遗传参数自适应调整算法及其在液压动力系统优化控制中的应用

针对固定参数的遗传算法容易陷入过早收敛,进入局部最优状态等问题,建立了交叉概率及变异概率的模糊逻辑控制器以实现遗传算法策略性参数的自适应调整,从而提高优化算法的收敛速度及获得全局解的能力。运用常规优化方法及改进优化算法对永磁电机驱动的液压系统流量进行优化控制和对比,仿真和实验结果表明：采用遗传参数自适应调整算法优化控制器,可使系统在典型工况下,保持良好的控制性能,并且具有高于常规优化方法的控制精度和鲁棒性。     

双种群教与学算法在磁轴承PID控制器中的应用

针对主动磁轴承系统的开环不稳定性,提出采用改进双种群教与学算法与PID结合的方法实现对系统的闭环控制。该算法在教与学算法对PID参数的优化中加入教师反向学习和学生变异学习,解决基本算法的早熟问题,提高解的精度。运用MATLAB/Simulink搭建系统模型进行仿真试验,结果表明:与基本教与学算法和遗传算法相比,该算法收敛到最优参数值的速度更快,PID控制磁轴承系统的响应速度更快,具有更好的动态性能和稳态性能。     

基于自适应遗传算法的隔振系统参数优化计算

为优化航天器中隔振系统的隔振参数,提出了一种基于自适应遗传算法的优化方法。在只考虑单条支腿的前提下,建立了主动隔振系统的动力学模型,通过拉普拉斯变换得到了上平台输出的力对下平台控制力的传递函数,并获得待优化的参数。将参数优化问题转化成数值优化问题,利用最大熵法生成算法的目标函数;采用新的选择算子来避免算法早熟;提出自适应交叉算子和自适应高斯变异算子来保证种群多样性;通过优胜劣汰和种群迁移法则来提高算法的全局收敛性。最后,通过仿真实例对算法的有效性进行验证,结果表明：和传统的遗传算法相比,本算法的收敛速度快、优化效果好。     

超磁致伸缩执行器位移模型的参数辨识

准确辨识模型参数是提高超磁致伸缩执行器位移控制精度的关键,针对单一算法难以实现对超磁致伸缩磁滞非线性模型参数准确识别的问题,将遗传算法与模拟退火算法融合,首先利用遗传算法的快速搜索能力得到一个较优群体,再利用模拟退火算法的突跳能力对整个群体进行优化调整,并在算法中引入最优保留策略和动态步长搜索方法,提出一种改进的遗传模拟退火算法,并将其应用于对超磁致伸缩执行器位移磁滞非线性模型参数辨识。该算法兼具遗传算法和模拟退火算法的优点,既有较快的收敛速度,又提高了辨识精度和最优解质量。通过试验验证,超磁致伸缩棒伸长量的模型计算结果与测量值符合程度较好,平均相对误差为3.85%,该方法能方便有效地辨识模型参数。     

改进遗传算法在直流伺服电动机的PID优化控制

提出了一种改进型遗传算法,它可减少传统遗传算法的进化时间和收敛代数,提高了进化的爬坡能力。同时,利用此改进算法对直流伺服电动机的控制系统进行PID控制参数优化整定,仿真结果表明该方法得到的优化参数更接近全局最优解,使控制系统具有更好的鲁棒性和稳定性。     

基于混合遗传算法的混合动力汽车优化设计研究

针对混合动力汽车驱动系统参数优化设计问题的特点,将自适应遗传算法与序列二次规划算法相结合,构成用于求解该问题的混合遗传算法.一方面该算法提出了新的自适应交叉和变异概率调整公式,以保证全局收敛性.另一方面通过改进自适应遗传算法与序列二次规划算法的结合方式,以加快局部搜索的速度和求解质量.实例优化结果表明,该算法提高了收敛速度和求解精度,保证了全局收敛性,在混合动力汽车驱动系统参数优化设计中的应用是有效的.     

