概率及变异概率,与基本遗传算法相比,结果证明改进的遗传算法显著提高了收敛性能,并且具有很强的自适应能力.     

一种求解非线性约束优化问题的新方法

针对标准遗传算法的缺陷,提出一种基于实数编码技术的新型自适应混沌遗传算法,求解复杂非线性约束优化问题.算法根据实数编码的特点,依据概率分布函数构造杂交算子,结合混沌动力学特性和人工神经网络理论,设计了一种自适应混沌变异算子,使算法有效维持群体多样性,防止和克服进化中的“早熟”现象,同时采用不需要惩罚因子的直接比较惩罚函数方法,对约束条件加以处理.通过算例数值实验,验证了算法在提高解的精度和加快收敛速度方面都有明显改善.     

基于自适应交叉和变异概率的遗传算法收敛性研究

交叉概率pc和变异概率pm在整个进化进程中保持不变,是导致算法性能下降的重要原因。为了提高算法的性能,文章提出了自适应交叉概率公式和自适应变异概率公式,并在非线性排序选择情况下,证明了所提出的自适应交叉和自适应变异概率公式是收敛到全局最优解的。     

基于混合遗传算法的自适应神经网络优化设计

传统遗传算法优化神经网络存在"近亲繁殖"、"早熟收敛"、收敛速度慢和容易陷入局部极小等缺点.将适应度与相应的个体数目相联系,提出一种自适应交叉变异概率,并将其用于遗传操作,使得个体具有较强的多样性,一定程度缓解种群"早熟";将单纯形法和遗传算法结合到一起,使遗传算法的搜索更具有方向性,提高遗传算法的搜索能力,加快收敛速度.仿真实验进一步证明本文提出的算法对加快收敛速度,防止"近亲繁殖",保持种群多样性比较有效.     

基于改进自适应遗传算法的仿真研究

交叉概率Pc和变异概率Pm是遗传算法中重要的参数,自适应遗传算法中Pc和Pm能根据个体适应度差异自适应地调节其大小,在快速收敛和全局最优之间获得了较好的平衡,但自适应遗传算法对于进化初期不利.改进的自适应遗传算法避免了进化初期较优个体处于停滞不前的状态.分别用3种算法对典型的测试函数进行训练,仿真结果表明:改进的自适应遗传算法在收敛速度和寻最优解方面是最优的.     

一种模糊控制小生境遗传算法的应用研究

基于遗传算法的基本原理,提出一种改进的遗传算法,将模糊控制思想与小生境技术引入到其中,从而保护种群的多样性,同时使每代最优解得以保存.遗传算法加入小生境技术后虽可保持种群群体的多样性,但是不可避免的会产生部分个体的早熟以及陷入局部最优,于是加入模糊控制思想,对种群的交叉概率Pc和变异概率Pm进行模糊控制,以此为基础,形成了一种新型的模糊控制小生境遗传算法.最后通过对三个典型函数的数值分析证明了该方法的有效性和可行性.     

自适应遗传算法在PID控制参数优化中的应用

针对传统的PID控制中参数整定的难题，采用智能控制技术优化PID参数，利用神经网络进行系统辨识，建立对象模型；在此模型基础上，运用遗传算法寻优PID控制参数，采用变交叉概率和变异概率自适应遗传算法寻优得到PID控制参数，与传统的整定结果相比较，遗传算法优化效果更好，最终达到最优的控制效果．