基于改进共享小生境遗传算法的配电网无功规划

为了减少配网损耗和保证配网电压质量,解决应用传统适应值共享小生境遗传算法进行无功规划时,由于小生境半径设定值的不同会导致全局寻优能力不稳定、寻优结果波动性较大的问题,将改进共享小生境遗传算法应用于配电网无功规划.首先建立了以净收益现值为目标函数的数学模型,该模型更直观地反映了补偿方案的降损节能收益能力;然后采用基于自适应调整小生境半径的改进共享小生境遗传算法进行配电网无功规划,该算法具有良好的全局寻优能力和解的稳定性;最后采用面向对象的Visual 2005C#高级语言开发编制了配电网无功规划计算程序,算例结果表明了该算法的有效性和实用性.     

进化规划方法在并行多机调度问题中的应用

并行多机调度问题是一类重要的车间调度问题,但迄今为止,在解决工件和机器数较多的大规模并行多机调度问题还存在着许多困难。进化规划方法与遗传算法一样是一种重要的进化计算方法,但与遗传算法相比,进化规划算法的应用还刚刚开始,特别是在调度领域的应用还很少见文献报道,第一次将进化规划方法应用到并行多机调度问题中,并在问题的描述、可行解的表示、变异方法、提高进化规划方法的局部寻优能力等方面作了研究。不同规模的计算实例表明了本文提出的进化规划算法是有效的,能用于解决较大规模并行多机调度问题,且解的质量优于启发式算法和模拟退火算法。     

灾变遗传算法在配电系统最优时变重构中应用

提出一种灾变遗传算法来求解中压配电网最优时变重构问题,以达到网损最小和负荷平衡的目的.首先采用协调方法将多目标规划问题转化为单目标寻优问题,并给出了协调后的数学模型.求解过程采用灾变遗传算法以提高种群个体的多样性,防止局部收敛.通过对南方某城区配电系统的计算,证实该算法在求解速度和全局收敛能力上较普通遗传算法均有较大幅度的改善.     

基于改进免疫遗传算法的配电网网架规划

为了解决传统方法难以实现配电网网架规划组合优化的问题,针对改进免疫遗传算法具有生物免疫系统中抗体多样性的保持机制和基于抗体浓度的调节更新机制,同时又具有一般进化算法的随机搜索能力,采用改进免疫遗传算法对配电网网架规划进行求解,提高了种群的多样性和遗传算法的全局寻优能力.优化模型以网络年费用最小为优化目标,以线路传输容量、电压降、配电网的辐射性等为约束条件;根据配电网辐射性的要求,以备选网络的生成树作为初始解,从而避免了随机产生初始可行解时速度较慢的弊端.并借鉴支路交换的思想设计杂交算子和变异算子,以避免辐射性检查过程,使得算法的寻优能力大为增强.通过算例验证了该算法的有效性,同时算例结果表明该算法的计算速度比常规免疫遗传算法的计算速度有较大提高.     

鱼骨型布局拣货路径多车调度混合优化方法

针对一种新型非传统鱼骨型仓储布局模式,建立非传统鱼骨型布局结构中任意货物点之间的距离矩阵计算模型;考虑拣货小车载重约束条件,建立多车协同拣选调度优化模型;在传统遗传算法与粒子群算法结合的基础上,给出一种混合粒子群优化算法.为验证该算法的有效性,在不同订单规模情况下,将该算法与传统粒子群算法、遗传算法和多种群遗传算法进行比较,应用Matlab软件仿真分析,实验结果表明:该算法不但具有粒子群算法收敛快、耗时短的优点,还具备遗传算法寻优能力强的特点.     

基于均匀设计的遗传算法参数设定

在应用遗传算法进行优化计算时,各操作参数既有各自的功能又相互作用,彼此关系较为复杂,而各参数设定的好坏直接影响算法的性能,所以,各参数的设定是应用遗传算法进行寻优计算的重要问题·通过对遗传算法各操作参数作用与意义的分析,认为可以将遗传算法的参数设定描述为一个多因素多水平优化设计问题·为使遗传算法在应用中发挥最佳的寻优性能,同时考虑到参数设定方法的可行性,提出应用解决多因素多水平优化设计问题的均匀设计方法设定遗传算法的操作参数,实例应用仿真结果验证了这种方法的可行性、有效性·     

遗传模拟退火算法在初始对准中的应用仿真

捷联惯导系统粗对准结束后,可以用遗传算法来搜索三个误差角,且由于遗传算法的全局寻优能力,在速度上具有很大优势。但遗传算法的局部寻优能力不足,因此得到的结果在精度上也受到了限制。模拟退火算法容易陷入局部最优解,但是具有很强的微调能力。因此,将遗传算法和模拟退火算法结合起来,能很好地解决初始对准的速度和精度的问题。仿真结果证明遗传模拟退火算法可以很好地改善单一遗传算法的局部寻优能力,使得结果精度更高。     

一种宽带匹配网络的遗传算法设计

为同时兼顾带宽和效率,将遗传算法应用到天线宽带匹配网络设计中。遗传算法中建立了多目标优化目标函数即适应度函数。根据算法寻优结果,结合仿真软件仿真分析了所设计的宽带匹配网络的电特性。结果表明：该宽带匹配网络具有良好的阻抗宽带性能,证明了遗传算法在设计宽带匹配网络中的有效性。     

基于多种群免疫遗传算法的配电网网架规划

配电网网架规划是一个复杂的组合优化问题,传统的优化方法往往难以解决此类问题.提出一种多种群的免疫遗传算法进行配电网网架优化规划,采用多个种群针对优化目标的不同方面进行优化搜索.在遗传进化过程中,借鉴生物免疫机制对每个种群的染色体进行免疫算子操作,种群之间通过优秀个体转移进行交互,有效防止了种群退化,提高了种群的多样性和遗传算法的全局寻优能力.以网络年费用最小为优化目标建立配电网网架规划的数学模型,利用多种群免疫遗传算法求得优化解,通过具体实例验证了该算法的有效性.     