自适应遗传算法在数控伺服系统控制参数优化中的应用

PID参数整定是一个多参数组合优化的问题,针对目前常用的工程整定法无法在全局范围内对PID参数进行组合优化,只能从系统的单项性能指标出发进行整定,而标准的遗传算法又容易出现过早收敛等问题,为此,提出了基于改进的自适应遗传算法的PID参数整定方法。这种方法能够随适应度值自动改变交叉概率和变异概率,这种方法既能够确保算法的收敛,也能够很好的保证种群的多样性。将该方法应用于数控伺服系统,控制效果良好,最后将Ziegler-Nichols算法与自适应遗传算法整定的PID控制系统的动态响应性能作了对比分析,仿真试验结果证明了基于自适应遗传算法的PID参数整定方法的优越性。     

IGA在DEH调节系统参数优化中的应用

遗传算法是模拟自然界生物进化过程和机制对优化问题进行求解.首先概述了遗传算法的基本原理、特点和存在的缺陷,鉴于遗传算法易出现“早熟”现象,对遗传算法进行改进后,将其应用于汽轮机数字电液调节系统的参数优化,并给出了参数优化过程.改进遗传算法提高了算法的全局搜索能力和局部搜索能力.仿真实验表明,改进的算法效果明显优于经典优化算法,能有效克服“早熟”现象、提高算法收敛精度,具有良好的收敛性和寻优能力.     

求解作业车间调度问题的双倍体遗传算法与软件实现

作业车间调度问题是最困难的组合优化问题之一，也是计算机集成制造系统中的一个关键环节，在实际生产中具有广泛应用。为此，提出了双倍体遗传算法。该算法提供了一种记忆以前有用的基因块的功能，保留了某些低适应度染色体中的一些局部基因块，构成最优解中的基因片段，提高遗传算法的适应能力。与已有算法相比，基于双倍体遗传算法的作业车间调度方法，显著提高了搜索效率，改进了收敛性能。     

混合遗传算法进行离心叶轮优化设计

利用自适应交叉遗传算法和生物生长算法的特点，提出一种新的优化方法——混合生物生长自适应交叉遗传算法。该方法既充分利用了遗传算法全局寻优和生物生长法快速收敛的优点，又弥补了遗传算法收敛速度过慢和生物生长法过分依赖结构初始形状的不足。为了验证优化方法的正确性和合理性，对某三维离心叶轮进行优化设计，结果表明，混合算法较单纯采用遗传算法收敛速度快，且可得到形状优化最优解。     

基于改进免疫遗传算法的船台吊装网络优化

为了优化起重设备和场地等资源约束下的船舶吊装过程，针对船舶吊装过程，利用时间库所Petri网建立模型，将改进免疫遗传算法应用到所建时间库所Petri网的变迁触发顺序搜索中，提出了一种适合这类问题的交叉变异算子和亲和度计算方法，提高了运算的收敛速度，避免了启发式搜索算法和传统遗传算法由于局部收敛导致的不足。最后，给出了一个实例，通过对具体的某型号散货船吊装过程进行优化，进一步说明了这种方法对于解决船台吊装网络优化问题的有效性。     

遗传蚁群融合算法求解多项目资源能力平衡问题

为探索更高效的多项目资源能力平衡优化方法,提出了一种基于遗传蚁群融合算法的求解方法。建立了以单位时间内所有项目的总资源消耗方差为优化目标的问题模型,并设计了模型求解的遗传蚁群融合算法。该算法前过程采用遗传算法进行迭代求解,充分利用遗传算法的快速性和全局收敛性,生成初始信息素分布;后过程采用蚁群算法,充分利用蚁群算法的正反馈性和求精解效率高等特点收敛到最优解。通过具体算例验证了算法的可行性和有效性。     

基于遗传算法的模具异地制造的优化调度

研究了模具异地制造的调度问题,建立了模具异地制造调度的最小模型,利用遗传退火算法实现了调度决策的优化,并提出了将遗传退火算法和分派规则相结合的调度策略和动态编码的方法,可提高搜索效率和速度,保证其全局收敛性。经调度实例验证表明,该算法能够提供了较为合理的调度方案。     

基于混合退火遗传算法的圆柱蜗杆传动模糊优化设计

针对基本遗传算法在优化设计中遇到的局部搜索能力不强、早熟收敛等问题,提出一种将模拟退火、Powell搜索方法与遗传算法相结合的混合遗传算法.在此基础上对普通圆柱蜗杆传动模糊优化设计进行了研究;数值计算表明,该混合退火遗传算法可以有效地克服基本遗传算法的上述缺陷,可以加速算法的收敛,具有良好的优化性能.并用该算法较好地解决了普通圆柱蜗杆传动的模糊优化设计.     

