利用遗传算法搜索寻优图形化模型参数的研究

提出一种图形化建模加遗传算法寻优的新型控制系统设计策略.采用Simulink建模,实值多种群遗传算法进化迭代寻优图形化模型参数,利用模型的仿真输出计算目标函数.利用该策略成功求解了一个非线性速度反馈校正系统的最优控制问题.有关研究成果在解决实际工程问题时简便、高效且实用.     

基于双种群遗传算法的四旋翼飞行器PID参数整定方法

针对四旋翼飞行器的PID控制器参数整定问题,提出使用双种群遗传算法对控制器参数进行寻优;四旋翼飞行器的PID参数调整困难,由于通道间的耦合关系使常规的参数调整方法失效,提出结合双种群遗传算法,寻找最优的PID参数组合,实现飞行器控制;结合动力学模型并加以适当简化,设计了PID控制器,使用双种群遗传算法整定参数,进行了数据仿真实验;结果表明,双种群遗传算法能够提高单种群遗传算法5%的性能,获得的参数控制效果更好。     

基于改进遗传算法智能组卷的研究

组卷问题是解决在一个多约束条件下的多目标参数优化的问题,在研究组卷数学模型的基础上,对遗传算法进行了改进,通过对染色体分段编码、确定适应度函数、分段初始化种群、交叉概率和变异概率的自适应调整及最优个体保存策略措施,实现了智能组卷。通过实验数据测试结果表明,改进遗传算法比简单遗传算法能更好地完成组卷,有更高地组卷效率,有较好地实用性。     

基于改进遗传算法智能组卷的研究

组卷问题是解决在一个多约束条件下的多目标参数优化的问题,在研究组卷数学模型的基础上,对遗传算法进行了改进,通过对染色体分段编码、确定适应度函数、分段初始化种群、交叉概率和变异概率的自适应调整及最优个体保存策略措施,实现了智能组卷。通过实验数据测试结果表明,改进遗传算法比简单遗传算法能更好地完成组卷,有更高地组卷效率,有较好地实用性。     

遗传算法的改进及其工程应用研究

控制器参数的优劣对工业控制器的性能影响较大,参数寻优也是当前智能算法的主要研究的方向之一。遗传算法因其优良的寻优能力得到了广泛的发展,但其本身尚存在诸多问题有待改进。针对传统遗传算法种群多样性较差、优化过程中易过早收敛的缺点,在传统遗传算法的基础上提出并加入了一种种群精简优化算法,提高了寻优精度。将该算法应用于工业转炉汽包液位控制系统参数寻优,提高了液位控制精度。     

多种群遗传算法在图像处理中的应用研究

传统图像增强方式存在一系列缺陷,基于此有针对性地提出以多种群遗传算法为基础的新图像增强算法。首先,将非完全Beta函数图像增强过程参数编码成为遗传算法中的个体,然后根据适应度函数,模拟自然界生物进化过程对参数进行寻优,这是一种标准的遗传算法,因为优化过程中不依赖于梯度,使其具有很强的鲁棒性和全局搜索能力,但存在一个不可忽视的问题,即过早收敛,主要表现为种群中的所有个体都趋于同一状态并结束进化,导致最终算法无法获得相对满意的结果。为了克服上述问题,多种群遗传算法引入移民算子和精华种群,实验表明它具有很好的稳定性和较快的收敛性。     

遗传算法函数寻优性能影响因素分析——基于正交试验的方法

遗传算法在函数寻优领域得到了广泛应用,选取合适的参数对提高遗传算法寻优性能至关重要。以四个经典函数为例,基于正交试验原理分析了遗传算法五个参数对其寻优时间和迭代次数的影响。结果表明：对寻优搜索时间影响最大的参数为变异概率,其次为种群大小,交叉算子的选择、交叉概率和编码长度影响相对较小;对寻优迭代次数影响较大的三个参数为变异概率、种群大小和编码长度,而交叉概率和交叉算子的选择影响相对较小。分析了使遗传算法性能最优时参数组合的原则。     

一种基于自主计算的双种群遗传算法

针对多种群遗传算法在处理复杂多峰函数优化问题时效率低下、容易早熟收敛等缺点,提出一种基于自主计算的双种群遗传算法。双种群包括一个主种群和一个协助种群,协助种群通过系统的内、外监视器动态地向主种群传递优良个体和调整迁移间隔,以帮助主种群进化,并改进适应度函数防止迁移者过早死亡以保持种群多样性。实验结果证明,该算法优于标准遗传算法和双种群的多种群遗传算法。     

改进的遗传算法求解旅行商问题

提出一种解决旅行商问题的改进遗传算法.在传统遗传算法的基础上,引入贪婪算法进行种群初始化;从遗传进化代数和个体适应函数值两个方面实现遗传参数自适应调节,在加快寻优速度的同时防止寻优陷入局部最优;采用基于贪婪方法的启发式交叉算子优化交叉结果;对交叉前后的种群分别实施精英个体保留策略,保证最优基因结构得以延续.实验结果分析表明,改进的遗传算法可以在种群规模较小的情况下具有更可靠的寻优能力.     

基于递阶和小生境的离散分段遗传算法

为了解决简单遗传算法过早收敛的问题,并进一步改善简单遗传算法的寻优质量,在分析递阶遗传算法和小生境遗传算法的基础上,提出了离散分段遗传算法.该方法在微观上,采用了递阶遗传算法的递阶编码方式和小生境的选择思想.宏观上,通过分层多级寻优操作来适当加快遗传算法的寻优速度.该算法非常适合解决多峰值优化问题,同时也能够有效地修复早熟现象的影响,加快收敛速度.实验表明该方法在性能方面明显优于简单遗传算法.     

