一个具有对偶适应度函数的遗传算法

提出一个具有对偶适应度函数的遗传算法.该法提供了一个阈值,利用对偶适应度函数值辨别全局最优盆和局部最优盆.根据辨识结果,自适应地设置变异概率.对几种典型函数的测试结果表明,该法的全局收敛性能及收敛速度优于标准遗传算法.     

基于改进PSO算法的岩石蠕变模型参数辨识

微粒群优化(PSO)算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点.针对岩石蠕变本构模型参数的辨识问题,本文利用FLAC软件自带的fish语言实现了改进PSO算法对本构模型参数的辨识.该方法从岩石本构模型参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,利用改进PSO算法规则实现模型参数的进化,搜索出全局最优的模型参数值,从而实现了岩石蠕变本构模型参数的自适应辨识.利用该方法对页岩蠕变实验进行了仿真研究,实验结果表明:改进的PSO算法用于岩石蠕变模型的参数辨识是有效的.     

PSO算法在土壤水分运移参数优化中的应用

把土壤水分运移参数的拟合按照模型参数的辨识和优化问题来考虑,将粒子群优化（PSO）算法应用到土壤水分运移参数的辨识和优化中,通过仿真及与其它参数辨识和优化方法的比较表明,PSO算法得出的模型参数优于自适应免疫遗传算法和最小二乘算法,具有简单、精度高、速度快、与初值无关和全局收敛等优点,是一种土壤水分运移参数辨识和优化的新方法。     

基于双层自适应遗传算法的机器人参数辨识

激励轨迹的选取和优化是机器人动力学参数辨识的重要基础。为了提高机器人动力学参数的辨识精度,以SCARA机器人为研究对象,设计了基于双层自适应遗传算法的机器人激励轨迹优化方案。运用Newton-Euler法建立了机器人的动力学模型,并对机器人的动力学模型进行线性分离,得到了机器人的最小惯性参数集和对应的观测矩阵。分析机器人的参数辨识方程,确定了观测矩阵条件数最小的优化目标。针对传统遗传算法进行改进,提出了双层自适应机制,提升了算法的全局搜索能力和搜索效率。最后利用MATLAB和ADAMS进行联合仿真实验,使用递推最小二乘法计算机器人的最小惯性参数集。实验结果表明,使用改进的双层自适应遗传算法得到的激励轨迹可以保证机器人动力学参数的辨识精度。     

基于遗传算法的连续系统模型辨识

系统辨识是控制系统设计的基础,传统的系统辨识大都是对离散数学模型的参数估计,发展了以最小二乘法为基础的理论和方法．而连续模型则需经过离散模型的转换方可得到．作者基于遗传算法和系统仿真技术,建立了输出端噪声存在的连续系统模型辨识方法．遗传算法是建立在自然遗传学机理上的参数搜索方法,但常规的遗传算法具有收敛速度慢,因封闭竞争易导致“早熟”等缺点,为此,通过引入自适应适值函数和动态变异因子,采用精英保护策略,加速了寻优过程,改善了遗传算法的全局搜索及局部寻优能力,为连续系统模型辨识提供了新的途径．     

基于自适应混合引力搜索算法的混沌系统参数辨识

针对混沌系统未知参数的辨识问题,结合人工蜂群搜索算子和混沌优化策略,提出一种自适应混合引力搜索算法,并应用于混沌系统未知参数的优化辨识.利用混沌序列初始化种群以增强搜索初期的遍历性,基于人工蜂群搜索算子进行变异操作以提高算法的局部寻优能力,依据粒子的性能对进化过程中的万有引力系数进行自适应调整,有效避免了早熟收敛,提高了算法的整体寻优性能.以测试函数和典型混沌系统为例进行仿真实验,结果证明该算法具有良好的全局探测和局部开发能力,与遗传算法、粒子群算法、量子粒子群算法和引力搜索算法比较,其对混沌系统参数的估计具有相对较高的辨识精度和收敛速度,算法的有效性得到了验证.     