基于混合遗传算法的车间调度问题的研究

作业车间调度问题是最困难的组合优化问题之一，也是计算机集成制造系统中的一个关键环节，在实际生产中具有广泛应用。为此，提出了实现车间调度的混合遗传算法的设计方案，把遗传算法与模拟退火算法相结合，充分发挥遗传算法良好的全局搜索能力和模拟退火算法有效避免陷入局部极小的特性。通过实验验证了基于GASA混合算法的作业车间调度方法显著提高了搜索效率，改进了收敛性能。     

一种基于改进遗传算法的神经网络优化算法研究

遗传算法是目前优化搜索算法中应用比较广泛的一种,但基本遗传算法存在收敛速度慢、易于陷入局部最优等缺点。针对上述问题对遗传算法(GA)的选择算子进行改进,在最优保存策略的基础上将每代种群按照适应度由小到大排序,平均分成前中后3段,按照0.6、0.8、1的比例进行选择;从尾段中随机抽取个体来补足种群由于选择操作而损失的个体;既利用了最优保存策略的全局收敛特性同时也保持了种群的多样性;用改进的遗传算法调整神经网络的权值形成了新的改进遗传算法优化BP神经网络(IGA-BP);通过与选择算子为适应度比例选择算子的GA-BP网络进行比较,结果表明算法改进后缩短了收敛时间同时减少了运行误差;最后将该改进算法应用于水泥回转窑的故障诊断中,验证了算法的可行性。     

自适应退火遗传算法的起重机箱形梁优化

为克服标准遗传算法的固有缺陷——停滞和早熟现象,将具有较强局部收索能力的模拟退火算法融入其中,对适应函数进行退火拉伸,对接受算子进行退火处理,同时加入自适应机制来改进标准遗传算法的杂交率和变异率,尤其对变异率的调整,使其既能根据个体适应值的大小进行自适应修正,也能随进化状态的改变而改变,从而增强了算法摆脱局部最优解的能力.以最终形成了自适应退火遗传算法进行起重机主梁优化.经实例验证:与原标准遗传算法相比,在保证收敛结果不变的情况下,收敛速度和全局收敛性都得到了较大提高.     

求解作业车间调度问题的广义粒子群优化算法

为克服传统粒子群优化算法在解决组合优化问题上的局限性，分析了其优化机理，并在此基础上提出了广义粒子群优化模型。按照此模型提出了一种求解作业车间调度问题的广义粒子群优化算法。在本算法中，利用遗传算法中的交叉操作作为粒子间的信息交换策略，利用遗传算法中的变异操作作为粒子的随机搜索策略，而粒子的局部搜索策略则采用禁忌搜索来实现。为了控制粒子的局部搜索以及向全局最优解的收敛，迭代过程中交叉概率以及禁忌搜索的最大步长都是动态变化的。实验结果表明，本算法可有效地求解作业车间调度问题，验证了广义粒子群优化模型的合理性。     

Optimization of a composite laminated structure by network-based genetic algorithm

Genetic algorithm (GA), compared to the gradient-based optimization, has advantages of convergence to a global optimized solution. The genetic algorithm requires so many number of analyses that may cause high computational cost for genetic search. This paper proposes a personal computer network programming based on TCP/IP protocol and client-server model using socket, to improve processing speed of the genetic algorithm for optimization of composite laminated structures. By distributed processing for the generated population, improvement in processing speed has been obtained. Consequently, usage of network-based genetic algorithm with the faster network communication speed will be a very valuable tool for the discrete optimization of large scale and complex structures requiring high computational cost.     

A parallel computing application of the genetic algorithm for lubrication optimization

This study investigated the performance of parallel optimization by means of a genetic algorithm (GA) for lubrication analysis. An air-bearing design was used as the illustrated example and the parallel computation was conducted in a single system image (SSI) cluster, a system of loosely network-connected desktop computers. The main advantages of using GAs as optimization tools are for multi-objective optimization, and high probability of achieving global optimum in a complex problem. To prevent a premature convergence in the early stage of evolution for multi-objective optimization, the Pareto optimality was used as an effective criterion in offspring selections. Since the execution of the genetic algorithm (GA) in search of optimum is population-based, the computations can be performed in parallel. In the cases of uneven computational loads a simple dynamic load-balancing scheme is proposed for optimizing the parallel efficiency. It is demonstrated that the huge amount of computing demand of the GA for complex multi-objective optimization problems can be effectively dealt with by parallel computing in an SSI cluster.