基于改进遗传算法的移动机器人路径规划的研究

为改进标准遗传算法在路径规划问题中存在的初始种群可行性问题、标准遗传算子在路径规划问题上的局限性问题,文中提出了一种改进的遗传算法。首先,将环境地图转换为栅格地图,在初始种群的生成过程中加入偏移机制;然后,把人工势场算法和偏移机制分别引入交叉算子和变异算子中;最后采用动态参数的方法控制算法的遗传参数,通过改进的遗传算法对地图模型进行仿真及其求解。根据实验结果,充分验证了本文算法的有效性和实用性。实验结果明确证明了改进的算法可以很好地解决路径规划问题,为机器人的路径规划提供了一定的指导作用。     

基于遗传算法的多用户OFDM系统 资源分配策略

针对多用户OFDM系统资源分配算法复杂度高且误码性能不理想等问题,提出了在考虑用户速率情况下保证发射功率最小的子载波和比特分配方案,并通过引入遗传算法使系统通过解的编码、初始群体的生成、构建适应度函数、生成种群、遗传策略、变异规则等过程的改进,得到系统优化问题的全局最优解,同时也使算法复杂度降低.仿真结果表明,在信噪比相同的情况下,该方案可以进一步减小系统的误码率.     

遗传算法的研究及其在函数优化中的应用

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法.在文中介绍了遗传算法的初始群体的生成、交叉算子、变异算子.在分析了基本的遗传算法的特点和缺陷的基础上,提出了改进的方法.改进的遗传算法在函数优化中的应用具有较好的效果.     

复杂函数全局最优化的改进遗传退火算法

针对复杂函数的最优化问题 ,首先提出了一种基于邻域函数的尺度参数自寻优的改进模拟退火算法 ,进而通过设计多操作的基于概率接受思想的变异操作 ,结合混沌序列 ,在遗传算法中引入灾变操作和改进模拟退火算法 ,最终提出了改进遗传退火算法。基于典型算例的仿真结果验证了改进算法对高维复杂函数最优化的有效性 ,其性能明显优于传统的遗传算法、模拟退火、改进的进化规划方法以及遗传 -AL OPEX算法。     

一种基于局部密度的k-means算法

针对k-means算法必须事先指定初始聚类数k,并且对初始聚类中心点比较敏感,聚类准则函数对求解的最优聚类数评价不理想,提出一种基于局部密度的启发式生成初始聚类中心方法,在此基础上设计一种准则函数自动生成聚类数目,改进了传统k-means算法.实验表明改进的算法比传统k-means算法提高了聚类效率.     

基于样本划分的启发式遗传BP算法

遗传算法作为一种模拟生物遗传进化过程的随机搜索算法,具有并行和全局搜索能力、不要求函数可导等特点,在神经网络学习中得到广泛应用.合理选择初始群体和控制搜索的盲目性,有利于提高算法的效率.为此,提出了一种新的神经网络学习算法--基于样本划分的启发式遗传BP算法.该方法对神经网络学习样本进行划分,形成样本子集.初始群体通过在样本集类上训练神经网络而获得.这些初始网络中包含了关于样本子集的有用信息,根据模式定理,能通过遗传算法保留和加强.此外,提出并证明了关于样本集类及其BP训练的几个代数性质,结合子空间划分进行启发式搜索,以克服搜索的盲目性.对上述方法进行仿真实验,迭代次数和误差较小,表明本学习算法是切实可行的.     

基于蟑螂算法的产品拆卸序列规划

文章为研究废弃产品的拆卸序列规划,首先建立了产品拆卸模型混合图,描述零部件之间的连接关系和优先关系,推导出可拆卸性条件;其次,通过几何推理生成产品可行的初始拆卸序列,建立目标函数并构建适合拆卸序列规划的蟑螂算法;依据初始拆卸序列和其他控制参数,结合蟑螂算法对拆卸序列进行优化得到最优解;最后,通过实例验证了该方法的可行性...     

基于遗传规划的相关关系预测方法研究

基于遗传规划的搜索寻优技术,给出了一种经济变量与其解释变量间相关关系的预测方法。该方法避开了统计中假设、变换的影响,可以获得显性预测函数表达式,能够处理回归分析法难以解决的非线性问题,比较适合经济变量间复杂关系的分析研究。计算过程中结合蒙特卡洛优化法改进了遗传规划的初始群体,从而提高了进化的全局收敛速度。同时,计算实例表明了预测结果的合理性。     

多目标遗传算法在机器人路径规划中的应用

针对具有多个优化目标的机器人全局路径规划问题,提出一种改进的多目标优化遗传算法。在初始群体的生成中,采用把随机法和基于问题先验知识的启发式方法相结合的策略,以加快收敛速度;在遗传算子的设计中,引入删除、修复和平滑算子,以提高算法的搜索效率;在选择算子中。加入避免外部存储器中出现相同个体的机制,以防止早熟收敛。仿真结果表明：该文算法运行一次能够有效地产生一组近似Pareto最优路径解。     

灰色集成优化算法在齿轮变速箱设计中的应用

在遗传算法基础上结合混沌理论和灰色关联分析理论,提出了一种灰色集成优化算法.该算法采用混沌映射技术的遍历性产生初始群体,以进化群体与标准序列的灰色关联度为适应度函数,通过对遗传算子的操作,从而逼近最优解.最后以某汽车变速器为例,在确保可靠传递动力的前提下,采用惩罚函数法将约束条件进行转化,建立了以体积最小为目标的优化设...     

