自适应差异演化算法及其应用

差异演化(Differential Evolution,DE)算法是一种基于群体差异的演化算法,具有良好的优化性能,但是对于高维复杂函数,DE算法易早熟收敛。为此,在对DE算法参数分析的基础上,提出自适应缩放因子及自适应交叉率两个概念,进而提出一种自适应差异演化(Adaptive Differential Evolution,ADE)算法。利用群体差异度对DE算法进行分期,一方面使缩放因子在前期较大,在进化的中期先变小,后增大,在进化的后期,缩放因子较小;另一方面使DE算法的交叉率在前期较小,中期在一定范围内随机取值,进化后期较大。仿真实验结果与工程应用实例表明,ADE算法在收敛速度和全局搜索能力方面得到了较好的平衡,不仅保证了ADE算法的收敛速度,而且具有较好的全局搜索能力。     

混合变量非线性规划问题的差异演化算法研究

针对机械优化设计问题中的混合变量非线性规划问题,提出一种改进的差异演化算法.首先针对混合变量非线性规划问题的特点,采用离散变量与连续变量分别进化策略,以使差异演化算法能够适于解决这类问题.其次,依据基因突变原理,提出突变因子的概念,使群体中的一部分个体不经过交叉操作,而直接与父代竞争,提高了群体的多样性,增强了算法的全局搜索能力,并对差异演化算法的缩放因子进行线性递减计算,加快了算法的收敛速度.测试结果表明,所提出算法不仅能够解决混合变量非线性规划问题,而且有较快的收敛速度和较好的全局收敛能力,实用价值明显.     

云模型遗传蚁群算法的机器人逆运动学求解

遗传算法具有全局搜索能力强的特点,但易出现"早熟"现象;蚁群算法局部具有搜索能力强的特点.因此将遗传算法与蚁群算法结合,与此同时融合了云模型,提出一种适用于跨越越障式巡检机器人的求逆算法.为了提高算法的局部搜索能力及收敛速度,引入了网格划分策略的连续域蚁群算法;为了避免"早熟",采用了适应度值尺度变换;为了使参数自适应,采用了云模型进行修正.用遗传算法进行全局搜索,用蚁群算法进行局部迭代寻优,用云模型实现交叉算子和变异算子中参数的自适应.并以跨越机器人为对象,开展与遗传算法的对比实验,结果表明:该算法可以在避免局部收敛的基础上保证算法的稳定性以及提高收敛的速度和精度.     

具有自适应交叉算子的遗传算法及其应用

简单遗传算法采用常数交叉概率和随机选择交叉点的方式进行交叉操作，这种操作方式带有一定盲目性和随机性，无法保证子代个体一定优于父代个体。为此提出了一个新的自适应交叉算子，依据每代个体的适应值函数来调整交叉位置和交叉概率，使杂交沿着有利于算法收敛的方向进行．为了验证这种自适应交叉算子的有效性和合理性，对一个二维多峰函数的极大值搜索问题，进行了求解．并将新算法进一步应用于离心叶轮的形状优化问题，结果表明具有自适应交叉算子的遗传算法在收敛速度和获得全局最优解的概率两方面都有很大提高。     

模糊制造系统中的不同尺寸工件单机批调度优化

将工件尺寸不同的单机批调度问题扩展到模糊制造系统中,建立了基于模糊批加工时间和模糊批间隔时间的制造跨度模型,提出了一种集成粒子群优化和差异演化的混合算法,将制造跨度最小化.为提高算法的收敛速度,设计了基于工件优先值向量的统一编码方式,并采用线性的缩放因子以确保足够的差异化信息;为解决差异演化算法早熟收敛的问题,将粒子群优化的全局搜索技术嵌入了差异演化算法;最后,在解码时利用批调度的启发式算法,将混合算法的个体加以优化分批.仿真实验结果验证了该混合算法的求解性能优于目前文献中的其他算法.     

