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．     

自适应遗传算法在建筑结构优化中的应用

遗传算法易搜索到全局最优解，但局部寻优能力差且易发生早熟、随机漫游现象．基于对本文所采用的基本遗传算法的原理和实施过程介绍的基础上，针对其缺陷提出改进措施：利用混沌序列的“遍历性、随机性、规律性”的特点生成初始种群；采用最优个体储存、最差个体替换策略．在改进遗传算法的基础上，又引入自适应的交叉、变异概率公式，幅度系数调节交叉率、变异率形成自适应遗传算法．通过十五杆平面桁架的数值算例，自适应遗传算法的优化结果、优化进程与基本遗传算法、改进遗传算法进行了对比，验证自适应遗传算法的优越性能．     

解决背包问题的改进遗传算法

提出一种改进的基于进步数的变异遗传算法,提出用进步数这个概念表征遗传算法的收敛程度和指导染色体变异.该算法以精英种子进行固定有代表性的变异和基于进步数的自适应变异,能根据进步数跳出局部最优,避免早熟.通过测试函数和背包问题进行实验,实验表明,该算法全局寻优和收敛性良好.     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点，根据混沌运动的随机性、遍历性特点，提出一种基于混沌思想的粒子群优化算法（CPSO）、该算法利用种群适应度方差进行早熟收敛判断，实现对进化过程的监视，当发现种群陷入局部最优时，对种群进行混沌初始化，帮助种群摆脱局部最优点．对4种典型测试函数的仿真结果表明，改进算法明显减少了种群陷入局部最优的可能性．其全局寻优能力明显强于标准粒子群优化算法．     

核模糊聚类划分子种群的双种群遗传算法

并行双种群遗传算法在一定程度上避免了单一机制遗传算法易出现"早熟"的现象,但在其迭代进化后期存在种群同质化严重的缺陷.针对这一问题,在进行种群划分时引入核模糊聚类算法,将个体适应度值作为双种群聚类划分的约束条件,并针对划分所得双种群,提出两种改进的自适应交叉及变异策略,分别侧重遗传算法中局部搜索能力和全局探索能力.通过典型测试函数进行验证,对比标准双种群遗传算法(2PMGA)及自适应双种群遗传算法(A-2PMGA).实验表明,所提出的核模糊聚类划分子种群的双种群遗传算法有效地解决了种群同质化的问题,避免子种群陷入同一局部最优值.     

自适应差分进化算法

提出了一种自适应差分进化算法,该算法在计算过程中自适应调整缩放因子,在搜索初期保持种群的多样性和增强全局搜索能力,后期有利于局部搜索提高算法的精度。数值实验结果表明,该算法有效的避免早熟,提高了全局寻优能力。该算法的性能优于基本微分进化算法。     

基于遗传算法的移动机器人路径规划及人机协同控制研究

在分析传统遗传算法在路径寻优时易过早出现"最优解"及易陷入局部最优等不足,本文提出了一种改进的遗传算法.在生成初始种群时,产生可行且较优的父代,同时为了减小传统遗传算法在随机交叉和变异时引起的不稳定性,设计自适应交叉、变异概率,以提升算法效率,然后引入灾变算子防止算法陷入局部最优,过早得到"最优解".最后设计了移动机器...     

基于自适应多种群遗传算法的特征选择

针对标准遗传算法早熟收敛和局部搜索能力弱的缺点,提出了一种自适应多种群的遗传算法(AMGA),包含了多种群规划模型(MPP)和动态选择操作算法(DSA),应用于特征选择处理,从多维特征集合中寻找最优的特征子集。该方法扩展了搜索空间,自适应地调整多个种群的运行状态,有效地控制早熟收敛,增强了局部搜索能力。最后,将本文方法与标准遗传算法的试验结果进行比较,表明本文算法选择的特征数量较少、分类精度较高,可广泛应用于特征选择领域。     

应用种群多样性二进制蛙跳算法实现机会频谱分配

针对NP-Hard认知无线电分配模型,提出了基于种群多样性的二进制蛙跳算法.传统蛙跳算法采用整数编码和相关的搜索方法,新算法采用种群文化倾向性,在二进制编码条件下实现了最优或次优解搜索.依据模式理论,以海明距为数学工具,定义了种群多样性参量作为早熟判别指标,当出现早熟时,在保留精英个体前提下进行种群重构,避免算法陷入局部最优.为了证明算法的有效性,进行了100种网络拓扑结构的对比实验,实验数据说明,新算法优于粒子群、遗传算法和量子遗传算法,针对3种适应度函数,其优胜率分别为100%、75%和100%.     

基于改进遗传算法的连续函数优化

为了进一步避免连续函数优化过程中的早熟收敛和搜索迟钝,在简单遗传算法基础上提出了划分寻优区间、基于排序和最佳保留的轮盘赌选择算子,可以用来提高遗传算法的运行效率和收敛速度,达到了既能够选出最好个体又能够保证种群多样性的效果;同时采用择优交叉算子和二元变异算子,这样既保证了种群的收敛性,又可在陷入局部最优时为种群引入新基因。仿真实验表明,与简单遗传算法相比,改进后的遗传算法能有效地提高遗传算法的收敛速度和避免陷入局部最优。     

一种基于信息熵的自适应遗传算法

为解决传统遗传算法容易早熟及收敛速度慢的缺陷,在分析了多样性的重要性后,提出了一种新的基于信息熵的遗传策略,该策略在保留最优个体的基础上,根据当前种群个体熵与种群熵的变化自适应调整遗传算子的各项参数,将种群的内部状态与遗传操作有机地结合起来,使得种群多样性得到保证,提高算法的全局搜索能力.试验结果表明了该方法在运行过程中能避免早熟的发生,在处理复杂问题时表现出较高的性能.     

