基于实值反向选择算法的机械设备故障检测

选择算法在实值编码的反向选择机理中加入2种进化学习机制。一将检测器集合远离自己空间,二是移动检测器,并最优化地将检测器分布在非己空间。将其应用于机床齿轮箱运行状态检测,具有很高的故障检测率。     

染色体分层编码遗传算法及其在枪械设计中的应用

将枪械模块化方案设计过程映射为状态空间求解问题，在改进的标准遗传算法基础上建立染色体分层编码，更好地刻画了枪械产品层次结构，避免了传统二值编码码串过长难以描述关联程度较高的层次结构及对复杂多层系统求解易陷入局部最优的问题。同时，在模块化设计系统基础上，针对枪械方案设计系统种群个体数量不多、性状强的特点，在采取适应度比例选择及精英个体保留的再生算子基础上，结合排斥重串的稳态繁殖方法，进一步提高了最优解搜索性能。方案测试系统和实例系统均验证了该算法在层次结构方案设计中的有效性和实用性。     

基于贝叶斯优化的三维飞行航迹规划

提出了一种基于贝叶斯优化算法的飞行器三维航迹规划方法。把飞行航迹编码为离散时间间隔上飞行器速度向量的变化序列。采用固定时间间隔时,这种编码方法把每一步速度向量的变化量都限制在飞行器最大加速性能之内,所以这种编码方法对应的物理轨迹是可飞的。利用每代种群中的可行解集合构造贝叶斯网络,用贝叶斯网络的结构体现染色体基因位之间的联系,用贝叶斯网络参数体现染色体基因位之间的联系程度。设计了一个多变量K2度量评价网络的优劣。用贝叶斯网络产生新的染色体以体现种群的进化,这取代了传统遗传算法的交叉和变异过程。如果种群中最优个体不满足终止条件,则用新一代种群的可行解集合构造贝叶斯网络,直到满足终止条件。仿真结果验证了算法昀有效性。     

基于遗传算法的炮兵火力分配策略

运用遗传算法分配炮兵火力的具体步骤包括:对可行解空间的参数编码、祖先群体的设定、适应度函数的设定、遗传操作的设计及控制参数的设定.该策略的计算机模拟含:编码和生成祖先群体、计算基因个体适应度和选择操作、交叉及变异操作.     

基于文化粒子群的图像配准优化算法

针对图像配准中采用互信息作为配准相似度函数存在配准精度小和收敛速度慢等问题,构造了一个基于最大化互信息的配准测度函数。结合一种适用于图像自动配准的文化粒子群优化(CPSO)算法,给出了一种新的图像配准算法。该算法将搜索空间设置成群体空间和信念空间,群体空间采用自适应粒子群算法完成进化,信念空间通过更新函数来进行演化。群体空间的粒子群不仅通过跟踪个体极值和全局极值来更新自己,还通过不断与信念空间中的优秀个体交互,加快群体的收敛速度。这就克服了图像配准中计算量过大、搜索速度慢等问题。大量实验表明,与现有的粒子群优化(PSO)算法配准算法相比,文中提出的算法具有较好的鲁棒性和配准精确率。     

用遗传算法求解柔性作业车间调度问题

柔性作业车间调度,采用遗传基因编码算法对工序排序并分配给机床.设待加工件N个,工件i经过J道工序在M台机床加工完成,建立其数学模型.基因编码主串表示调度路径,副串表示调度次序.在主串中引入交叉算子,主副串以不同概率发生变异算子,并随机交换其中两位.仿真表明该算法求解完成所有工序的时间最短.     

基于遗传算法的交货期限Flow-Shop调度

针对生产调度领域中的仓库、交货期限制的问题,将生产线简化为Flow-shop,描述约束条件并建立单条生产线的数学模型.用遗传算法对生产调度进行染色体编码,按个体适应度大小确定该个体被遗传到下代群体的概率.用比例选择算子并将优良个体复制到下代群体中,互交换配对染色体的部分基因,进行交叉运算得到合法个体以实现生产调度寻优.     

基于改进型阴性选择算法的车辆故障检测方法研究

根据现有的阴性选择算法提出适于车辆故障检测的改进型阴性选择算法。在改进型算法中，对数据串编码、自体集合的生成、检测器数目的确定进行了研究。对某军车上使用的防滑差速器正常工作和故障状态下的样本数据进行故障检测，结果表明了改进型阴性选择算法的有效性，并与神经网络检测方法所得到的结果进行比较，表明了改进型阴性选择算法具有较高的检测准确度。     

基于改进进化规划的RBF网络二相码旁瓣优化

在研究雷达脉冲压缩信号中的二相编码距离旁瓣压缩问题基础上,采用改进的进化规划算法优化径向基函数网络,提出了一种基于改进进化规划算法的计算方法.该算法将进化规划算法和神经网络结合起来,用径向基RBF(Radial Basis Function)神经网络结构取代多层前馈网络MFNN(Multilayer Feedforward Neural Nerworks)结构,用改进进化规划取代反向传播算法BP(Back Propagation),可以以较大概率快速的收敛到要求的旁瓣抑制指标.通过对13位巴克码和31位M编码的仿真实验,表明新的方法在旁瓣抑制能力和运算速度等性能方面,都有较大的提高.     