基于混合遗传算法的连采机减速器试验模态参数识别

针对经典遗传算法在复杂空间上局部搜索能力较弱,易过早陷入未成熟收敛,并在接近最优解时,由于优化压力较小导致搜索效率低等问题,在传统遗传算法群体进化中引入拉马克学习机制,构造基于拉马克学习机制的局部搜索算子,建立起混合遗传算法模型.两种算法相互融合,使学习的优势得到发挥,提高局部深度搜索能力并加快了全局收敛速度.将其应用于连采机减速器试验模态参数识别中,结果证明了混合遗传算法的有效性和准确性.     

一种改进的免疫算法在车间调度中的研究

针对免疫算法收敛较慢,种群更新优劣差距较大等缺点,提出了一种改进的免疫算法,并用该算法解决了FlowShop车间调度问题,结果表明算法具有较好的搜索与寻优能力,很好地克服了一般人工免疫算法搜索速度较慢、容易陷入局部最优解的缺点。该算法采用自适应的交叉算子、变异算子以及种群分割的方法,在搜索速度和全局最优解搜寻能力上与传统的零等待免疫算法相比有明显的优势。     

基于改进差分进化的起重机主梁优化设计

基于改进差分进化算法提出一种起重机主梁结构的快速优化设计方法.将疫苗接种的思想应用于差分进化,加速优良模式的繁殖,修复被交叉、变异破坏的模式,从而加快收敛速度.引入超变异算子维持种群的多样性,提高全局寻优能力.实验结果表明,新算法计算量小,收敛速度快,全局寻优能力强.     

一种改进的免疫算法在车间调度中的研究

针对免疫算法收敛较慢,种群更新优劣差距较大等缺点,提出了一种改进的免疫算法,并用该算法解决了FlowShop车间调度问题,结果表明算法具有较好的搜索与寻优能力,很好地克服了一般人工免疫算法搜索速度较慢、容易陷入局部最优解的缺点。该算法采用自适应的交叉算子、变异算子以及种群分割的方法,在搜索速度和全局最优解搜寻能力上与传统的零等待免疫算法相比有明显的优势。     

一种混合算法在装配序列规划中的应用研究

基于现有复杂产品装配序列的特点,建立了装配体的几何可行性、零件的重新定向次数及装配体稳定性的目标函数。在原有离散粒子群算法的基础上,引入改进的进化方向算子,该算子可较为突出的改进离散粒子群算法的局部搜索能力。提出了一种混合算法,该算法在不牺牲粒子群算法的局部搜索能力和搜索速度的同时,提高其全局搜索能力,减少算法平均迭代的步数。算例表明:该混合算法具有优良的局部搜索特性及全局搜索特性,算法可快速收敛至全局最优解,可有效解决装配序列规划问题。     

多种群协作差异演化算法及其应用

针对差异演化算法在求解高维、多峰问题时易陷入局部最优解发生"早熟"的缺陷,提出多种群协作差异演化算法。该算法将种群划分为多个子种群并设置一个精英群,精英群由子种群的最优个体产生,并与群体最优解进行竞争,子种群的最优个体只与精英群个体竞争而不与群体最优解竞争。构建了两种不同邻域结构的多种群协作差异演化算法,仿真结果及工程应用实例表明了算法的有效性。     

Multi-Input Single Output SSSC based damping controller design by a hybrid Improved Differential Evolution-Pattern Search approach

In this paper, a hybrid Improved Differential Evolution and Pattern Search (hIDEPS) approach is proposed for the design of a PI-Type Multi-Input Single Output (MISO) Static Synchronous Series Compensator (SSSC) based damping controller. The improvement in Differential Evolution (DE) algorithm is introduced by a simple but effective scheme of changing two of its most important control parameters i.e. step size and crossover probability with an objective of achieving improved performance. Pattern Search (PS) is subsequently employed to fine tune the best solution provided by modified DE algorithm. The superiority of a proposed hIDEPS technique over DE and improved DE has also been demonstrated. At the outset, this concept is applied to a SSSC connected in a Single Machine Infinite Bus (SMIB) power system and then extended to a multi-machine power system. To show the effectiveness and robustness of the proposed design approach, simulation results are presented and compared with DE and Particle Swarm Optimization (PSO) optimized Single Input Single Output (SISO) SSSC based damping controllers. It is observed that the proposed approach yield superior damping performance compared to some approaches available in the literature.     

