遗传模拟退火算法在结构优化设计中的应用

遗传算法、模拟退火算法都是随机搜索方法,在处理全局优化、离散变量、多连通可行区等困难问题中,具有传统结构优化算法不可比拟的优势.笔者针对遗传算法和模拟退火算法的特点,取长补短,结合成一种混合遗传算法—遗传模拟退火混合算法.经改进后的混合算法既发挥了遗传算法全局搜索能力强的特点,又保留了模拟退火算法局部寻优效果好的优点.     

基于智能混合算法的织物自动配色方案优化设计

为了提高织物自动配色的通用性和精确性,建立了以成本最优为目标的自动配色数学模型.针对染色过程多约束条件的特点和传统遗传算法存在的缺陷,提出了一种基于智能混合算法求解自动配色方案的优化方法.首先利用正交实验设计法、自适应适值函数调整以及适值相似度判别策略等措施对遗传算法进行了改进,然后融入具有较强局部搜索能力的模拟退火算法进行进一步迭代优化,最终实现了自动配色方案的优化设计.分别运用传统遗传算法和智能混合算法对自动配色模型进行仿真和实测,结果表明:智能混合算法改善了全局寻优能力、收敛速度和稳定性,且在保证配色质量的条件下,生产成本较之传统遗传算法的优化成本降低了1.7%以上,具有较好的工程实用价值.     

一种新的模糊自适应模拟退火遗传算法在配电网重构中的应用

本文对配电网的重构问题进行了研究,提出了结合实际的配电网重构目标函数,并将遗传算法引入其中,用来解决这个复杂的,多目标,多约束的组合优化问题。针对遗传算法收敛速度慢、容易"早熟"等缺点,结合模糊推理、模拟退火算法和自适应机制,采用一种改进的遗传算法——模糊自适应模拟退火遗传算法(FASAGA),实例分析表明,该算法比标准的遗传算法(SGA)具有更快的收敛速度和寻优效果。     

基于改进的模拟退火遗传算法的公交线网优化

文章将遗传算法与改进的模拟退火算法相结合组成混合改进的模拟退火一遗传算法。研究了以居民乘车出行时间最短和公交部门投入最少为目标建立的公交线网优化的模型,并利用改进的模拟退火一遗传算法对该模型进行求解。通过温州滨海新区的规划实例研究验证方法的实用性。     

一种改进的自适应遗传算法

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法.针对传统遗传算法和自适应遗传算法存在"早熟"现象及收敛速度慢的不足,提出了一种改进的自适应遗传算法,并对交叉概率和遗传概率进行改进.仿真结果说明了改进的自适应遗传算法比传统遗传算法和自适应遗传算法在收敛性能和搜索能力上都有很大的提高.     

基于模拟退火遗传算法的PID参数整定与优化

结合模拟退火算法和遗传算法的思想,提出模拟退火遗传算法,用此算法进行PID参数整定与优化．同时使用自适应交叉率、变异率以及适应度拉伸方法对传统遗传算法进行改进．模拟退火遗传算法有效抑制早熟,且具有收敛性快、全局寻优与局部寻优能力．仿真结果表明,基于此算法寻优设计的PID控制器动态品质和稳定性更好、鲁棒性更强．     

基于模拟退火遗传算法的边坡稳定分析

分析了遗传算法和模拟退火的思想和特点,设计了动态交叉率和动态变异率,提出了一种新的优秀个体保存策略,在此基础上,建立了边坡稳定分析的模拟退火混合自适应遗传算法的数学模型,并利用罚函数优化了该模型.     

基于混合模拟退火的勤务编排技术研究

为了优化航空公司勤务编排结果,在考虑勤务编排规则、机组成本和人力因素的基础上,构建了勤务编排优化模型,且综合平衡了各项目标函数.运用局部搜索法获得初始解,并与模拟退火算法结合,形成求解勤务编排问题的混合模拟退火算法.最后通过启发式操作将不可行解转化为可行解.仿真实验表明,混合模拟退火算法能够有效缩小算法搜索空间,减少计算时间,提高运行效率.与基本模拟退火算法和遗传算法相比,混合模拟退火算法运算速度和运算结果均有明显地提高.     

改进混合蛙跳优化的片上网络低功耗映射算法

随着片上网络集成度的提高,低功耗映射逐渐成为研究的热点.文中利用调整序思想,将混合蛙跳算法应用到片上网络低功耗映射问题中;同时对混合蛙跳算法进行改进,引入自适应混沌方法优化较差个体,采用多邻域退火策略优化较优个体.实验结果表明,相比于传统混合蛙跳算法和模拟退火混合蛙跳算法,改进混合蛙跳算法具有更优的搜索能力,从而能进一步降低通信功耗.     

