一种高效稳态型遗传算法结构

提出了一种高效率的稳态型遗传算法结构,使每代种群中需处理的码链数不超过种群规模的１／３,而且优良码链的选择与劣质码链的淘汰同时完成,提高了计算工作效率．该算法结构已用于一个数字集成电路高层综合系统中,作为优化操作调度和功能单元分配的工具．经用不同规模的实例运行,证实本文算法结构是正确而有效的．     

基于小生境遗传算法的绿色建筑景观空间环境优化设计

传统建筑景观的设计往往存在直视效果差、居民满意度较低的问题,并且其在绿色环保方面的设计也存在不合理之处,因此,该文提出一种基于小生境遗传算法的绿色建筑景观空间环境优化设计方案.根据小生境遗传算法对建筑景观尺寸的多目标进行优化,优化的目标包括建筑的成本以及绿化带等公共设施.结果表明,提出的方案能够优化建筑景观环境,居民的满意度有所提高.     

基于成对曲线组合的柔顺机构设计

采用拓扑优化技术进行柔顺机构设计成功与否在很大程度上取决于所采用的机构几何表述方式.本文提出了一种全新的基于成对曲线组合（对线组）的表述方式.这种几何表述方式,首先确定机构的输入输出区域.虽然在初始阶段不知道机构在设计域的分布,但是载荷加载需要借助机构输入输出点,因此必须有至少一个加载区域,一个支撑区域和一个输出区域.将这些输入输出区域利用成对Bezier曲线直接或间接连接起来形成一种可以承载负荷的柔顺机构.这种几何表述方式生成的机构边界为曲线函数之组合,解决了拓扑优化设计中的锯齿和模糊边界问题,并且可以同时进行形状和拓扑优化并且保持结构边界的光滑,没有棋盘格现象和中间密度单元等.基于对线组进行柔顺机构表征,会产生一些复杂的结构,基于FG-FEM有限元法进行仿真分析求得响应.研究柔顺机构拓扑优化设计理论与方法,采用图的形式对机构对象进行编码,利用遗传算法的全局寻优能力寻找全局最优解,数据算例的结果表明,提出的方法正确有效.     

模糊控制理论综述

介绍模糊控制理论的概念、结构、历史发展、应用特点和发展概况,着重阐述模糊控制的设计,分析设计中的关键模糊控制器。事实上,单纯的模糊控制往往达不到理想的结果,实际运用中需要将模糊控制和其他成熟的控制理论相结合,以达到最优控制的目的。因此,总结各种控制系统与模糊控制的结合,分别有神经网络模糊控制、基于遗传算法的模糊控制、专家模糊控制以及混沌模糊控制等,并指出了模糊控制理论中需要解决的问题,展望了模糊控制的发展方向。     

设施拥堵状态下的层次性备用覆盖网络模型与改进遗传算法

经典的分层覆盖位置问题(HCLP)是在有限预算内找到设施位置以提供分层服务的问题.这个过程中,需求点的差异化服务需求可以来自层次型网络中不同服务可用性的设施.我们设计了混合服务可用性的层次型网络,通过讨论层次型设施数量为定量和变量的情况构建混合层次网络备用覆盖问题的整数规划模型,并设计、改进元启发式算法来求解问题.结果表明考虑变量的混合服务可用性的优化模型在一次覆盖中能更好的满足客户的需求,而其备用覆盖能力和系统造价并非始终优于单类型层次网络;建议的启发式算法在合理的计算时间内产生高质量的解.     

基于动态目标遗传算法的云计算工作流调度方法

针对云工作流资源调度直接关系到云计算的成本和效率的问题,提出一种基于动态目标遗传算法(DTGA)的成本最小化和期限约束的云计算工作流调度方法.该方法使用云计算资源的索引来编码染色体,采用动态目标策略(DTS)算法解决严格的期限约束,当没有获得可行解时,算法专注于优化执行时间以满足期限约束,一旦获得可行解后,则侧重于优化在期限约束内的执行成本.实验结果表明在不同规模数据调度和不同的期限约束下,相比改进量子遗传算法(IQGA),提出方法具有更高的适应性,能够在更严格的期限约束条件下以更低的执行成本找到云计算资源调度的更优解.     

自动化立体仓库固定货架货位的优化研究

通过对自动化立体仓库总体工作过程和存储模式的分析,提出了一种基于作业时间的固定货架的货位优化设计思想,并应用遗传算法进行了实验验证,证明优化后的货位设计确实提高了仓储作业效率。     

基于量子进化算法的空区激光探测点布局设计

针对地下空区边界不规则并且可能包含多个遗留矿柱,如何布局合适的探测点以便三维激光探头能扫描空区内部全貌的工程难题,提出了在基于空区初步资料获得的水平特征截面图上预先布置待选探测点,设计探测点布局方案评价函数,采用量子进化算法进行探测点布局优化的方案.优化设计中,考虑了采空区边界的凸凹不规则性及内部包含多个边界不规则遗留矿柱,以及激光探测范围等因素,建立了通用优化模型,寻求探测点最少的技术及经济上的最优布局方案.实例运算及统计分析结果表明,和遗传算法相比,本文提出的量子进化算法优化模型可快速得出优化的探测点布局方案,保证三维激光探测法成功实施,为复杂空区三维激光探测提供科学决策依据.     

基于自适应遗传算法的超平面分类及遥感应用

智能分类算法是遥感影像分类研究的热点,遗传算法作为一种智能全局优化技术在遥感影像分类中具有良好应用前景.针对现有多光谱遥感影像分类方法的不足,提出了基于自适应遗传算法的超平面分类方法(hyper plane-adaptive genetic algorithm,HP-AGA)并应用于遥感影像分类,该方法利用神经网络中的神经元激活函数Sigmoid函数,对遗传算法中交叉率、变异率进行非线性自适应性调整,不再需要反复训练遗传参数,同时利用快速全局寻优特点,确定分类超平面的各个位置参数,从而获取最佳分类超平面集进行分类.多光谱遥感影像分类方法的应用实验表明,基于自适应遗传算法的超平面遥感分类方法能更快、更稳定地收敛到全局最优解,具有更好的效率及鲁棒性,并能取得优于简单遗传超平面分类算法及传统分类方法的分类精度.     

P_MOEA：一种多目标决策辅助遗传算法用于服务组合QoS优化

在服务组合场景下,SLA约束下的服务组合优选是实现服务质量管理的重要基础之一．服务组合优选既是一个组合优化问题同时也是多目标决策问题,需要高效的算法以支持大规模的候选组合方案集合,同时也需要有效的评价模型来明确定义候选方案的优劣程度,从而为决策者提供支持．现有的服务组合优选方法多基于两种模型定义其优化目标：线性效用函数和Pareto最优．前者需要量化权重配置以定义效用函数,但是对于用户来说精确的量化权重配置是一个非常困难的任务,特别是在涉及到的QoS维度较多时;后者无需权重配置,将Pareto最优的skyline集合作为优化结果返回给用户,然而skyline集合的规模是不可控的,最优结果集的规模会随着问题的规模增大而显著增大,过大的最优结果集显然难以为决策者提供有效参考,针对上述传统方法的不足,在本文中,我们将PROMETHEE方法弓I入服务组合优选问题,结合Pareto和PROMETHEE两种评价模型,将skyline集合基础上的Top—kPROMETHEE最优方案作为优化目标,提出并实现了一个高效的遗传算法：P—MOEA．算法可以针对大规模问题,高效地返回Top—kPROMETHEE最优组合方案集合,从而为进一步的决策提供有效的参考．我们实验验证了算法的效率和有效性．