遗传进化算法搜索斜坡最小安全系数的研究

介绍了斜坡滑裂面搜索问题和遗传进化算法,并试用遗传进化算法从斜坡任意形状滑裂面组合中搜索最有可能的滑裂面,也就是安全系数最小的滑裂面.作为实例,分析了遗传进化算法在天生桥二级电站首部枢纽进水口右岸滑坡案例中的应用.分析结果表明,在搜索斜坡滑裂面问题上遗传进化算法较其它搜索算法具有准确性和可靠性的优势.     

多变量无模型预测神经网络线性自抗扰控制

对难以建模的多变量非线性系统的控制难题,提出改进的具有辅助向量的多变量全格式动态线性化方法,采用其逼近非线性系统,用其构成预测模型,将其转化为具有耦合的若干个子系统,利用直接极小化指标函数自适应优化算法辨识其参数,将多变量线性扩张观测器的线性控制输入项改进为关于观测状态和控制输入向量及其微分的向量函数,并由该向量函数的逆向量函数构建当前控制输入向量,因其未知,使用对角回归神经网络逼近控制输入向量函数,采用多变量非线性递推最小二乘法优化对角回归神经网络连接权及多变量线性自抗扰控制参数,综上研究提出在线优化参数的多变量无模型预测神经网络线性自抗扰控制算法。仿真研究表明系统响应精度高,性能好,优于传统的线性自抗扰控制算法。     

基于量子的免疫进化算法及收敛性

分析和探讨了量子计算的特点及免疫进化机制,并结合免疫系统的动力学模型和免疫细胞在自我进化中的亲和度成熟机理,提出了一种基于量子计算的免疫进化算法。该算法使用量子比特表达染色体,通过免疫克隆、记忆细胞产生和抗体相似性抑制等进化机制可最终找出最优解,它比传统的量子进化算法具有更好的种群多样性、更快的收敛速度和全局寻优能力。在此不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了该算法的优越性。     

利用启发性知识降低交叉算子破坏性的研究

在随机搜索的过程中,交叉算子被认为是演化算法的主要动力.然而,在搜索更好的候选解的时候,如果交叉点选择不当就会破坏一个已有的较好的候选解,使得交叉后生成的新候选解比原有的候选解更差.该文提出应用与问题相关的领域知识构建更有建设性的交叉算子,并应用于旅行商问题(TSP).实验结果表明,基于具有建设性的交叉算子的混合演化算法具有更好的性能.     

基于改进K-means算法的工件表面缺陷分割算法研究

工件表面缺陷的存在影响工件产品的质量以及工件的安全使用,传统的工件表面缺陷检测由人工完成,工作量大且易受到检测人员主观因素的影响,很难保证检测的效率与精度.本文提出了一种基于改进的K-means算法的工件表面缺陷分割算法,将自适应人类学习优化算法应用到K-means聚类算法中,使自适应人类学习优化算法初始化K-mean...     

一种基于免疫的敏捷供应链形成算法

敏捷供应链形成是敏捷制造的首要问题,主要研究如何在众多候选企业中选择合作伙伴,形成最优供应链。该文通过引入多目标约束条件,优化了问题的数学模型,并设计了一种基于免疫的敏捷供应链形成算法,最后给出一个典型算例,以说明该算法的有效性和实用性。     

Loewner矩阵Moore-Penrose逆的快速算法

给出了求以秩为n的m×n阶Loewner矩阵Moore-Penrose逆的快速算法,该算法的计算复杂度为O(mn) O(n2)。     

基于蚁群算法的FMS工艺路线的优化配置

柔性制造系统在工业发展中的作用越来越大,而如何使柔性制造系统发挥最大的功效则是现阶段面临的一个主要问题。文章基于蚁群思想,提出了一种融合网格法的蚁群算法来求解柔性制造系统工艺路线优化配置的方法。算例结果证明,该算法能使系统设备工作负荷达到均衡,从而提高系统工作效率。     

SCE-UA算法在TOPMODEL参数优化中的应用

以江西修水万家埠流域为例,用SCE-UA算法对TOPMODEL参数进行了优化,并对优化结果进行了检验.结果表明:SCE-UA算法不仅可以用于概念性水文模型和分布式水文模型,还可以用于半分布式水文模型———TOPMODEL;TOPMODEL参数上下边界需根据参数的物理意义和研究流域特性来确定;在SCE-UA算法中,目标函数的建立对于参数优化具有重要作用,在次洪模拟时,目标函数应突出高水过程和洪峰对模拟效果的影响;SCE-UA算法的绝大部分参数取值都可以采用已有研究成果的默认值,只有复合型个数p需要根据具体问题确定.     

阻尼动力吸振器的吸振机理及其试验验证

采用矩阵复指数算法推导正弦激励力作用下二自由度系统主质量位移振幅的解析解,对所有幅频特性曲线都交于2个固定点进行了严格证明,并通过MATLAB数值仿真和悬臂梁振动试验进行解析解的验证。结果表明：当阻尼比等于零时,主系统幅频特性曲线有2个开口向上峰,当阻尼比趋近于无穷大时,主系统幅频特性曲线只有1个开口向上峰;2个固定点均具有极大值但非最大值;数值仿真与悬臂梁的振动试验结果非常接近,相对误差为-3.864%～5.729%,验证了所推导的一系列解析解的正确性。