基于混合遗传算法的神经网络在智能故障诊断中的应用

设计了用模拟退火的混合遗传算法代替BP网络的反向传播过程的改进算法，解决了在故障诊断系统中BP算法容易陷入局部极小值的问题．该算法是在遗传算法中引入模拟退火机制，将其同BP算法结合，形成一个混合的优化算法．新算法既有神经网络的学习能力和鲁棒性，又有遗传算法的强的全局随机搜索能力．仿真结果表明，这种改进算法极大提高了内燃机故障诊断系统的效率和准确性．     

一类模拟退火算法与遗传算法混合优化策略

提出一类模拟退火算法（GA）和遗传算法（SA）的混合策略。算法结构上,提出模拟退火算法与遗传算法相结合,既发挥模拟退火算法搜索面广、遗传算法收敛快的优点,又克服前者收敛速度较慢而后者收敛容易早熟的问题。在算法操作细节上,加入杰出个体保护策略及自适应调整的遗传操作,以及增加记忆功能的模拟退火操作与收敛准则。从而既防止算法陷入局部最优,又提高收敛速度及搜索效率。     

一种用于BN结构学习的自适应遗传退火算法

模拟退火算法（SAA）和遗传算法（GA）作为智能算法是结构学习的重要方法．针对两种典型算法存在收敛速度慢或过早陷入局部最优的问题,利用GA进行选择,通过SAA进行搜索并利用独立性测试信息自适应引导算法的进化,提出一种自适应遗传模拟退火算法（AGSAA）,应用于贝叶斯网络（BN）结构学习．仿真结果表明AGSAA在学习的准确性和运行效率上均要优于SAA．     

新型混沌粒子群算法在TSP中的应用

针对旅行商问题,提出一种结合混沌优化和粒子群算法的新型混沌离散粒子群方法（CIPSO）。新算法根据此类组合优化问题解的固有地形特征,利用混沌运动的遍历性、随机性等特点进行求解,其基本思想是在求解过程中对粒子进行混沌扰动避免陷入局部最优,并引入群体间粒子的交叉作用来提高寻优效率。通过与遗传算法、蚁群算法和模拟退火算法等比较以及不同TSP问题的仿真实验发现,该方法是一种能进行有效优化的新方法。     

混合遗传蚁群算法的改进及在TSP问题中的应用研究

蚁群算法（ACA）与遗传算法（GA）都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题（TSP）中。本文将两种算法进行融合,并给出了新的融合方式。实验结果表明,新的遗传蚁群混合算法有效地改进了算法的全局收敛性,并加快了收敛速度。     

地球物理资料非线性反演方法讲座（十） 粒子群反演方法

绝大多数地球物理反演问题是非线性问题。近年来,非线性反演方法的研究和应用,都有了一定的进展,涌现了许多新的反演方法,引起了人们的重视。本讲座类比遗传算法和模拟退火等智能随机非线性反演方法寻优思想之后,在前人工作的基础上,详细地介绍了我们首次在地球物理资料反演中付诸实现的一种新的非线性反演方法——粒子群反演算法。文中以地震波阻抗数值模拟和实际资料为例,说明了该方法的可行性及有效性。     

改进自适应遗传算法的结构优化设计

介绍了离散变量的结构优化设计方法——遗传算法(Genetic Algorithms)的来源和运行参数。考虑到遗传算法在运算过程中表现出的缺点以及交叉率和变异率的选取对遗传算法的搜索能力和搜索效果的影响,同时为了提高遗传算法的收敛性,避免发生早熟收敛,对遗传算法进行了改进,引入一种基于个体适应度值的自适应遗传算法。并通过算例表明这种改进自适应遗传算法较基本遗传算法是更有效的,提高了算法的运行效率和计算精度。     

基于正交试验的遗传算法参数优化

基本遗传算法求解优化问题的过程中存在着收敛缓慢、早熟现象以及求解的质量不高等问题. 为了解决上述存在的问题,提高遗传算法的求解质量,提出使用正交试验法优化遗传算法中的主要参数,即:种群规模N、交叉概率pc和变异概率pm. 通过使用正交试验法确定遗传参数,大大提高了算法的收敛性和求解质量. 仿真结果也表明采用正交试验法设计参数的科学性和有效性.     

永磁直线同步电机自适应PD型迭代学习控制

针对永磁直线同步电机伺服系统易受摩擦力、端部效应和测量扰动等不确定因素影响的问题,提出一种自适应PD型迭代学习控制方法.该控制方法根据误差的大小在线智能地调整学习增益,从而抑制扰动,并在控制器的微分系数上引入指数学习增益,实现收敛速度与跟踪精度之间的折衷;从理论上证明了自适应PD型ILC的收敛性,分析了该控制算法的优越性.结果表明,与传统PD型ILC相比,自适应PD型ILC具有更快的收敛速度和更强的鲁棒性,大大地减小了跟踪误差.     

基于可变种群遗传算法的MIMO直接盲多用户检测

本文研究了遗传算法在MIMO系统中直接盲多用户信号检测问题,通过分析遗传算法种群的构成对算法收敛速度和性能的影响,本文提出了一种基于可变种群的改进遗传算法,测试函数的计算表明,与传统的遗传算法相比,改进的算法能够以比较快的速度收敛到全局最优解,利用改进的算法对MIMO系统的直接盲多用户信号检测的仿真结果也进一步表明了算法的有效性。     

一个自适应预处理的CRS算法

共轭残量平方算法（CRS）是最近提出求解大型稀疏非对称线性方程组的一个有效Krylov子空间方法。然而,在一些实际问题中CRS算法常常收敛不规则、很慢、甚至停滞。为解决此问题,提出一个自适应预处理技术,该技术由CRS算法的迭代过程中嵌入几步GMRES（m）迭代构造而成,最后,数值验证新算法的有效性。