一种快速遗传算法及其收敛性

针对遗传算法局部搜索能力较差、全局优化速度缓慢、搜索的效率对约束惩罚因子的选择有明显依赖性等问题,设计了能够从可行解空间和不可行解空间同时搜索的交叉算子、具有前期的快速搜索能力和后期的最优解保持能力的变异算子和具有"精英"保持能力的选择算子,并采用已搜索解集避免了子代的"返祖"和退化现象。在此基础上,设计了具有全局搜索能力的遗传算法,并证明了算法的收敛性。仿真结果表明,该算法能够快速地找到全局极值点。     

一种混合嵌套分区算法及其在车间调度中的应用

设计了一种嵌套分区算法框架下的局部搜索算法,即基于最优计算量分配技术的序遗传算法,该算法采用序优化思想保证在有限计算量条件下得到局部最优解,并用遗传算法的进化搜索能力和学习能力对解空间进行搜索.将设计的局部搜索算法与嵌套分区算法相结合提出一种新的混合优化算法,用该混合优化算法求解几个标准的随机车间调度问题,数字仿真的结果表明该混合算法的优化性能好于遗传算法及基于最优计算量分配技术的序优化方法.     

快速约束多目标进化算法及其收敛性

针对进化算法收敛速度缓慢、容易陷早熟的问题,提出了约束多目标优化问题的一种新的快速进化算法. 设计了能够从可行解空间和不可行解空间同时搜索的交叉算子,将约束条件和目标结合在一起,引入一种新的偏序关系用于比较个体之间的优劣,提出一种新的Niche值计算方法作为维持种群均匀性的主要动力,并采用已搜索解集避免了算法的重复搜索. 在此基础上, 设计了具有全局搜索能力的进化算法, 并证明了算法的收敛性. 仿真结果表明,与同类进化算法相比, 该算法能够快速收敛到Pareto前沿,并能很好地维持种群的多样性.     

基于自然数编码遗传算法的并行测试技术

针对并行测试任务调度复杂、难以优化的问题,提出了一种基于自然数遗传算法的任务调度优化算法。该算法将并行测试任务调度转化为对串行测试任务序列的搜索,为了提高搜索效率,引进自然数编码遗传算法搜索最优解或近似最优解,将串行测试序列作为染色体,进行选择、交叉、变异等操作。通过仿真证明该算法能够迅速得到并行测试任务调度的最优解或近似最优解。对自然数编码遗传算法的各个算子对模式的作用进行了理论分析,并得到了对应的模式定理,从理论上说明了该方法的合理性。     

求解带约束函数优化的两级自适应遗传算法

针对带约束的非线性函数优化问题 ,提出一个两级自适应遗传算法。根据待优化函数和约束构造拉格朗日对偶函数 ,在下级对给定的拉格朗日乘子 ,用遗传算法搜索变量的最优解 ;在上级针对拉格朗日对偶函数 ,用遗传算法搜索拉格朗日乘子的最优解。采用自适应的方法 ,根据个体的适配值和种群的适配值统计特性确定交叉概率和变异概率。计算结果表明 ,该算法是有效的。     

基于GABC算法的作战体系智能优化方法研究

为解决探索性仿真无法快速地遍历解空间,实时提供辅助决策方案的问题,提出了基于分类器的遗传算法,建立了基于该算法的作战体系仿真优化方法框架,能够根据体系关键因素和决策目标的动态变化寻找最优解,适用于诸如寻求最佳效费比方案、最优力量部署等多种体系优化问题。基于国防大学的仿真试验床系统进行了某海域火力拦阻作战的实验,通过GABC(genetic algorithm based on classifier)算法优化了力量配置问题。实验表明,该方法可以准确、快速地从复杂的体系限制条件中寻找效费比最高的方案,可以大量减少仿真实验的次数,满足快速辅助指挥员决策的需求。     

基于最大似然序列检测的PTS相位系数优化

建立了搜索最优PTS相位系数的树形网格模型,提出了一种基于最大似然序列检测的PTS算法(ML.PTS).该算法采用改进的最大似然序列检测算法搜索得到降低正交频分复用(OFDM)峰均比的最优PTS相位系数.仿真结果表明,在可控复杂度条件下,选择适当的译码深度,该算法可获得最接近相位系数最优解的可行解,最大程度地改善了OFDM信号峰均功率比统计特性.     

