基于小生境技术的遗传优化算法改进

针对遗传算法用于多模态最优化问题时存在无法同时找到所有的全局最优值和尽可能多的局部最优解的现象,提出了一种基于小生境技术的改进遗传算法来提高算法的搜索能力;通过仿真实验数据表明,改进的小生境遗传算法不但具有良好的全局收敛可靠性,而且具有快的收敛速度。     

基于小生境算法和聚类分析的快速收敛遗传算法

摘要：针对遗传算法中存在的早熟收敛和后期收敛速度慢的问题,在讨论种群多样性表示方法和早熟原因的基础上,提出了一种基于小生境技术和聚类分析的遗传算法快速收敛算法．利用小生境技术保持种群的多样性,有效防止早熟收敛．当种群进化到一定程度后,进行聚类分析,从而获得分布在各个极值点附近的聚类区域．在各个聚类中心处,利用局部搜索算法获得极值点;其余个体按照小生境技术在聚类区域外进一步搜索．仿真结果表明,这种算法能够有效地防止早熟收敛,可以极大提高遗传算法的搜索效率,有利于并行实现,并在一定程度上有助于骗问题的解决．     

基于共享机制的自适应混合遗传算法

共享机制小生境遗传算法常由于保持算法种群的多样性而减缓了全局收敛速度.针对共享机制的这个缺陷,提出了一种基于共享机制的自适应混合遗传算法.将熵的概念引入共享机制,提出了用以度量种群多样性的小生境熵的概念;构造了小生境半径和进化参数(交叉、变异概率)的自适应计算方法;设计了用于增强算法局部搜索寻优能力的扩展突变算子.最后实验表明,该算法对于解决多模态函数优化问题具有很好的全局搜索能力和较快的收敛速度,能够有效避免早熟收敛.     

自适应梯度小生境混合优化算法

通过对梯度法和小生境遗传算法优缺点的分析,提出了一种自适应梯度小生境混合优化算法。小生境算法利用当前种群适应度和种群代数来设计交叉算子和变异算子,保持了种群的多样性,改善全局搜索能力,应用自适应变步长梯度算法的快速寻优特点来减少运行的时间,优化极值精度,加快了收敛速度。对Shubert函数的仿真试验,证明该算法能明显的改善全局搜索能力,加快算法收敛速度。     

基于复合形法的聚类遗传算法

针对标准遗传算法的未成熟收敛问题和局部收敛能力不佳等情况,提出一种基于复合形法的聚类遗传算法。通过使用复合形法结合聚类小生境技术对传统的遗传算法进行改进,得到基于复合形法的自适应聚类遗传算法（NCGA）。该算法使用FORTRAN语言进行编程,通过使用三种复杂的测试函数对其性能进行测试,并与自适应遗传算法（AGA）进行了性能比较,还分析了初始种群的优劣对算法性能的影响。测试结果表明：对于遗传算法的改进效果明显,在遗传算法中融入复合形操作能明显增强遗传算法的局部搜索能力,且聚类技术使得遗传算法的全局搜索能力得到显著增强,反向学习操作的添加能增强算法的稳定性。改进后的遗传算法的性能明显好于传统的遗传算法。     

电力系统PMU最优配置问题的混合优化算法

针对电力系统潮流计算方程直接可解的PMU最优配置问题,提出了一种引入小生境技术的遗传禁忌搜索混合算法。混合优化算法以小生境遗传算法为主体,避免传统遗传算法“早熟”和解的多样性不足的问题;结合禁忌搜索思想,使用TSR算子进行交叉操作,解决传统遗传算法局部搜索能力较差和收敛速度有待提高的问题。用该算法与其他两种传统算法进行了对比验证,结果表明该混合算法不仅能寻得全局最优解,而且提供了解的多样性,提高了优化效率,具有广阔的应用前景。     

基于小生境遗传算法的粗糙集属性约简方法

针对遗传算法在全局优化问题中出现的早熟和收敛速度慢的问题,提出一种基于小生境遗传算法的粗糙集属性约简算法,采用基于淘汰相似结构机制的小生境技术,通过引入罚函数的方法调整个体的适应度,提高全局搜索能力。实验证明该算法是有效的,并能求解出信息系统中多组不同的最小约简,为决策支持和数据挖掘等提供更多信息。     

非线性方程组求解的一种新方法

针对现有的非线性方程组求解方法不能同时收敛到所有解的问题,提出了一种混合小生境遗传算法的求解新方法.采用确定性拥挤小生境创造出种群的小生境进化环境,克服遗传算法的遗传漂移现象,维持种群的多样性,使算法能同时收敛到多个解;以拟牛顿算法作为遗传算法的局部搜索算子进行精确搜索,进一步提高算法收敛速度和精度.选择了几组典型的多解非线性方程组进行了求解验证,结果表明所设计的混合小生境遗传算法能在解的定义域内同时收敛到所有解,收敛速度快、精度高,是求解非线性方程组全局解的一种有效方法.     