直线伺服系统的差异进化PID速度控制

针对标准差异进化(DE)操作过程中参数为常数而导致算法鲁棒性差的缺点,提出根据进化过程和目标向量收敛情况调整缩放因子F和交叉概率CR的自适应参数调整策略。利用改进的差异进化算法整定直线伺服系统速度调节器的PID参数,并利用MATLAB进行仿真。结果表明,与常规PID控制相比,优化后的控制器提高了直线伺服系统的静态和动态性能,使得电动机在负载改变时转速超调量减小,且转速更快趋于稳定。     

运用DE-RBFNN的直线伺服系统定位精度研究

提出一种基于差分进化算法(DE)的径向基函数神经网络(RBFNN)模型,用于预测直线伺服系统的定位误差.该模型用差分进化算法训练径向基函数(RBF)网络隐层中心位置、宽度和输出层连接权重.为了评价优化后RBF网络预测的精度,运用部分误差样本进行训练和仿真.构建了以数字信号处理器(DSP)为核心的直线电动机定位误差实验平台,根据误差校正值进行误差实时补偿实验.仿真和实验结果表明:经过DE算法训练的神经网络模型对工作台的误差具有良好的学习能力和泛化能力,与单纯RBF网络、基于遗传优化的RBF神经网络相比,该建模方法具有更高的定位精度.     

带自适应动态变异和二次变异的差分进化算法

为解决差分进化算法在解决多目标优化问题时的多样性与收敛性之间的平衡维持难题,首先提出了一种基于自适应动态变异和非支配解二次变异的改进差分进化算法。该算法的核心是将前N代进化的群体多样性值作为多样性判别准则,根据群体多样性变化情况自适应地选择对应的变异算子产生新个体;其次提出通过对所存档Pareto非支配解进行二次变异来增加新个体解群的优解质量和数量,以同时改进算法的多样性和收敛速度。仿真结果表明,与标准差分进化算法和改进的基于分类排序的Pareto遗传算法相比,所提算法在收敛性、分布性与分散度性能指标上都有较好的表现,多样性和收敛性之间的平衡维持能力则远优于另两种算法。     

工件圆度误差测量不确定度评定

为了实现工件圆度误差的不确定度评定,对基于三坐标测量机的工件圆度轮廓数据的采样策略、圆度评定方法及不确定度评定方法进行研究。首先,根据工件圆度轮廓特征进行实验测量,获取不同工件的多个样本。接着,基于最小二乘法和微分进化优化算法对样本的圆度误差进行了误差评定。然后,在分析比较误差大小的基础上,说明了采用的采样策略和微分进化评定算法。最后,基于圆度误差评定结果运用了测量不确定度表示指南(GUM)和蒙特卡洛方法(MCM)进行不确定度评定。实验结果表明:微分进化算法与最小二乘法相比均值差最大达到1.1μm, MCM方法比GUM方法得到的标准不确定度均值小0.02μm。合理的采样点数、微分进化算法及MCM不确定度评定方法可以得到更稳定可靠、精度高的评定结果。     

直线伺服系统的差异进化PID速度控制

针对标准差异进化（DE）操作过程中参数为常数而导致算法鲁棒性差的缺点,提出根据进化过程和目标向量收敛情况调整缩放因子F和交叉概率CR的自适应参数调整策略。利用改进的差异进化算法整定直线伺服系统速度调节器的PID参数,并利用MATLAB进行仿真。结果表明,与常规PID控制相比,优化后的控制器提高了直线伺服系统的静态和动态性能,使得电动机在负载改变时转速超调量减小．且转速更快趋于稳定．