在子集条件约束下的最大熵分布及其应用

介绍了有关熵的概念及计算方法,并将其应用于构建一类新的分布估计算法(EDAs)。该类分布估计算法用基于最大熵估计种群中的模式概率分布和从最大熵分布中抽样取代遗传算法(GA)的交叉和变异,产生新的种群。在该类算法中,二阶连接模式算法由于只使用了连接模式,在解决变量之间相互作用趋向于发生在串中相互靠近的变量之间的一类问题时,比遗传算法更好。     

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.     

基于遗传算法优化的神经网络PID控制器

提出了一种新的改进遗传算法优化的神经网络PID控制器。该方法设计了基于性能指标的适应度函数、自适应的交叉概率、变异概率,引入移民的遗传算法,从而有效地抑制了早熟和维持种群多样性,保证了得到的优化参数为最优参数。该方法为非线性被控对象的控制提供了一种最优参数控制器设计途径。仿真结果证明:利用改进遗传算法设计的控制紧闭环性能优越,鲁棒性强。     

一种求解TSP问题的改进遗传算法

旅行商问题(Traveling Salesman Problem TSP)是一个典型的组合优化问题,但应用基本遗传算法求解TSP问题时存在许多不足.结合TSP问题的特点,提出一种改进的遗传算法:应用贪心策略初始化种群,用2-opt对其进行优化,使得在初始个体中就包含较优子路径,在一定程度上加快算法收敛性,防止早熟和近亲繁殖.对交叉算子和变异算子进行改进后,既能维持种群的多样性,也保留了父代个体大部分优良性能.应用改进的算法对20个城市的TSP问题进行求解,结果表明该算法求解速度快而且求解的质量较好.     

An improved cross entropy algorithm for steelmaking-continuous casting production scheduling with complicated technological routes

In order to increase productivity and reduce energy consumption of steelmaking-continuous casting(SCC) production process, especially with complicated technological routes, the cross entropy(CE) method was adopted to optimize the SCC production scheduling(SCCPS) problem. Based on the CE method, a matrix encoding scheme was proposed and a backward decoding method was used to generate a reasonable schedule. To describe the distribution of the solution space, a probability distribution model was built and used to generate individuals. In addition, the probability updating mechanism of the probability distribution model was proposed which helps to find the optimal individual gradually. Because of the poor stability and premature convergence of the standard cross entropy(SCE) algorithm, the improved cross entropy(ICE) algorithm was proposed with the following improvements: individual generation mechanism combined with heuristic rules, retention mechanism of the optimal individual, local search mechanism and dynamic parameters of the algorithm. Simulation experiments validate that the CE method is effective in solving the SCCPS problem with complicated technological routes and the ICE algorithm proposed has superior performance to the SCE algorithm and the genetic algorithm(GA).     

A novel genetic algorithm preventing premature convergence by chaos operator

ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ(ＧＡｓ),ａｓａｋｉｎｄｏｆｓｅａｒｃｈｉｎｇａｎｄｏｐｔｉｍｉｚｉｎｇａｌｇｏｒｉｔｈｍ,ｉｓｂａｓｅｄｏｎｔｈｅｐｒｉｎｃｉｐｌｅｓｏｆｎａｔｕｒａｌｅｖｏｌｕｔｉｏｎ[1].Ｉｔｈａｓｂｅｅｎｅｓｔａｂｌｉｓｈｅｄａｓａｖｉａｂｌｅａｎｄｒｏｂｕｓｔｔｅｃｈｎｉｑｕｅｆｏｒｓｅａｒｃｈｉｎｇａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｃｒｏｓｓａｄｉｖｅｒｓｅｄｏｍａｉｎｏｆｄｉｓｃｉｐｌｉｎｅｓ.Ｈｏｗｅｖｅｒ,ｗｈｅｎａｐｐｌｙｉｎｇＧＡｔｏｓｏｌｖｅｌａｒｇｅｓｃ…     

用多种群遗传算法优化结构振动模糊控制器

在结构控制中模糊控制是被采用的方法之一，基于遗传算法的模糊系统的优化设计，把模糊控制和遗传算法结合起来．利用遗传算法的优点，克服了一般模糊控制设计中模糊变量的隶属度和控制规则的选取通常靠经验来获取的不足．使得系统的模糊控制设计更灵活方便，能取得更好的控制效果。采用实数和整数混合编码技术来设计遗传算法的染色体和相应算法，为了避免早熟和加快收敛速度，采用了多种群的遗传算法。为了验证优化的效果．对一个三层框架进行了仿真分析，结果显示，采用遗传算法优化后的模糊逻辑控制优于常规模糊逻辑控制。     

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。     

改进的遗传算法在结构优化设计中的应用

遗传算法(GA)是基于达尔文进化论和遗传学说形成的一种崭新的优化算法.它具有全局收敛性和并行性;对先验知识要求较少,具有很强的适应性.针对结构优化设计方法中存在的局限性,将改进的遗传算法用于结构优化设计中.改进的GA采用以下措施提高搜索效率:(1)动态调整变量区间和GA参数;(2)在每一轮进化结束后重新初始化群体,开始新的进化;(3)将最优个体保留到下一轮.据此编制了计算机程序,并将其应用到一个桁架结构的优化实例中.运行结果表明,改进后的遗传算法用于结构优化设计能够有效地避免陷入局部最优解的现象,提高了搜索效率,具有较强的适应性.