基于遗传算法的过程辨识方法实现与应用

简单遗传算法存在着收敛速度慢和容易早熟的缺点,针对这种情况,通过合理选择编码方式,改进初始种群选择策略、复制、交叉和变异策略提出一种综合的改进遗传算法,并将其应用于系统模型辨识。用基于排序法的新的选择算子和多个交叉、变异概率,能有效维持种群的多样性,克服算法早熟现象。在改进的算法中,同时用到精英保留策略和模拟小生境方法,保护优良个体,使算法的引导性增强。在系统辨识的过程中,结合系统先验知识,对模型的阶次辨识进行指导。最后通过几个系统辨识的实例验证了该算法的有效性。     

基于泊松碟采样的小生境遗传算法剩余静校正

针对线性剩余静校正容易陷入局部解,导致复杂山地地震资料成像效果不佳的难题,本文提出一种基于泊松碟采样的小生境遗传算法剩余静校正方法。在常规遗传算法剩余静校正基础上,应用泊松碟采样对求解的静校正量实数编码,增加初始解空间的均匀度;采用多线程构建多种群小生境,种群内采用“精英+赌轮”选择、余下个体与精英两两交叉、小扰动变异策略进行遗传进化;种群间进行“联姻”操作,优选几个种群中适应度最大个体并与其他种群联姻,充分利用计算机多核并行运算功能以快速搜索到最优剩余静校正量。理论模型及实际资料应用结果均表明,该方法能增强同相轴的连续性,显著提高山前带低信噪比资料成像品质。     

遗传算法在单层球壳质量优化中的应用

摘要: 经典遗传算法存在局部搜索能力不强,“早熟”现象和后期收敛速度放慢等缺陷,本文将自适应策略与“预选择机制”的小生境技术同时引入其中,加入小生境技术后可以避免陷入局部收敛的问题;在小生境遗传算法基础上加入自适应策略,实现对种群的杂交概率和变异概率进行自适应控制,从而形成一种改进小生境遗传算法,可以有效维持种群中个体的多样性,同时可以改善全局收敛的可靠性。通过三个典型算例验证了本文算法的正确性,并通过单层球壳的算例分析表明该方法稳定性好,全局搜索能力强,但在计算时间上长于ANSYS自带的优化模块。本文算法可以应用于优化变量繁多的大中型网壳结构截面优化问题,优化效果明显。     

基于自适应小生境遗传算法的图像复原

传统的小生境遗传算法收敛太慢,且容易陷入局部最优,对小生境算法做出以下三点改进：一是将解空间划分为多层区域,每层使用不同的距离因子;二是采用差值编码方式,使得算法更易收敛;三是使用伪并行加速算法,改进经典的邻居模型为镜像邻居模型。实验表明改进算法的PSNR比常用的遗传算法以及小生境算法高0.2~0.3 dB,且运算时间仅有它们的40%~50%。     

基于模糊MACBETH和生态位理论的PSS方案评价方法

针对多属性决策方法与生态位理论结合的PSS评价方法权重确定过程中一致性检验繁琐、权重计算过程复杂和未考虑评价语义的模糊性的问题,模糊MACBETH用于确定客户价值的权重和客户体验阶段提供客户价值的重要性系数;该方法不需要复杂的计算过程,利用三角模糊数处理语义的模糊性且依托软件系统自动检验一致性,提高了评价效率和准确度。针对生态位优势仅适用于完全竞争状态的优势计算,将生态位重叠与生态位优势结合,提出的竞争优势公式可以体现方案间竞争程度和生态位优势表示方案间的竞争优势的优点,反映方案间真实的竞争状态。最后以某新能源汽车制造企业PSS方案评价问题为例验证了所提方法的有效性。     

融合小生境机制的增强麻雀搜索算法及其应用

针对麻雀搜索算法SSA易陷入局部最优、算法过早收敛等问题,提出一种融合小生境的麻雀搜索算法NSSA。首先,NSSA使用一种基于发现者相似性形成自适应物种的小生境策略将麻雀种群自动划分为以发现者为中心的若干个小种群或物种,且使跟随者朝所属物种内的发现者位置移动,以保持种群的多样性。其次,通过结合模糊逻辑的差分变异并使用发现者所属物种内的其他个体信息对发现者进行变异操作,以提高算法跳出局部最优的能力。选用CEC2017测试集中的12个函数作为实验测试集,将NSSA与CSSOA、ISSA、MSSSA、SHSSA、MSWOA进行性能测试。实验结果表明,在大多数多峰目标函数上,NSSA与排名第二的算法相比,收敛精度提升了10%以上。对NSSA的各改进策略进行了消融实验,结果表明,在综合改进策略的共同作用下,NSSA的综合优化性能排名第一。最后将NSSA应用于压力容器设计问题,结果表明,相比于其他算法,NSSA仍能够获得最优的解。     

小生境遗传算法在状态估计中的应用

提出了一种基于小生境遗传算法的求解状态估计问题的新方法,根据加权最小二乘法原理导出状态估计模型可计及各种伪量测。采用小生境遗传算法可提高计算速度,并改善收敛性。仿真计算表明,该方法是有效的,而且精度高、数值稳定性好。     

An agent-based model of cancer stem cell initiated avascular tumour growth and metastasis: the effect of seeding frequency and location

It is very important to understand the onset and growth pattern of breast primary tumours as well as their metastatic dissemination. In most cases, it is the metastatic disease that ultimately kills the patient. There is increasing evidence that cancer stem cells are closely linked to the progression of the metastatic tumour. Here, we investigate stem cell seeding to an avascular tumour site using an agent-based stochastic model of breast cancer metastatic seeding. The model includes several important cellular features such as stem cell symmetric and asymmetric division, migration, cellular quiescence, senescence, apoptosis and cell division cycles. It also includes external features such as stem cell seeding frequency and location. Using this model, we find that cell seeding rate and location are important features for tumour growth. We also define conditions in which the tumour growth exhibits decremented and exponential growth patterns. Overall, we find that seeding, senescence and division limit affect not only the number of stem cells, but also their spatial and temporal distribution.     

质子交换膜燃料电池活化极化过电压分析及优化

对影响活化极化过电压的各种因素做了详细的分析,并在电化学原理和经验公式的基础上建立了活化极化过电压的数学模型;利用基于小生境的混合遗传算法对活化极化过电压模型参数进行了优化;通过Matlab/Simulink仿真试验,验证了该模型的有效性.     

基于权重学习的高维多目标进化算法

在多目标进化算法解决多目标优化问题的过程中,随着目标个数的增加,种群个体进化方向的盲目性逐渐显露出来,同时还存在着收敛性和多样性难以平衡的问题。针对以上两个问题,以基于参考点策略的快速非支配排序遗传算法NSGA-Ⅲ为框架,分别从产生候选解和选择候选解两个角度进行算法改进,从而得到一个新的进化算法WL-NSGAⅢ。在新算法的匹配选择阶段,设计了一种基于权重的个体学习策略,即利用种群信息构建代内关系为种群个体提供进化方向并增加候选解集的收敛性。同时,在新算法的环境选择阶段,利用权重信息对小生境选择策略进行改进。为了验证新算法的有效性,通过模拟实验将新算法与现有算法在DTLZ问题测试集中进行比较。仿真结果表明,新算法在大多数基准问题上具有良好的效果。