混合遗传-模拟退火算法在电网规划中的应用

遗传算法是一种根据自然界优胜劣汰的进化机理进行搜索和寻优的方法．在求解电网规划问题时,基于遗传算法在电网规划计算中可能陷入局部收敛而无法达到全局最优,本文引入模拟退火技术,并提出了混合遗传－模拟退火算法．计算结果表明,经改进后的新算法能使计算跳出局部收敛而达到全局最优的目的     

一种应用于图着色问题的新型混合遗传算法

将遗传算法与模拟退火方法和禁忌搜索方法结合,提出了应用于图着色的混合遗传算法.在混合方法中,模拟退火算法用于局部寻优,提高算法的收敛速度,同时防止早熟收敛;禁忌搜索算法通过记忆能力防止进化过程出现循环来提高全局寻优能力.用遗传算法进行全局搜索,并与贪婪遗传算法和Dsatur算法进行了比较,结果表明,混合遗传算法的寻优质量优于对照算法.这种改进的混合遗传算法可以在稠密图上获得更好的寻优效率,在稀疏图上其效率则略有下降,这表明设计的改进混合遗传算法的合理性和有效性.     

股份制公司综合投资方案决策模型的遗传算法分析

对股份制公司综合投资方案决策问题建立多目标规划模型,结合群决策模型,利用目标规划方法进行求解,在群决策模型中有一处计算错误,导致相应的结果不是很准确;改正群决策模型中的计算错误,得到正确的结果,并给出基于多目标遗传算法的问题求解结果,以便给决策者提供更多的算法选择。     

连续分片线性规划问题的山顶投影穿山法

连续分片线性规划是一类应用广泛的重要规划,寻找连续分片线性规划的全局最优解是研究这类规划的重点和难点。该文研究的是一种对此类规划进行全局寻优的确定性启发式算法。由于此类规划问题可以转化为凸多面体上的凹优化问题进行求解,因此利用凹函数的上水平集的凸性,该文提出可以通过直接穿透目标函数上水平集在其等值面上进行搜索,以逃离当前局部最优解进行全局寻优。该方法中每次逃离的搜索方向都通过山形凹目标函数的顶点投影来确定,因此称为山顶投影穿山法。在数值实验中,将所提出的山顶投影穿山法与CPLEX以及绕山法进行了比较,结果表明该算法在计算速度与全局寻优能力上性能优越。     

基于遗传算法寻优的PID控制与仿真

目的:本文中介绍了遗传算法和基于遗传算法寻优的PID控制设计。方法:采用误差绝对值时间积分性能指标作为参数选择的最小目标函数,利用遗传算法的全局搜索能力,使得在无须先验知识的情况下实现对全局最优解的寻优。结果:并将结果与常规的PID控制方式进行比较,通过MATLAB仿真结果表明。结论:根据遗传算法寻优设计的PID控制器具有较好的动态品质和稳态精度。     

多目标遗传算法在优化市民出行路径中的应用

市民出行时的路径选择可归结为多目标路径规划问题。遗传算法在解决这类问题上具有很大优势。在传统遗传算法的框架上,采用新的生成初始种群的方法,同时在适应度标定中使用压缩映像,并且改进传统的世代更新策略,从而提高了算法的性能。最后应用改进后的遗传算法进行实例计算,取得了比较满意的结果。     

自适应SAGA算法进行全局寻优的研究

遗传算法以概率转换规则为基础,在给定问题的潜在解集中进行广泛搜索,具有很强的全局寻优能力,但收敛速度慢。模拟退火算法理论上只要计算时间足够长,就可以保证收敛于全局最优点。但是在实际算法的实现过程中,由于计算速度和时间的限制,全局寻优点的效果并不理想。将遗传算法和模拟退火相结合,提出一种混合的自适应遗传算法,可以提高收敛速度并改善全局寻优性能。     

一种改进的遗传算法及其应用

遗传算法在实际应用中容易出现早熟收敛和搜索结果精度不高的问题。针对早熟收敛和最优值精度低,采用了对搜索参数进行动态调整的优化计算。在进化的全过程中,算法始终保持较强的全局搜索能力和局部寻优能力。测试结果表明,对遗传算法的此种改进是有效的,不易陷入局部最优,并能大大提高最优解的精度。     

基于QoS-PSO的无线传感器网络路由方法

过去,大部分的无线传感器网络(WSN)的应用局限于数据的采集,比较少地关注网络中各节点的协同合作,现有的WSN路由算法对于网络的动态性的支持力度非常弱,不能满足分布式的无线网络和无线传感器网络应用对于网络服务质量的需求,路由优化能力不足.通过综合考虑多个服务质量指标,然后基于智能遗传算法微粒群算法进行路由寻优,为路由寻优提供了很好的搜索能力.仿真结果表明,基于微粒群优化算法,以综合服务质量(QoS)指标为目标的路由很好地改善了其服务质量性能.     

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。     

多目标优化问题中一种改进的遗传算法

遗传算法作为一种随机优化算法在多目标优化等众多领域取得广泛的应用,针对基本遗传算法存在寻优速度较慢,存在“封闭竞争”等问题,利用生物界中存在的“杂交”优势原理,提出以多种群变异为基础解决以上问题的改进遗传算法,并通过仿真取得满意的效果。