非线性系统参数的多种群并行遗传优化

非线性系统参数优化的多种群并行遗传算法,以群体遗传算法搜索整个解空间实现参数优化.通过群体中个体间的信息交换,淘汰劣质基因,并用优秀个体反映解空间信息,使系统稳健收敛.该方法首先选取编码方案、交叉和变异概率、适应度函数、策略及遗传算子以及优秀个体的迁移率,并通过饱和非线性环节、速率限制环节和三阶环节验证了非线性系统的参数优化.     

基于自适应遗传算法的导弹火力优化分配

建立了导弹火力优化分配的非线性整数规划模型，并给出了模型的自适应遗传算法求解，改进的遗传操作算子较好地处理了模型的整数约束条件，直观明了，简单易行．实例在计算机上的对比仿真运行结果表明，随群体适应度自动调整的交叉概率和变异概率，加快了算法的收敛速度，显著地提高了算法的探索能力，不易陷入局部最优解．这种方法对导弹火力的优化分配有一定的参考价值．     

基于Hausdorff距离和免疫遗传算法在图像匹配的应用研究

部分Hausdorff距离和免疫遗传算法相结合的图像匹配算法包括：定义编码与适应度函数、确定交叉变异算子及免疫操作。部分HD距离作为模板匹配的相似性测度，可有效减少匹配计算量；免疫遗传算法具有较强的鲁棒性和强大的并行搜索能力。两者的结合明显缩短匹配时间，提高匹配的精确度和鲁棒性。仿真结果验证该方法高效稳定。     

改进遗传算法在机器人路径规划中的应用

基于改进遗传算法的移动机器人路径规划,包括改进选择方式和动态确定变异概率两方面.先采用链接图法对工作空间建模,得出起始点到目标点的网络有权图.再利用Diikstra算法决策出初始优化路径,通过改进遗传算法调整各路径点,最后得到最优的或近似最优路径.选择方式以最优保存策略,局部出现相似个体之后实施灾变操作,且根据个体适应度函数值的大小动态确定变异概率.     

一种基于改进遗传算法的三维航路规划

针对遗传算法在求解航路规划时存在的收敛速度慢、容易＂早熟＂问题,结合模糊推理、模拟退火算法和自适应机制,提出了一种基于改进遗传算法的三维航路规划.算法利用极坐标描述航路点,缩短了染色体编码长度,降低了搜索空间,提高了优化效率,并将模拟退火的Boltzmann接受机制引入遗传算法,对遗传操作后的新解进行判断接受与否.仿真结果表明了该方法的有效性和可行性.     

基于分段抽取软判决加权Walsh Hadamard变换的卷积码识别算法

针对低信噪比环境下卷积码识别研究存在的不足,提出一种基于分段抽取软判决加权Walsh Hadamard变换(WHT)的卷积码识别算法。该算法利用接收比特的解调软判决信息求取软判决频次序列,并构造加权Walsh Hadamard矩阵,从而识别得到基本校验序列。利用基本编码矩阵构造规则,最终实现记忆长度及基本生成矩阵的识别。算法结合分段抽取思想,降低了所需运行存储量。仿真实验表明,该算法可在低信噪比环境下对不同码率卷积码进行有效识别,具有较好的容错性,且对大约束度的卷积码性能提高更为显著。     

基于遗传算法的BP网络在导弹武器系统元器件贮存可靠性预测中的应用

针对目前BP神经网络在应用中,网络结构难以确定以及网络极易陷入局部解问题,用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中引入交叉概率和变异概率与个体的适度值相联系,改进了操作算子,而且在交叉操作后又引入模拟退火机制,提高遗传算法的局部搜索能力.建立了基于改进遗传算法的BP网络贮存可靠性预测模型,并以某型导弹武器系统的元器件进行实例分析,计算结果表明,该方法预测的准确性高,且预测结果稳定.     

基于遗传算法的成像侦察卫星调度问题研究

基于有效基因路径表示的遗传算法：先建立单颗成像侦察卫星调度问题的约束规划模型。采用路径表示方法，对成像任务调度序列对应的染色体进行编码。选择2个染色体作为2父个体。接着采用顺序交叉算子对2父个体进行交叉操作，得到2子个体。然后采用交换变异算子对2子个体进行变异操作，得到2新子个体，并与两个父个体进行比较，比较依据为适应度函数。根据染色体上有效基因的数量以及对应的成像任务的优先级，计算染色体的适应度函数，选择适应度函数值最大的2个体作为下一次遗传操作的父个体。若迭代次数达最大值，算法结束，否则重复算法步骤。     

模糊资源约束的飞机消耗件联合补充研究

针对不确定环境下飞机消耗件联合补充的问题,建立模糊资源约束的消耗件联合补充模型。以最小化费用为目标,运用模糊数学规划,将模糊约束模型转换为确定约束模型。为提高模型的求解速度和效果,提出综合考虑种群特征、个体特征和种群进化阶段特征的改进自适应遗传算法,并通过仿真实例,对比分析模糊约束模型和确定约束模型的结果,以及一般遗传算法和改进自适应遗传算法的性能。结果表明：改进自适应遗传算法能保持种群多样性,具有良好的收敛性,算法搜索速度快,寻优能力强,其求解的精度和速度均优于一般遗传算法。