遗传算法在推求流量—水深关系中的应用

本在标准遗传算法（SGA）基础上，提出一种基于实数编码的遗传算法（RGA），解决了标准遗传算法（SGA）算法及献[1]中华罗庚优选法的循环次数过多、耗时长以及过早收敛、形成局部成等问题。并渴望在水利工程设计中多维、高度非线性等参数优化问题中得到应用。     

基于自适应遗传算法的PID调速系统参数优化

针对遗传算法(SGA)存在求解精度与收敛速度间的矛盾,提出了一种自适应对称调和遗传算法(IASHGA),并将该算法应用于水轮发电机组PID调速系统参数的优化设计,以系统的上升时间和超调屠指标作为改进遗传算法的适应度甬数.以四川某水电站的真实数据对经过优化后的遗传算法PID控制规律进行计算机仿真,仿真结果表明,改进的算法与常规遗传算法(SGA)和粒子群优化算法(PSO)相比较,不但提高了全局的搜寻能力,而且有效避免了早熟收敛问题,为水轮机调速器PID参数优化研究提供了新途径.     

基于模糊控制遗传算法的输电系统最优化规划

用遗传算法求解优化问题时，要花费大量时间对基因进行测试、组合，速度较慢。另外，遗传算法的性能还强烈地依赖于一些相关参数（例如交叉和变异的概率）的选取。文中以电网规划为背景，对简单遗传算法（SGA）进行了多方面改进，得到模糊控制遗传算法(FLCGA)。该算法速度快，收敛到全局最优解的概率大。与基于传统遗传算法的电网规划比较，FLCGA具有明显的优越性。     

自适应遗传神经网络模型(IAGA-BP)及其在坝体结构损伤识别中的应用

针对基本遗传算法(SGA)收敛速度慢、计算稳定性差、效率低下和易陷入局部收敛等问题提出了一种改进的自适应交叉和变异算子,采用十进制编码并建立改进的自适应遗传神经网络模型(IAGA-BP),同时建立基本遗传神经网络模型(SGA-BP)。将两者同时运用于坝体结构损伤识别,分析结果表明:IAGA-BP模型在收敛速度、精度方面明显优于SGA-BP模型。     

改进的遗传神经网络模型及其在变形监控中的应用

针对基本遗传算法(SGA)收敛速度慢、局部寻优能力差等缺陷,采用十进制编码,引入改进的算术交叉、非均匀变异操作等算法,分析和建立了改进的遗传神经网络(IGA-BP)模型,并将该模型应用于大坝水平位移的预测.结果表明,该模型在收敛速度、预报精度等方面比传统模型有较大的改善.     

加速遗传算法在边坡抗震稳定性分析中的应用

根据加速遗传算法的思想和拟静力瑞典法基于圆弧滑动面的假定，提出一种用加速遗传算法搜索最危险滑动面及其对应的最小安全系数的方法。该方法是一种改进的遗传算法，在简单遗传算法基础上，增加加速循环步骤，用第一次和第二次进化迭代产生的优秀个体的多化空间作为变量新的初始变化区间，再进入遗传算法步骤重新运行计算。它不仅能克服传统方法容易陷入局部极小值的缺点，而且较SGA(简单遗传算法)算法有更高的搜索效率，计算时间短，搜索的解更优，是一种全局化算法。通过一个工程实例对其进行了验证。     

基于多种群遗传算法的输电系统扩展规划

在简要介绍标准遗传算法（SGA）的基础上，详细分析了造成遗传算法未成熟收敛的原因，提出了一种多种群遗传算法结构（MPGA）。将这一方法应用于输电系统扩展规划，可以大大降低遗传控制参数的不当设定对规划结果的影响，对抑制未成熟收敛的发生有明显的效果，同时可以给出最优和若干次优规划方案。通过两个不同规模的算例，证明了该方法的有效性。     

遗传算法在水资源优化中的应用

阐述了遗传算法的基本原理,介绍了数值计算平台Matlab中遗传算法工具箱的使用。通过简单实例探讨了遗传算法在水资源优化问题中的应用,结果表明遗传算法在水资源优化计算等问题中具有良好的通用性、简便性。     

加速遗传算法在边支抗震稳定性分析中的应用

根据加速遗传算法的思想和拟静力瑞典法基于圆弧滑动面的假定，提出一种用加速遗传算法搜索最危险滑动面及其对应的最小安全系数的方法。该方法是一种改进的遗传算法，在简单遗传算法基础上，增加加速循环步骤，用第一次和第二次进化迭代产生的优秀个体的多化空间作为变量新的初始变化区间，再进入遗传算法步骤重新运行计算。它不仅能克服传统方法容易陷入局部极小值的缺点，而且较SGA（简单遗传算法）算法有更高的搜索效率，计算时间短，搜索的解更优，是一种全局化算法。通过一个工程实例对其进行了验证。     

自适应遗传算法在水库优化调度中的应用

本文提出了一种基于自适应遗传算法的水库优化调度问题的求解方法，并通过实例对自适应遗传算法和标准遗传算法的性能做了比较。结果表明，由于自适应遗传算法能够在进化过程中根据个体优劣和群体分散程度对遗传控制参数进行自动调整，可以较好地解决标准遗传算法在应用中遇到的收敛性差和容易早熟等问题。在进化相同代数条件下，自适应遗传算法能够在保持群体多样性的同时，加快收敛速度，其稳定性也优于标准遗传算法。遗     