新型并行遗传算法及其在参数估计中的应用

基于极大似然法的参数估计实质上是一个复杂的非线性优化问题,传统的优化方法计算效率较低且容易陷入局部极值。该文将单纯形法与并行遗传算法相结合,提出了一种新的并行遗传算法,可以有效地防止搜索过程中的早熟现象。应用于系统初始状态未知时的参数估计问题,获得了满意的结果。     

利用改进遗传算法的参数估计

基于极大似然法的参数估计实质上是一个复杂的非线性优化问题，传统的优化方法计算效率较低且容易陷入局部极值。而遗传算法是一种有导向的随机搜索方法，能以较大的概率收敛到全局最优解。本文将单纯形法引入到并行遗传算法中，提出了一种改进的遗传算法，可以有效地提高算法的收敛速度、防止搜索过程中的早熟现象。应用于系统初始状态未知时的参数估计问题，获得了满意的结果。     

多重群体遗传算法在装箱问题中的应用研究

装箱问题是一个有很强应用背景的组合优化问题,求解极为困难。为有效解决该问题,提出了多重群体遗传算法,给出了具体的遗传算法步骤。在算法中采用新陈代谢的选择策略,以更好地保持进化过程中的遗传多样性。实践表明,引入多重群体遗传算法后,装箱效率有明显的改善和提高。     

改进遗传算法整定自抗扰控制器参数及应用

非线性自抗扰控制器策略(ADRC)耦合参数众多,单一机制优化算法在进行参数整定时易陷入局部最优解,极大地降低了自抗扰控制器的控制精度。针对此问题,该文提出了一种改进遗传算法(KFC-2PMGA)进行自抗扰控制器参数整定,将核模糊聚类算法应用到遗传算法双种群划分中,并针对聚类所得双种群,分别采用不同的自适应交叉及变异策略,有效地避免了传统遗传算法易产生"早熟"的现象。并以永磁同步电机为例进行仿真验证。结果表明,优化后的自抗扰控制器具有良好的系统响应及控制精度,改进后的遗传优化算法适用于复杂非线性自抗扰控制器参数整定。     

基于GE的多响应参数稳健设计优化方法

提出了一种基于遗传进化的多响应参数稳健设计优化方法。对多响应参数稳建设计问题进行了数学描述,建立了以试验样本多响应输出参数的加权平均质量损失最小化为目标的数学优化模型;提出了多响应参数稳健设计的遗传进化优化方法：以密集抽样取代离散化处理,以个体取代试验方案,以变化的种群取代固定的内表,通过遗传进化得到最优设计方案;提出并设计了多响应参数稳健设计的遗传优化算法。通过案例分析验证了该方法的有效性。     

基于蜜蜂双种群进化机制的云自适应遗传算法

为了提高传统自适应遗传算法的鲁棒性,受蜜蜂双种群进化的机制启发,把雄蜂通过竞争参与交叉及雄蜂与决定双蜂群优秀遗传基因的蜂后交叉的机制引入算法中,再利用正态云模型云滴的随机性和稳定倾向性特点,提出了基于蜜蜂双种群进化机制的云自适应遗传算法。算法由正态云模型的Y条件云发生器及蜂后参与的方式实现交叉操作,基本云发生器实现变异操作。函数优化实验和暴雨强度公式参数优化的仿真结果表明了算法的有效性和可行性。     

带反馈的混沌并行GA及其在非线性约束优化中的应用

基于生物系统中普遍存在"随机进化 反馈"现象,提出了带反馈机制的混沌并行遗传算法:混沌映射的嵌入保持演化群体良好的多样性,而反馈机制,即基于Baldwin效应的后天强化学习,克服纯粹随机演化,从而加速系统演化进程.通过基准复杂非线性约束优化问题及金融领域中基准的参数优化问题的数值实验,验证了文中算法的高效性、通用性及稳健性.     

一种求解TSP问题的多种群并行遗传算法

遗传算法是一种基于自然群体遗传机制的有效搜索算法,由于它在搜索空间中同时考虑许多点.减少了收敛于局部极值的可能,也增加了处理的并行性.因此可以利用并行遗传算法研究典型的TSP问题的求解.提出一种有效的多种群并行算法求解旅行商(TSP)问题,应用多种群遗传并行进化的思想,并在种群之间进行遗传信息交流,以解决经典遗传的收敛到局部最优值问题.仿真实验结果表明,方法在解的精度上以及解的质量上优于经典的遗传算法.     

应用遗传算法估算溶液热力学模型参数

应用遗传算法估算溶液热力学模型参数,并对标准遗传算法中的变异策略和竞争方式作了适当的改进,得到改进的遗传算法。举DMF(二甲基甲酰胺)+water体系的溶液热力学模型参数的估算为例,并与POWELL法比较。计算结果表明,遗传算法比POWELL法具有更强的寻优能力,而本文所提出的改进的遗传算法比标准遗传算法的寻优速度明显较快,对解决溶液热力学模型这类复杂的非线性函数的参数估算问题,本文所提出的改进的遗传算法是一种较好的寻优算法。     

基于人工鱼群遗传算法的异构多核系统任务调度研究

异构多核系统的任务调度问题已经被证明是一个NP完全问题。人工鱼群算法在算法初期具有较快的收敛速度,后期收敛较慢,而遗传算法的种群初始化具有较强的鲁棒性,初始化种群的质量直接影响着遗传算法的性能。本文提出了一种将人工鱼群算法与遗传算法相结合的任务调度算法,首先分析了异构多核系统的任务调度问题的本质,使用改进的人工鱼群算法来构建遗传算法的初始化种群,并使用改进的遗传算法进行迭代进化,从而提高了算法的收敛速度。