基于模拟退火遗传算法的GMDH网络模型

针对传统GMDH网络建模用最小二乘法辨识参数时容易陷入局部极小导致模型预测效果不理想的问题,提出将模拟退火算法与遗传算法结合起来,并引入到GMDH网络,用模拟退火遗传算法来辨识其部分描述式系数.描述了模拟退火遗传算法,构建了基于该算法的GMDH网络模型,并将该模型应用于泥石流预测的仿真研究,预测平均相对误差达到3.54%.结果表明,该算法既保证了全局寻优又防止了过早收敛,进一步提高了GMDH网络模型的全局与局部寻优能力.     

基于引导点的无人机三维航迹规划方法

为提高无人机航迹规划的速度,提出了一种基于引导点的航迹规划方法. 该方法结合了不同规划方法的优势,将无人机航迹规划分为两个层次:全局规划和局部规划. 全局规划利用遗传算法规划出最优或次优的区域点集,然后产生区域的引导点列;局部规划根据全局规划提供的引导点列,利用SAS(sparse A search)算法快速规划出满足约束条件的可行航迹. 仿真实验表明,该方法较好地结合了遗传算法和SAS算法的优势,规划航迹效果优于单一的遗传算法和SAS算法,并且有效地提高了规划速度.      

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。     

基于改进粒子群算法的双馈感应发电机参数辨识

基本粒子群算法(PSO)存在早熟问题,且惯性权重对参数辨识结果的影响较大,为此提出将变权重PSO算法和全局最优位置变异PSO算法相结合的改进PSO算法,并将其应用于双馈感应发电机(DFIG)的参数辨识。分析了DFIG中各参数的可辨识性和辨识难易度,给出了基于改进PSO算法的参数辨识步骤。与采用基本PSO算法、变权重PSO算法和全局最优位置变异PSO算法的参数辨识结果相比较,该方法具有收敛速度快、辨识误差小的优点,即使在较大的搜索范围内仍具有较高的辨识精度。     

基于模型参数在线辨识技术的SOC估算方法

针对遗传算法(genetic algorithm,GA)存在收敛速度慢、易陷入局部最优以及难以实现在线应用的问题,面向如动力电池等效电路模型一类非线性较强、实时性要求高的模型辨识问题,提出一种能够快速缩小搜索空间,且有效避免陷入局部最优的在线快速搜索的优化辨识框架,实现电动汽车动力电池等效电路模型参数在线快速辨识,扩展全局搜索优化算法的应用范围.进一步,将此算法应用于电池剩余荷电状态(SOC)估算问题,提出基于改进GA参数辨识技术的无迹粒子滤波SOC估算方法(IGA-UPF).并将此SOC估算方法与基于最小二乘参数辨识技术的无迹粒子滤波的SOC估算算法(LS-UPF)作比较,结果验证了本文提出的在线快速参数辨识框架具有更好的模型参数辨识精度.     

深基坑土钉支护的参数优化设计

为了降低土钉墙的工程造价并保证安全,建立了土钉墙参数优化设计模型,对土钉道数、土钉直径、土钉长度、土钉水平间距、土钉竖向间距和土钉倾角等参数进行优化设计·对于土钉墙参数这样复杂的优化设计问题,传统的方法很容易陷入局部最优解,而遗传算法(GA)是一种全局优化方法,但在迭代过程中经常出现未成熟收敛、振荡和迭代过程缓慢等缺点·为此提出进退搜索算法与遗传算法结合,并提出改进措施而构成改进混合遗传算法(IHGA)·工程实例的结果表明这种IHGA的优化设计结果不仅保证了深基坑的稳定性,而且使其工程材料成本大大降低·     

遗传算法及其在遥感线性、非线性模型反演中的应用效果分析

分别以2类常见的遥感模型--线性光谱混合模型和GOMS模型为代表研究了遗传算法在遥感线性和非线性模型反演中的应用效果,并与逐步二次规划法等确定性搜索算法进行了比较.结果表明,遗传算法在线性遥感模型反演中的优势并不明显.而在非线性遥感模型反演中优于确定性搜索算法.这主要是因为对于线性模型来说,一般定义的代价函数为凸函数,大多优化算法可以收敛于全局最优解,相比较而言,遗传算法因其搜索效率低,故优势不明显.而在非线性模型反演中,代价函数的形式比较复杂,可能是非凸的,因此遗传算法的优势得以发挥,这也说明与一般确定性搜索算法相比,遗传算法具有更好的全局收敛性.     