利用改进的遗传算法求解供水优化调度研究

针对标准遗传算法存在容易产生过早收敛及易陷入局部最优的问题,提出了一种改进的遗传算法,并成功地应用在华东某市供水优化调度。数值模拟的结果表明利用该改进的遗传算法求解大规模供水系统优化调度问题,有效地克服了早熟现象,提高了全局优化能力。     

用遗传算法的兼容度极大化模型选优水污染治理方案

采用不同评价方法对水污染治理的16种初选方案进行排序选优,得到不同评价结果,为克服各单个评价方案的片面性,充分挖掘各评价方案包含的信息,提出了基于实数编码加速遗传算法(RAGA)的兼容度极大化模型(RAGA-CDMM)对各单个评价方案进行组合,得到一个最优评价方案。结果表明:RAGA-CDMM得到的最优评价方案,结果更为合理可靠,为决策者进行"多中选好"提供了科学的依据;利用RAGA-CDMM可直接根据各单个评价方案的评价结果数据来确定各评价方案的权重,避免了主观赋权的不足;RAGA-CDMM简便可行,适用性和可操作性强,具有推广应用价值。     

求解复杂工程优化问题的一种实用方法

本文将遗传算法与神经网络相结合，构成ＧＡ－ＡＮＮ法，协同求解复杂工程中的优化问题．该法既利用了神经网络的非线性映射、网络推理和预测的功能，又利用了遗传算法的全局优化特性，可广泛地应用于目标函数难以用决策变量的显函数形式来表达的众多复杂工程问题中．     

基于第二代非支配排序遗传算法(NSGA-Ⅱ)的水资源优化配置

水资源优化配置作为解决水资源短缺的重要手段,对于区域社会经济的可持续发展具有重要的意义。水资源优化配置模型是一个结构复杂的综合系统,传统的优化方法难以求得模型的全局最优解。第二代非支配排序遗传算法(NSGA-Ⅱ)是当前解决多目标优化问题最有效的方法之一,但在水资源优化配置领域应用很少。本文以浐灞河流域为例,尝试利用NSGA-Ⅱ优化方法求解该地区水资源多目标优化配置模型,研究了该方法在水资源优化配置模型求解中的适用性。结果表明:该方法得到的水资源优化配置结果合理、可行。     

建设项目投资方案优选的参数投影寻踪模型

针对建设项目投资方案决策问题，采用高维降维技术——投影寻踪分类模型（PPC），利用基于实数编码的加速遗传算法（RAGA）优化其投影方向，将多维数据指标（样本评价指标）转换到低维子空间，根据投影函数值的大小评价出方案的优劣，从而做出决策，取得了满意的效果，为建设项目投资方案决策及其它评判决策问题提供一条新的方法与思路。     

区域水资源可持续利用等级评价的GPPIM模型

区域水资源可持续利用系统评价是一个涉及区域人口、经济、资源、环境与社会5个子系统的复杂大系统评价问题。文中论述了区域水资源可持续利用系统评价的指标体系的选取,并探讨了用基于实数编码加速遗传算法的改进投影寻踪方法建立的新型等级评价模型,即遗传投影寻踪插值模型(GPPIM),并将其成功地应用于我国南方某区域水资源规划的现状年及各规划水平年的可持续利用系统评价的实例中。     

基于优化遗传算法的结构参数识别

将复合形算子引入遗传算法中,对遗传算法进行改造,提出一种优化遗传算法.并将该遗传算法与人工神经网络结合,用于结构参数识别问题,具有较好的全局性和收敛效率.     

基于改进ACMPSO 并行算法的土石坝本构参数反演

针对一般的优化算法进行土石坝本构参数反演时收敛速度慢,且容易陷入局部最优的问题,引入动态变异系数和OpenMP并行指令,对自适应混沌变异粒子群算法(ACMPSO)进行改进,并采用实例对改进算法进行了验证。实例验证结果表明,与一般优化算法相比,改进的ACMPSO并行算法能够有效避免算法陷入局部最优的问题,大幅降低计算耗时,具有收敛速度快、反演精度高、稳定性好等特点,适用于处理高维度、计算量庞大的复杂参数反演问题。     

Optimizing Hydropower Reservoir Operation Using Hybrid Genetic Algorithm and Chaos

Genetic algorithms (GA) have been widely applied to solve water resources system optimization. With the increase of the complexity and the larger problem scale of water resources system, GAs are most frequently faced with the problems of premature convergence, slow iterations to reach the global optimal solution and getting stuck at a local optimum. A novel chaos genetic algorithm (CGA) based on the chaos optimization algorithm (COA) and genetic algorithm (GA), which makes use of the ergodicity and internal randomness of chaos iterations, is presented to overcome premature local optimum and increase the convergence speed of genetic algorithm. CGA integrates powerful global searching capability of the GA with that of powerful local searching capability of the COA. Two measures are adopted in order to improve the performance of the GA. The first one is the adoption of chaos optimization of the initialization to improve species quality and to maintain the population diversity. The second is the utilization of annealing chaotic mutation operation to replace standard mutation operator in order to avoid the search being trapped in local optimum. The Rosenbrock function and Schaffer function, which are complex and global optimum functions and often used as benchmarks for contemporary optimization algorithms for GAs and Evolutionary computation, are first employed to examine the performance of the GA and CGA. The test results indicate that CGA can improve convergence speed and solution accuracy. Furthermore, the developed model is applied for the monthly operation of a hydropower reservoir with a series of monthly inflow of 38 years. The results show that the long term average annual energy based CGA is the best and its convergent speed not only is faster than dynamic programming largely, but also overpasses the standard GA. Thus, the proposed approach is feasible and effective in optimal operations of complex reservoir systems.