基于主从式并行遗传算法的岩土力学参数反分析方法

考虑到遗传算法的天然并行性和集群计算的高速并行性,提出了基于主从式并行遗传算法的岩土力学参数反分析方法。采用实数编码方法,缩短了个体编码的长度,减少了搜索空间;采用动态任务分配方案,可以避免处理器效率的不均衡;采取"松耦合"的方法将主从式并行遗传算法与FLAC程序进行耦合。基于C+MPI语言编写了反分析程序,并用标准弹性问题对程序进行了测试。测试结果表明,主从式并行遗传算法不仅能够准确地对岩土力学参数进行反分析,而且随着问题规模的增大可以得到接近线性的加速比。因此,针对适应度评价计算量大的岩土工程反分析问题,采用基于主从式并行遗传算法的岩土力学参数反分析方法,既保证了反分析的求解精度,又提高了反分析速度,满足工程上对于反分析的及时性需求,具有较强的应用价值。     

基于多种群实数编码遗传算法的圆度误差评定

针对实数编码的遗传算法(RGA)在圆度误差评定中存在的早熟收敛、精度较差及运算速度慢等缺点,分析了多种群遗传算法的模型结构,利用多种群遗传算法的并行性,将其应用于圆度误差评定。实验证明该方法有效地提高了算法的精度和收敛速度,能够快速评定圆度误差。     

一种基于遗传算法的大型数据库数据分配算法

分布式数据库系统是数据库系统与计算机网络系统相结合的产物。分配策略利用遗传算法的一些优良性能,包括高度的并行性和鲁棒性,实现方式规范,以及能够在深度优先搜索和广度优先搜索之间维持很好的平衡等。     

面向机械产品设计的遗传算法研究

介绍了遗传算法在机械产品设计中的应用.针对传统遗传算法在复杂问题求解中出现编码过长以及交叉和变异操作中易于出现致命基因的缺点,详细阐述了编码、适应度函数计算、变异操作和交叉操作的设计过程.开发了基于遗传算法的机械产品设计系统.以数控车床整体方案设计为例,对基于遗传算法的机械产品设计系统进行了应用.     

基于实数编码遗传算法的项目组合规模决策

指出了应用二进制编码遗传算法进行项目组合选择的局限性,提出利用实数编码代替二进制编码进行项目组合规模决策.借鉴双赌论选择遗传算法的思想建立了基于实数编码的项目组合规模决策遗传算法,最后通过算例探讨了实数编码和二进制编码两种遗传算法在项目组合决策中的优劣.     

基于遗传蚁群算法的产品配色方法研究

论文结合遗传算法和蚁群算法在优化组合方面的优势,将其融入到工业设计的产品配色当中。首先,利用遗传算法对已有的整个色彩方案库进行搜索,产生有关问题的初始解集,然后,利用蚁群算法的并行性、正反馈机制以及求解效率高等特征寻求最优解。最后,以油罐车整车的配色设计为例进行了色彩优化设计,对优化后的方案应用模糊评价法进行评价,验证了该产品配色方法的有效性。论文提出的方法克服了两种算法各自的缺陷,优势互补,提高了产品配色的效率和智能化设计水平。     

机械优化设计遗传算法在机加中的应用

在科学技术迅速发展的今天,多学科相互交叉、相互渗透和相互促进已成为当今科学发展的显著特征。通过学者们的不断努力将生物自然选择和遗传进化与计算技术相结合,创立了生命科学和工程学可相互渗透的优化算法----遗传算法。由于遗传算法对非线性不连续多峰函数和无解析表达式的优化问题有很强的通用性,对目标函数具有全局优化性和稳定性,他的搜索是多途径的进行,所以其运算并行性好、直观简单、可操作性强。鉴于比传统优化算法更为突出的优越性,所以广大学者对遗传算法的研究仍然是方兴未艾。但仅遗传算法是为智能的新颖优化算法之一,在优化技术领域有这及其广阔的应用前景。本文将根据机械加工过程中的实际应用来体现遗传算法的显著的特点和优点。     

多级分销网络设计及库存控制整合优化模型

从供应链集成的角度出发,基于多目标规划,根据排队论探讨了随机性需求下多级分销网络设计与库存控制的整合优化问题,提出了多级分销网络设计和库存控制整合优化的多目标规划模型.针对遗传算法收敛速度慢、易陷入局部最优等缺点,采用了基于并列选择法的遗传-模拟退火算法混合优化策略.实验证明,模拟退火算法提高了遗传算法的全局搜索能力,改善了遗传算法的求解性能.     

改进的遗传算法在粒径测量中的应用

在光全散射法粒径测量中,基于改进的遗传算法反演颗粒系的粒径分布.在独立模式下,粒径反演为求解约束优化问题,将改进的遗传算法与模拟退火算法相结合,克服了罚函数遗传算法反演时罚系数难以确定以致极易产生不可行收敛解的不足.在非独立模式下,采用改进的遗传算法能够在3个波长下较准确地反演粒径分布.在光全散射法中采用改进的遗传算法反演粒径分布是可行的,反演结果稳定可靠,避免了基本遗传算法容易过早收敛而使反演结果陷入局部解的缺陷.     

线性回归模型的Boosting变量选择方法

针对线性回归模型的变量选择问题,本文基于遗传算法提出了一种新的Boosting学习方法.该方法对每一训练个体赋予权重,以遗传算法作为Boosting的基学习算法,将带有权重分布的训练集作为遗传算法的输入进行变量选择.同时,根据前一次变量选择效果的好坏更新训练集上的权重分布.重复上述步骤多次,最后以加权融合方式合并多次变量选择的结果.基于模拟和实际数据的试验结果表明,本文新提出的Boosting方法能显著提高传统遗传算法用于变量选择的质量,准确识别出与响应变量相关的协变量,这为线性回归模型的变量选择提供了一种有效的新方法.