一种异型改进的自适应遗传算法

遗传算法搜寻全局最优解的优异特性使其在许多应用领域中获得了很好的运用,但该算法作为一种随机优化算法,对求解相对繁杂的全局优化问题易使最优解收敛至局部最优解.而标准的自适应遗传算法是在遗传算法的基础上对交叉率的值和变异率的值进行线性自适应调整,在收敛性能有所提升,但仍然不能有效避免算法的早熟.提出一种异型改进的自适应遗传算法(Heterogenic improved adaptive GA,简称HIAGA),即在对变异率和交叉率进行曲线自适应调整的同时应用精英保留策略的方法.仿真实验结果表明,HIAGA算法在处理收敛速度和避免搜寻结果成为局部最优解等方面能达到较好的处理效果.     

基于PR算法的自适应ACO算法求解旅行商问题

以著名的旅行商问题为研究对象,研究了基于线路重连(PR)算法的自适应蚁群算法(ACO)的应用。根据蚁群算法构解过程中的选择策略与信息素更新机制,提出了自适应的蚁群优化方法,即通过阈值接收算法(TA)中的阈值控制参数改变蚁群的确定选择与随机选择机会,从而控制了搜索方向。采用这种自适应的蚁群优化算法,避免蚁群算法陷入局部最优,使对解空间的更好地进行搜索。同时,在蚁群优化算法(ACO)中,嵌入路径重连算法(PR)来改进解的质量。实验结果证明了基于线路重连算法(PR)的自适应蚁群算法(ACO)在求解该问题时的有效性。     

一种新的自适应步长果蝇优化算法

针对基本果蝇优化算法(FOA)易陷入局部最优、寻优精度低和后期收敛速度慢的问题,提出了一种自适应步长果蝇优化算法(ASFOA).该算法在运行过程中根据上一代最优味道浓度判断值和当前迭代次数来自适应调整进化移动步长,使算法在初期的步长大而避免种群个体陷入局部最优,到后期果蝇移动的步长变小而获得更高的收敛精度解,并加快收敛速度.通过6个标准测试函数对改进算法进行仿真测试,结果表明ASFOA算法具有更好的全局搜索能力,其收敛精度、收敛速度均比FOA算法及参考文献中其他改进果蝇优化算法有较大的提高.     

基于自适应环境因子熵权决策的多目标特征选择

多目标进化算法在特征选择方面有显著的优势，但其求解高维数据最优特征子集的性能依然较差，且从获得的Pareto解集中选择合理最优解仍是一个挑战性的问题.为了解决该问题，提出一种基于自适应环境因子熵权决策的多目标特征选择算法.首先，通过设计环境因子来自适应识别关键特征，优化候选特征子空间；其次，将环境因子嵌入改进的交叉算子和变异算子，实现全局最优特征子集的自适应搜索；最后，利用关联环境因子的熵权决策策略，从获得的Pareto解集中选出最优解.实验表明，与现有的五种多目标特征选择算法相比，提出的算法具有更高的分类精度，并能准确地获取全局最优解，验证了该算法的有效性.     

基于Metropolis准则遗传算法的企业动态联盟生成模型

为了提高动态联盟中企业选择联盟伙伴和优化过程中的效率,提出一种基于Metropolis准则遗传算法的企业动态联盟生成模型.将模拟退火算法中的Metropolis准则与遗传算法相结合,提高企业选择联盟伙伴和优化过程中的效率.1 000次仿真实验表明,标准遗传算法SGA平均需要166次才能找到最优解,而基于Metropolis准则遗传算法(MGA)平均仅需要149次就可以找到最优解.企业选择联盟伙伴和优化时,基于Metropolis准则遗传算法(MGA)可以使企业高效找到最优联盟伙伴.     

基于自适应头狼的灰狼优化算法

灰狼优化算法一种模拟灰狼捕食行为的元启发式优化算法.由于灰狼算法在种群迭代更新中始终靠近最优解,所以易陷入局部最优.提出了一种基于自适应头狼的灰狼优化算法,并在个体迭代更新中选择合适的头狼个数进行个体更新,这使得算法能够平衡开发和勘探能力.通过对20个基准函数优化问题的仿真实验表明,改进后的算法与原始灰狼优化算法相比,其全局搜索能力有显著提高.     

自适应杂交NGA及其在多值电路分析中的应用

提出了一种具有自适应交叉算子的ＮＧＡ算法（简记为ＡＣＮＧＡ），以解决具有多模态函数的参数优化问题，ＡＣＮＧＡ能随着解空间参数结构的变化，自适应地选择不同的杂交算子并确定相应的杂交率，使解群在保持多样性的前提下，以较收敛率得到最优解集。该算法可求解非线性方程组，并主解具有任意约束关系的非线性电阻电路的所有解。     

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%.     

融合差分进化思想的自适应人工蜂群算法

针对人工蜂群算法求解复杂优化函数时,存在收敛速度慢、算法后期种群多样性下降以及易陷入局部最优解等缺点,提出了一种融合差分进化思想的自适应人工蜂群算法.首先,引入反向学习策略初始化种群,增加种群的多样性,加强算法跳出局部最优解的能力.其次,将雇佣蜂搜索过程与差分进化算法融合,并加入自适应策略平衡算法的勘探与开发能力.最后...     

基于解空间划分的PSO改进算法

 提出一种基于解空间划分的粒子群优化算法, 该算法在保持粒子群搜索能力的前提下对解空间进行预处理, 寻找最佳搜索区间, 提高了粒子群搜索效率; 在粒子群搜索过程中设置检查点, 动态更新解空间区间划分. 实验结果表明, 该算法有效提高了粒子群的搜索效率, 并使粒子群算法不易陷入局部极值. 同时, 在自适应状态下, 该算法能搜寻到指定精度下粒子群所需的最小迭代次数, 并得到较满意的最优值.     