一种用于智能组卷的自适应小生境遗传算法

在采用遗传算法进行智能组卷的过程中,常出现选择策略缺乏多样性保护机制的现象,易出现早熟收敛。为解决智能组卷的早熟收敛问题,提出一种自适应小生境遗传算法。采用小生境技术可提高个体的选择概率,增加个体的多样性选择机率;在保证算法收敛速度的情况下,给出一种一致变异算子,同时调节个体的变异概率和变异范围,提高种群多样性。最后,通过具体实例验证了该算法在较短的组卷时间内,可以实现全局寻优的结果,从而证明该算法的有效性。自适应小生境遗传算法在智能组卷中的应用具有实际意义。     

基于改进小生境遗传算法的车牌图像分割

为避免小生境遗传算法存在的早熟和收敛速度慢等问题,结合共轭梯度法,提出了一种改进的小生境遗传算法,能加快收敛速度,改善全局最优解搜索能力。将新算法用于车牌图像分割,进行图像识别。试验表明新算法能解决车牌图像识别率低问题且识别效果好。     

死区非线性系统的全局收敛自适应控制

本文通过引入一类新的目标函数，对死区非线性系统建立了全局收敛的自适应控制算法，该算法可用于最小相应和非最小相位系统，并具有渐近最优的控制效果。仿真实验表明本文算法具有良好的动态性能。     

不确定性机器人的鲁棒控制

本文研究不确定性刚性机器人的鲁棒控制问题，提出了一种新的鲁棒控制方案，控制器由两部分组成：第一部分为基于标称模型设计的计算力矩控制器；第二部分为基于Ｌｙａｐｕｎｏｖ方法设计的鲁棒补偿控制器，其作用是消除不确定性对跟踪性能的影响。本文证明了闭环系统的全局收敛性，仿真结果表明本方法对于存在外扰和模型不确定性的机器人系统是十分有效的。     

基于思维进化的MEBML算法的收敛性研究

针对基于思维进化的机器学习（ＭＥＢＭＬ）的马尔可夫链的分析,证明了离散状态下趋同操作的群体信概率１收敛到全局最优状态,但由于趋同操作的局部性,从局部最优状态转移到全局最优状态的概率非常小,要增加这种转移概率,需要引进异化操作,通过Ｐ－最优状态和吸引域的概念,分析了趋同操作、异化操作的理论和实际意义。     

迭代学习控制理论的发展动态

迭代学习控制（ILC）适合于具有某种重复运动（运行）性质的被控对象，可 实现有限时间区间上的完全跟踪任务．本文综述了迭代学习控制的基本内容和最新发展动态 ，对迭代学习控制的基本理论进行了分类研究，并讨论其存在的问题和发展趋势．     

近似已知函数的高精度稳定近似求导方法

提出了一种新的求近似已知函数一阶导数,二阶导数的稳定方法．与Groetsch提出的求 近似导数方法相比较,提高了稳定近似导数的收敛率,在一定条件下一阶导数的收敛率可达 到O(δ2n/2n+1),二阶导数的收敛率可达到P(δ2n-1/2n+1),给出了数值例子．     

模拟反馈联想记忆的吸引域和指数收敛速度的估计及其应用

本文得到了若干关于模拟反馈联想记忆各记忆模式的吸引域及其中每一点趋向相应记忆模式的指数收敛速度的估计结果，它们可用于高效模拟反馈联想记忆的性能评价以及综合过程．     

P-剖分方法的收敛性

p-剖分方法是一种高效的stationary subdivision方法。本文利用一种特殊的控制多边形δ－控制多边形给出了p-剖分方法一致收敛的一个充分条件。     

一种时滞连续系统零极点辨识算法

１前言在工程应用中,相当一部分工业过程可由带有实零极点及时滞的传递函数描述,一些典型的控制算法也是基于系统的实零极点进行设计的［１—３］．虽然我们可通过对分子、分母多项式构成的传递函数进行因式分解间接求得过程的零极点,但在实时辨识中却很难做到求得的零...     

求解一类变分不等式离散问题的迭代法

本文提出了求解变分不等式离散问题的一个迭代算法,并在合理的假设下证明了算法的单调收敛性．