基于遗传算法的鲁棒PID控制器设计

将基于遗传算法的PID控制器设计方法应用于分布参数系统,在这个过程中,将系统的鲁棒性能指标作为目标函数选择的重要依据,使用遗传算法对PID参数进行寻优.仿真结果表明,由于加入鲁棒性信息,改进方法完全满足了控制系统的快速性、稳定性和准确性要求,控制系统表现出很好的动态鲁棒性及性能鲁棒性.     

基于遗传算法的ERP生产计划排单模型

以某家具制造企业为实际背景 ,讨论ERP生产计划排单模型的建立及算法设计 .在所建模型中 ,对染色体采用工件编码规则进行编码 ,提出了掺杂人工基因重组的交叉方法 ,并且给出了选择、交叉和变异的具体算子 ,利用自适应遗传算法可实现生产计划的自动生成及调度     

基于加权统计模型和遗传算法的人像目标检测

目的 研究基于加权统计模型和遗传算法的人像目标检测方法。方法 提出用于检测非刚性图像目标的一种加权统计模型,该模型含有待检测目标样本的统计值,可有效解决图像目标发生形变和倾斜情况下检测器的适应性问题。     

用GA算法解不同交货期窗口下的E/T调度问题

针对准时生产制下提前 /延迟 ( E/ T)费用的生产排序与调度问题 ,对不同交货期窗口下 E/ T指标的单机调度问题进行了分析 ,给出了在给定加工顺序条件下求解最优加工时间的动态规划算法。在此基础上 ,应用 GA( genetic al-gorithms)算法实现了求解。为提高算法优化性能 ,针对问题本身特性 ,分别从关键参数的选取 ;交叉操作的动态控制 ;变异操作的优化 3方面提出了相应改进策略。最后利用计算机仿真对算法性能进行研究 ,并得到一些经验性结论。仿真结果表明 ,该算法在优化性能和时间性能上均能满足工程上的要求。     

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。     

遗传算法在求解全局优化问题中的应用

遗传算法是一种基于生物进化机制和原理并引用随机理论的优化搜索方法－ 它具有全局收敛特点,可以被用来解决各种复杂的实际问题－ 如工程优化设计、人工智能和决策系统等－ 本文在讨论遗传算法的基本原理框架的基础上,提出相应的编码方法和计算适应值方法－ 为了平衡ＧＡｓ的深度和广度搜索矛盾,修改遗传算子,最后给出示例     

基于遗传算法的肝病诊断学习系统

提出一种用遗传算法来构造肝病诊断学习系统的方法,其中引入了肝病领域专家对规则打分的适应度评估机制,通过选择、交叉和交异等遗传操作使知识集得到不断地精炼,最后,用这种方法对模拟的专家知识进行学习,实验结果表明。该方法能使系统比较有效地学习专家知识。     

两类线性系统的两个优化算法

在没有任何假设的条件下研究一般线性等式与不等式组和带广义界的线性等式的求解,利用最优化方法的思想建立了两个算法．方法仅需计算一个投影矩阵,迭代步长恒等于１．证明了这两个算法较强的整体收敛性     

多工况多约束离散变量桁架拓扑优化的GA算法

采用遗传算法(ＧＡ)求解了多工况、多约束的拓扑优化问题,并对拓扑优化设计变量的遗传编码、约束处理及结构重分析减少等三个方面进行了改进·设计变量采用了额外基因表示法,更易获得最优拓扑结构·为减少结构重分析次数,引入了Ｓｔｅａｄｙｓｔａｔｅ遗传算法,并采用了新的约束处理方法,扩大了搜索空间·     

Dynamic Niching Genetic Algorithm with Data Attraction for Automatic Clustering

A genetic clustering algorithm was developed based on dynamic niching with data attraction. The algorithm uses the concept of Coulomb attraction to model the attraction between data points. Then, the niches with data attraction are dynamically identified in each generation to automatically evolve the optimal number of clusters as well as the cluster centers of the data set without using cluster validity functions or a variance-covariance matrix. Therefore, this clustering scheme does not need to pre-specify the number of clusters as in existing methods. Several data sets with widely varying characteristics are used to demonstrate the superiority of this algorithm. Experimental results show that the performance of this clustering algorithm is high, effective, and flexible.