求解一类非线性规划问题的混合遗传算法

提出了一种求解目标函数和约束条件均二阶可导的非线性规划问题的混合计算智能算法．该算法是把一种浮点数编码遗传算法和约束变尺度法相结合提高求取全局解的速度和概率．在该算法中，选择、交叉和变异等遗传操作算子是以非线性规划问题的一个惩罚函数为求解对象，目的是把解引向全局解附近，为约束变尺度算子提供初值；而约束变尺度算子直接以原非线性规划问题为求解对象，以发挥其局部搜索能力强的优点，数值实验表明，混合算法是一种可靠、高效的全局优化算法．     

基于遗传算法的一类资源分配两层规划问题求解

提出了一种基于遗传算法求解一类资源分配两层规划问题的方法。为了提高遗传算法处理上级资源约束的能力,在生产初始种群时处理上级资源约束,将随机产生的初始种群变为满足上级资源约束的初始种群,避免使用罚函数处理上级资源约束。     

遗传算法初始种群与操作参数的均匀设计

通过对遗传算法初始种群与操作参数设定问题的研究,认为初始种群的分布状态与算子操作参数的选取直接关系遗传算法的全局收敛性与搜索效率,对初始种群与各操作参数进行合理设定是应用遗传算法进行寻优计算的重要问题.同时,遗传算法的初始种群必须科学地表征解空间的信息,操作参数也必须兼顾多样性与快速性相互协调设置.基于优化设计思想提出应用均匀设计方法同时确定遗传算法的初始种群及其他操作参数的方法.利用均匀设计的等价准则提出一种简化计算的近似获得均匀初始种群的方法,仿真实例验证了这种方法的可行性、有效性.     

基于遗传算法的柔性车间调度优化

针对传统作业车间调度问题有加工设备功能单一、加工工序对应设备固定的特点,提出了一种新型混合改进的遗传算法进行求解优化。首先,采用一种新的编码思想构建双层染色体编码结构,强化初始种群质量,提高种群的多样性;并给出了相应的选择操作设计,交叉操作采用单段交叉、两段交叉和三段交叉机制,改善算法全局搜索能力,变异操作引入了种群分割的思想,按照适应度将种群分割成两部分,并赋予不同的变异概率,实行两种变异机制,以提高算法的局部搜索能力;添加了新的检查操作以增强优化过程的可行性。最后采用MATLAB编程,通过一个6个工件,每工件6道工序的应用实例进行测试,验证了该方法切实可行,有效。     

均匀试验设计在遗传算法中的应用

介绍了在遗传算法中运用均匀设计产生初始种群的方法，指出由于遗传算法的交叉机制是完全依赖于初始种群的，所以初始种群的多样性对于遗传算法的收敛性是至关重要的．同时通过算例采用De Jong提出的验证方法验证了运用均匀设计产生初始种群能够增强遗传算法的收敛性．     

基于GAs求解整数规划问题的算法设计

对于遗传算法（ＧＡｓ）求解整数规划问题,提出一种新的位串编码结构,采用一种新的加速变异算子,可明显改善寻优的收敛速度,并为保持种群多样性引入分散型淘汰法。     

一种求解TSP初始化种群问题的邻域法

针对遗传算法求解TsP问题时存在初始化种群敏感的问题,提出一种初始化种群的邻域法,在该方法中,从某个城市出发其下一站不是其最近城市,而在比最近城市稍远的邻域范围进行随机选取.邻域法既能提取局部优化路径特征信息,又具有多样性.用4个通用的TSPI.IB标准实例进行实验验证.邻域法初始化种群相比随机法,4个实例的最优解平均改进值达到了46.3%,最优解的质量有较大改善.仿真实验结果验证了邻域法初始化种群的有效性.     

混沌高效遗传算法在水库含沙量预报中的应用

利用混沌映射的遍历性和实编码遗传算法的全局优化性,通过在遗传进化过程中加入混沌变异操作,在变量的定义域内投放大量的混沌初始群体,在实编码遗传算法进化过程中加入单纯形法学习算子,建立了一种新的混沌高效遗传算法(chaos higher efficient genetic algorithm, CHEGA).应用该法对3个非线性、高维、多峰值测试函数进行了仿真,在收敛速度和全局优化方面好于现有的简单遗传算法和改进的遗传算法.建立了水库含沙量预报模型.并将CHEGA用于求解上述模型的参数优化问题,与实数编码加速遗传算法(RAGA)、二进制加速遗传算法和随机优化算法等方法相比,CHEGA可以遍历到整个区域,较好的保持了种群的多样性,并且精度高、收敛速度快.CHEGA对求解实际水库计算模型的参数优化问题非常有效.     

善治视域下我国政府回应能力提升探析

传统的可控源音频大地电磁法(CSAMT)反演方法属于线性或者局部线性,大都依赖初始模型.而遗传算法因其不依赖初始模型的特点而应用到CSAMT反演中.但是,标准的遗传算法存在早熟、局部收敛等问题.针对这些问题,对标准的遗传算法进行改进,采用排序法和最优保留策略相结合的选择算子,增强其种群多样性并保证其收敛性;采用父子竞争策略和自适应概率法相结合的交叉算子,能够防止好的父代个体被淘汰,又具有适应性.通过理论模型进行算法仿真验证,证明其有效性,说明改进遗传算法较标准遗传算法在CSAMT一维反演中有明显的改善.通过对实测数据进行反演,其结果与地质资料吻合,证明了其适应性.     

TSP问题的一种快速近似算法及应用

给出求解度约束最小生成树(DCMST)问题的一种快速近似算法．在此基础上．又给出求解TSP问题的一种快速近似算法,并在微机上实现且其数值试验的效果良好．最后,将求解TSP问题的近似快速算法作一些改进．应用于遗传算法的初始种群生成并进行数值实验．结果表明,用文中算法生成的初始种群．比起一般方法产生的初始种群性能有很大改进．该算法可以加速遗传算法的寻优速度．