进化算法的改进与应用

通过分析进化算法对全局收敛性的影响 ,本文提出用混沌模型构造一种随机开关 ,以此控制进化算法中的变异运算 ,同时将模拟退火用于进化算法的选择过程 ,从而增强算法的快速收敛性能 ,最后把改进的进化学习算法用于系统的参数辨识 ,取得了满意的结果     

改进人工蜂群算法的四旋翼自抗扰控制参数优化

针对四旋翼自抗扰控制(active disturbance rejection controller, ADRC)参数整定困难,给工程应用带来较大限制的问题,提出一种改进人工蜂群算法的四旋翼ADRC控制器参数优化方法。该算法采用自适应的探索策略,根据选择概率,从5种不同的搜索规则中进行选择,提高种群的多样性和寻优能力。将ADRC控制器中的参数作为蜂群中的种群应用到四旋翼无人机仿真模型中进行迭代寻优,并把风干扰模型作为环境噪声引入系统,测试算法性能。仿真结果表明,改进后的人工蜂群算法得到的控制器参数响应速度更快,稳态误差更小,抗干扰能力更强。     

基于混沌遗传算法的QoS组播路由

针对遗传算法在搜索最优组播树的过程中易发生早熟收敛的缺点,提出一种抑制早熟的混沌遗传算法.利用混沌的随机性和遍历性,将混沌扰动算子加入到遗传算法的操作中,当判断种群有早熟发生时,就对该种群进行类似变异的混沌扰动操作,从而增加了种群的多样性,既保留遗传算法的全局搜索能力又能有效改善算法性能.仿真结果表明,该算法能克服早熟收敛的缺点,又能快速、有效地构造出满足QoS约束要求的最优组播树.     

基于PSO_MP算法的电力线信道模型参数识别方法

针对低压电力线信道模型的多参数识别问题,提出了一种基于粒子群优化的匹配追踪算法(particle swarm optimization_ matching pursuit, PSO_MP)。匹配追踪算法(matching pursuit, MP)实现过程简单,但是计算复杂、计算量比较大;粒子群优化算法(particle swarm optimization, PSO)具有全局搜索能力强、收敛快等优点;将两者结合使用不仅可以提高信道模型参数辨识精度,而且还可以提高系统收敛速度。针对传统的高斯原子数目较大的问题,设计了一种新的原子结构。仿真实验表明,基于PSO_MP的模型参数识别精度高,验证了该算法的可行性和优越性。     

图像增强技术中的智能算法

提出了一种基于粒子群与模拟退火算法相结合的进化算法.该算法利用模拟退火算法全局收敛性好和粒子群算法收敛速度快等优点，通过交换这两种算法的信息得到最优解.将这种新算法应用于灰度图像的自适应增强，实例计算表明该算法稳定性好，在收敛速度和求解精度方面都优于遗传算法等一些其它进化算法.     

改进混合遗传算法在建筑结构优化设计中的应用

针对遗传算法在迭代过程中经常出现未成熟收敛、振荡、随机性太大和迭代过程缓慢等缺点,提出引入转基因算子与单亲遗传算子,同时提出一种离散变量结构优化设计的三等分割算法,通过与遗传算法相结合并运用到初始群体形成和进化过程中,使两种算法既可相互独立地运算,又可彼此相互协调、共同作用．根据工程实际,充分考虑规范规定的约束条件和各项技术标准要求,建立离散变量结构优化模型．各种算法的优化结果对比表明,改进混合遗传算法具有省时、高效、局部搜索能力强和全局性好的特点。     

基于自适应粒子群算法的重油热解模型参数估计

通过构造一个合适的目标函数,将化工模型参数估计问题转化为一个多维数值优化问题,然后提出一种参数自适应调整和维变异的改进粒子群优化算法来求解该问题。该算法首先利用佳点集方法初始化种群以保证粒子的多样性。惯性权重和学习因子随进化过程自适应调整,从而协调算法的全局和局部搜索能力。为了避免算法陷入局部最优,对收敛度最小的维进行变异。几个标准测试问题的实验结果表明该算法具有较强的全局寻优能力。最后将改进粒子群算法应用到重油热解模型参数估计中,并与基本遗传算法（SGA）和粒子群优化算法（SPS0）进行比较。研究结果表明：本文得到的平均相对误差为5．62％,比SGA和SPSO分别低1．08％和0．50％。