分布种群的遗传算法收敛性证明

基于分布种群的遗传算法(DPGA)是一种高级的最有保留遗传算法(EGA),高级遗传算法目前应用很广,其一般数学定义和收敛性证明没有一般性结果。针对基于分布种群的遗传算法(DPGA)首先给出其特点,然后提出抽象的数学定义,最后利用DPGA运行的并行性在其子空间用马尔可夫链理论分别进行遗传操作的数学分析,从而在全局范围内给出DPGA两种实现方式的收敛性证明。     

含有自校正模型的加权多模型自适应控制

研究了含有大范围参数不确定性离散时间被控对象的加权多模型自适应控制问题(包括模型集构建和加权算法分析).通过构建含有自校正模型和多个固定模型的模型集覆盖并逼近被控对象,在模型输出误差可分的前提下,采用基于模型输出误差性能指标的加权算法,并依据固定模型中是否包含真实被控对象模型的不同情形分析加权算法的收敛性.在权值收敛的前提下,利用虚拟等价系统理论,分析了参数未知线性时不变和参数跳变的情形,在不依赖于特定局部控制算法的基础上,证明了此种模型集构建下的加权多模型自适应控制系统的稳定性和收敛性,放宽了先期加权多模型自适应控制系统稳定性分析中关于模型集构建的约束条件.最终,通过计算机MATLAB仿真,验证了此类加权多模型自适应控制系统的收敛性和闭环稳定性.      

一种广义主成分提取算法及其收敛性分析

广义主成分分析在现代信号处理的诸多领域发挥着重要的作用。目前,自适应广义主成分分析算法还并不多见。针对这一现状,该文提出一种快速收敛的广义主成分分析算法,并通过理论分析所提算法的确定性离散时间系统,导出了保证算法收敛的学习因子和初始权向量模值等边界条件。仿真实验和实际应用验证了所提算法的正确性和有用性。仿真结果还表明,所提算法比现有同类算法具有更快的收敛速度和更高的估计精度。     

多交互式人工蜂群算法及其收敛性分析

针对人工蜂群（ABC）算法不易跳出局部最优解的缺点,提出了多交互式人工蜂群（MIABC）算法。该算法在基本人工蜂群算法的基础上引入随机邻域搜索策略,结合跨维搜索策略,且改进蜜蜂越限处理方式,使得算法搜索方式多样化,从而使得算法搜索更具跳跃性,不易陷入局部最优解,同时,对其进行收敛性分析和性能测试。在五种经典基准测试函数和时间复杂度实验上的仿真结果表明,相对于标准人工蜂群算法和基本粒子群优化（PSO）算法,该算法在1E-2精度下收敛速度提高了约30%和65%,搜索精度更优,且在高维求解问题方面有明显优势。     

基于修补策略的约束多目标动态环境经济调度优化算法

针对传统的优化算法求解多目标动态环境经济调度(MODEED)模型时极难获得高质量的可行解,且收敛速度慢等问题,根据MODEED模型约束特征,设计了一种约束修补策略;然后将该策略嵌入非支配排序算法(NSGAⅡ),进而提出一种修补策略的约束多目标优化算法(CMEA/R);接着借助模糊决策理论给出了多目标问题的最优决策向量;最后,以经典的10机系统为例,验证了CMEA/R的求解能力,并比较了不同群体规模下CMEA/R与NSGAⅡ的性能。仿真结果表明,在不同群体规模下,与NSGAⅡ相比,CMEA/R的污染排放平均减少了480 lb(217.7 kg),燃料成本平均减少了7 800美元,执行时间平均减少了0.021 s;覆盖率(HR)性能优于NSGAⅡ,且收敛速度较NSGAⅡ快。     

基于改进多目标粒子群算法的冷连轧规程优化设计

合理的轧制规程能够提高轧机的产量和产品的质量,带来显著的经济效益。采用多目标粒子群算法,选择等相对负荷和预防打滑为目标进行冷连轧规程优化。针对算法存在的收敛性和分布性难以均衡的问题,引入一种基于平行坐标系的密度和收敛潜能计算方法;同时,为克服算法易于陷入局部最优的缺陷,提出一种带个体扰动的全局最优领导粒子选择策略。仿真结果表明,该方法能快速跳出局部极值,获得具有更好收敛性和分布性的近似Pareto前沿。最后应用该方法对某五机架冷连轧机进行了轧制规程优化。       

一种小快拍情况下的稳健的波束形成方法

小快拍情况下采样协方差矩阵没有收敛,假设的白噪声表现为色噪声,从而导致了自适应波束形成畸变.本文从采样协方差矩阵特征值分析出发,提出了一种自适应对其修正的方法,相当于对采样协方差矩阵进行扰动,改善了采样协方差矩阵的收敛性,从而提高了波束形成的性能和稳健性.最后性能分析和计算机仿真验证了所提方法的有效性和优越性.     

一种基于粒子群优化的FCM聚类方法

针对模糊C-均值(FCM)聚类算法易陷入局部极小值和对初始值敏感的缺点,本文提出了一种基于粒子群优化的模糊聚类算法.该算法利用粒子群强大的全局寻优能力,克服了模糊C-均值聚类算法的不足.实验结果表明,该算法具有很好的全局收敛性和较快的收敛速度.     

遗传算法在水库（群）优化调度研究中的应用综述

介绍了遗传算法在水库（群）优化调度中的应用背景及算法的收敛性,讨论了水库（群）优化调度中遗传算法的基本应用步骤以及存在的问题,给出了算法的各种改进方法,并对遗传算法的应用前景进行了展望。     

遗传模拟退火和小生境遗传算法在水库优化调度中的比较

根据溪洛渡水库的具体情况,建立了以发电量最大为目标的水库优化调度非线性数学模型,并利用遗传模拟退火算法（GSA）和小生境遗传算法（NGA）分别求解模型。结果表明,GSA和NGA的收敛速度和计算结果都明显优于基本遗传算法;且两者相比,GSA的收敛性更强,但计算时间较长。而在求解水库长系列优化调度问题时,各遗传算法占用机时太多,且收敛能力较差。