改进的遗传算法在多目标物流配送路径中的应用

物流配送路径优化是物流系统设计的关键环节。针对物流配送路径问题复杂性和多约束性,提出一种改进的遗传算法——自适应免疫遗传算法(AIGA)。该算法利用一种新的免疫疫苗选择策略和免疫操作方法,使得优化过程随进化代数自适应改变,结合并列选择法对多目标物流配送路径进行优化,并给出了解决多目标物流配送路径问题的具体步骤。最后通过仿真验证,该算法的计算效率,收敛性都有明显的提高,验证了算法的实用性和有效性。     

基于遗传算法的动态联盟伙伴选择过程及优化模型

动态联盟中的伙伴选择和优化是动态联盟组建过程中的一个关键问题。该文对动态联盟中伙伴选择问题的复杂性进行了分析 ,指出已有定量方法存在的局限性 ,在对伙伴选择过程进行数学描述的基础上 ,提出了一个基于遗传算法的联盟伙伴选择优化模型 ;并对该模型的算法进行了设计和改进 ,最后给出了一个典型算例 ,以说明该模型和算法的有效性。     

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...     

基于宗族进行裂变选择的自适应遗传算法

提出了一种改进的自适应遗传算法,在选择算子中引入裂变选择的思想,避免种群中超级个体的出现,维持了种群的多样性。该算法改造了交叉算子和变异算子,提高了算法的收敛速度,避免早熟。同时,提出了在宗族中构造子代种群的思想,提高了算法的寻优效率。仿真函数优化的结果验证了该算法能有效地维持种群的多样性并迅速找到最优解。     

一种新的基于小生境的自适应遗传算法

针对遗传算法在全局优化问题中容易出现早熟和收敛速度慢的问题,根据群体适应值的分布特点,启发性地提出了一种新的基于小生境的自适应遗传算法(ANGA).采用一种新的适应值计算方法,引入了一个自适应的常数Cmin,根据群体中各个个体的适应值分布情况加以启发,通过自适应调整Cmin,以适时改变群体适应值的分布,优化了各个个体被选择的概率.同时采用了小生境技术,并对交叉和变异位置引入了自适应的非均匀选择机制.采用3个典型的全局优化测试函数进行了验证,仿真试验表明该方法能够明显地改善全局寻优能力,并大大加快了收敛速度.     

基于混合鲸鱼优化算法的鲁棒多用户检测

针对冲击噪声环境下多用户检测误码率高的问题,提出一种基于混合鲸鱼优化的鲁棒多用户检测算法。该算法首先利用基于非线性控制策略的改进鲸鱼优化算法,加速寻优算法迭代过程的收敛;再利用自适应差分进化算法丰富算法种群个体信息,增强优化算法的全局收敛性;同时将适应度较好的个体信息保存到集合中,以保证下一次迭代寻优方向的可靠性,最终实现对最优解位置的快速解算。仿真结果表明,基于本文算法设计的多用户检测器相比采用遗传算法、差分进化算法,以及鲸鱼优化算法的多用户检测器寻优迭代次数更少,且误码率低。     

船用汽轮机变工况的遗传粒子群优化智能控制方法研究

为提升船用汽轮发电机组大幅变工况时的控制精度和鲁棒性,以船用汽轮机调节系统各部件的模块化数学模型为基础,建立汽轮机组数字电液(digital electric hydraulic,DEH)闭环模糊比例、积分、微分(proportion integration derivative,PID)控制模型;融合遗传算法的选择、交叉、变异和自适应递减权重法,提出遗传粒子群智能优化算法,并结合标准测试函数验证提出算法具有较高的收敛速度和精度;基于遗传粒子群智能优化算法建立汽轮机变工况自适应智能模糊PID控制模型,实现模糊PID的量化因子与比例因子最优化设计,进而开展船用汽轮发电机组大幅变工况动态特性及扰动因素影响分析,结果表明本文建立的自适应智能模糊PID控制模型具有更好的控制稳态性能与鲁棒性,为船用汽轮机组大幅度变工况智能控制优化设计提供了有力的技术支撑。     

自适应渐进结构优化法的调节阀结构研究

传统渐进结构优化法的参数删除率和进化率保持固定,降低了优化过程收敛速度和结构稳定性.文中通过构造一种基于罚值选择与结构信息的参数自适应算法,使得参数随优化迭代过程进行而变化.分析典型算例结果,合适选择罚值的参数自适应渐进结构优化方法解决了传统渐进结构优化方法中参数固定且难以选择的问题,提高了优化过程中优化速度与结构稳定性.将此方法应用于调节阀设计,优化后调节阀刚度提高10%,说明参数自适应渐进结构优化方法可高效拓展至三维结构优化,并为阀门类结构设计提供参考.      

Adaptive Co-evolution Model for Multi-agent System

It is important to harmonize effectively the behaviors of the agents in the multi-agent system (MAS) to complete the solution process. The co-evolution computing techniques, inspired by natural selection and genetics, are usually used to solve these problems. Based on learning and evolution mechanisms of the biological systems, an adaptive co-evolution model was proposed in this paper. Inner-population, inter-population, and community learning operators were presented. The adaptive co-evolution algorithm (ACEA) was designed in detail. Some simulation experiments were done to evaluate the performance of the ACEA. The results show that the ACEA is more effective and feasible than the genetic algorithm to solve the optimization problems.