对地观测卫星系统优化问题的求解框架与方法

对地观测卫星系统优化问题具有设计变量多、设计空间大、难以解析计算而仿真又十分耗时的特点, 因此提出了基于综合拉丁方试验设计和代理模型的仿真优化框架. 该框架通过综合拉丁方试验设计方法生成仿真方案, 然后通过Kriging代理模型对仿真数据进行优化分析, 为实现代理模型的更新提出了代理模型最优点与最大化期望提高相结合的方式, 为实现代理模型的优化, 提出了全局与局部相结合的搜索模式, 其中全局搜索采用遗传算法实现, 局部搜索采用改进广义模式搜索算法实现, 最后通过仿真实例验证了该求解框架的有效性.     

一种基于相位比较的量子遗传算法

针对量子遗传算法不适于连续函数优化的问题,提出了一种改进的量子遗传算法。该算法直接将量子染色体与当前最优解相比较来确定旋转门的旋转角,种群中各个体以不同速率向最优解进化以同时实现全局搜索与局部搜索,引入变异操作以防止算法早熟收敛。对该算法及其全局收敛性进行了分析后,将其用于函数极值求解与PID控制器的参数优化,并与遗传算法和量子遗传算法进行比较。仿真结果表明该算法具有较好的寻优性能。     

基于模拟退火遗传优化的正交小波盲均衡算法

在分析基于正交小波变换的盲均衡算法和遗传算法理论的基础上,提出了基于遗传优化的正交小波盲均衡算法（GA-WTCMA）。该算法将遗传算法引入到正交小波盲均衡算法（WTCMA）中,利用遗传算法的全局搜索特性,对均衡器权向量进行优化,以降低WTCMA局部收敛的可能性,减小稳态误差,并针对遗传算法的局部搜索能力差,在遗传算法中嵌入模拟退火思想,得到了基于模拟退火遗传优化的正交小波盲均衡算法（SA-GA-WTCMA）,纠正了遗传算法的早熟现象,进一步减小稳态误差,加快了收敛速度。水声信道仿真结果,验证了该算法的有效性。     

用于函数优化的正交Multi-Agent遗传算法

将Multi Agent系统、遗传算法和正交试验设计方法相结合,提出了一种混合进化算法———正交Multi Agent遗传算法。它以Multi Agent系统为基础,通过Agent间的相互作用与每个Agent所具有的知识和自学习功能来提高算法的全局优化能力和收敛速度;同时利用正交试验设计方法产生较好的初始种群和设计正交交叉算子以获得更好的后代;针对正交试验设计产生初始化种群在函数维数很高时需很大存贮空间的缺点,提出了子空间分割法来产生所需的初始化种群,它只需要原来存贮空间的十分之一。首先,对维数为30或100的12个标准测试函数进行仿真试验,结果表明正交Multi Agent遗传算法具有很强的全局优化能力和较快的收敛速度;其次,算法对这些标准测试函数进行高维优化(高达200维),实验结果表明正交Multi Agent遗传算法具有较好的高维搜索能力。     

基于对位学习多目标遗传算法的板形板厚控制

提出了一种基于对位学习多目标遗传算法的板形板厚控制系统设计方法。该方法给出了控制系统的结构,建立了板形板厚控制器参数的多目标优化模型,并采用对位学习多目标遗传算法对该模型进行多目标优化,得到一组控制器参数的Pareto解。在其中选择三个Pareto解对应的控制器参数,作用于板形板厚控制系统做仿真研究。结果表明,所得到的Pareto解集中选定区域的解都可以使系统具有满意的性能,并且对扰动有较好的抑制作用,证实了该方法的有效性。     

基于QFD和组合赋权TOPSIS的体系贡献率能效评估

武器装备体系贡献率是指单件装备在武器装备体系或作战体系构成中,按照体系的总目标和运行规律,对体系的整体性能(如体系作战能力或作战效能)贡献的大小。首先建立能力效能综合的贡献率评估框架,在此框架下提出层次化的体系贡献率评估思路。然后借助面向关系的质量功能展开量化矩阵方法,将仿真实验中能力/效能度量指标数据映射到需求度量矩阵,再以度量集对需求集的敏感度和拟合优度作为依据,构建度量指标的组合权重。最后,利用逼近理想解排序法对体系方案贡献度进行排序,并以无人集群执行火力打击任务作为算例,验证了该方法的可行性。     

一种随机微粒群混合算法求解约束优化问题

将微粒群算法（Particle Swarm Optimization,PSO）与随机优化方法-Alopex算法相结合,提出一种随机微粒群混合算法（APSO）求解约束优化问题。该算法使PSO算法中微粒的飞行速度无记忆性,结合Alopex算法重新生成停止进化微粒的位置;采用双群体搜索机制,一个群体保存具有可行解的微粒,用APSO算法使微粒逐步搜索到最优解,另一个群体保存具有不可行解的微粒,并且可行解群体以一定的概率接受性能较优的不可行解微粒,这种简单的群体多样性机制使微粒能够快速、准确地找到位于约束边界上或附近的最优解。结果表明该算法寻优性能优良且具有较好的稳定性。     

求解约束优化问题的内外交叉遗传算法

针对很多约束优化问题的最优解位于可行域的边界上或其附近的特点,提出了一种新的遗传算法.算法将种群中的可行解和不可行解分别存贮在两个容器中,新设计的交叉算子(内外交叉法)尽量让可行域内的可行解与可行域外的不可行解交叉,并顺着有利的方向一维搜索到可行域边界,此举既增大了个体接近全局最优解的几率, 又增强了算法的收敛速度;粒子群变异法则吸取粒子群 (PSO)算法的优点,让粒子沿粒子自身历史最优和全局最优的方向变异, 而选择算子则采取了保留固定比例不可行解的方法. 仿真结果证明了算法能够在种群规模小,迭代次数少的情况下迅速接近或找到全局最优解.     

基于正交试验和元胞自动机模型的加速并行遗传算法

针对标准遗传算法中存在早熟收敛、后期收敛速度慢以及解精度低的问题,结合正交试验设计和元胞自动机模型,提出了一种改进的加速并行遗传算法(APGA)。APGA利用正交试验设计确定较好的初始种群,利用元胞自动机模型固有的并行计算能力设计并行遗传算法,借助元胞信息的动态性和多元性实现正交加速过程。仿真结果表明,APGA能够有效地防止早熟收敛,可以极大地提高遗传算法的搜索效率和解的精度。     

信息化条件下海上编队区域防空目标分配方法

针对现代海上编队作战是基于信息系统的体系作战客观要求,对信息化条件下海上编队区域防空目标分配问题进行了研究,提出了对空防御拦截水平的概念,建立了多层防御模式下的编队区域防空目标分配模型.为了有效求解模型,综合运用交互式决策思想和遗传算法,提出了一种基于遗传算法(GA)的交互式求解模型的方法.在GA设计中,通过对染色体编码、初始化种群、适应度函数以及遗传运算、选择策略等环节的合理设计,保证了产生个体的有效性,提高了搜索质量,加快了搜索速度.仿真结果表明了模型和算法的有效性,从而为有效解决现代海上编队体系作战的区域防空目标分配问题探求了一条新途径.     

和声量子遗传算法在图像配准中的应用

针对图像配准中的优化问题,利用量子遗传算法全局寻优能力强以及和声算法的微调特性,提出了一种新的和声量子遗传算法（harmony search quantum genetic algorithm, HSQGA）。并将其应用到航拍图像配准当中。仿真结果证明了该算法比原有的和声算法和量子遗传算法在图像配准参数优化过程中具有更好的优化性能。此外,利用两个标准基本测试函数对新算法进行了测试,结果表明在一定的迭代次数内,该算法对一些复杂的优化问题也能精确寻优。     

基于多Agent粒子群优化的多步SVR模型预测控制

提出一种基于多Agent粒子群优化支持向量回归机（support vector regression, SVR）参数的优化算法,并利用该算法建立多步预测控制模型,对非线性系统进行预测控制。通过预测控制的机理推导出满足滚动优化目标函数的多步预测输出的控制律。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析,仿真结果表明该预测控制模型优于其他控制器,具有良好的预测性能,可有效的对非线性系统进行预测控制。