基于并行遗传算法的矩形件排样优化

利用遗传算法对待排零件进行编码,将矩形件正交排样问题转化为排列问题.然后采用一种新的解码排样算法--基于最低水平线的改进算法,将每一个体编码转化为排样图,进行适应度评价,以驱动遗传进化,最终寻找出最优排样图.对遗传算法进行了并行性改进,较好地维持了种群的多样性,增强了算法的搜索效率.对文献中的两个算例进行了求解,结果表明该算法是有效的.     

基于遗传算法的超二次曲面间碰撞检测算法研究

文章对机器人的手臂采用超二次曲面建模,将机器人碰撞检测问题归结为两超二次曲面之间最短距离求解,该问题本质为一带约束条件的非线性优化问题.将该问题转化为非线性优化问题后,利用遗传算法对该问题进行求解.实例表明,遗传算法对该问题的求解克服了传统算法求解中的初始点难于选择、局部最优点等问题,并提高了算法的收敛速度.     

基于自适应遗传算法的叶片铸件最佳匹配问题求解

针对遗传算法易早熟和收敛速度慢的不足提出自适应遗传算法,引入自适应变异算子自动调整自变量步长v使收敛加速,以个体适应值计算交换率和交叉点位置增强了算法的智能性,同时在进化过程中加入特殊的个体保证基因的完备性。水轮机叶片型面复杂,因此铸件铸造成形后难以设置测量基准点和坐标系,需要通过测量数据与设计曲面的坐标变换实现最佳匹配。将自适应遗传算法引入最佳匹配问题的求解,算例分析表明该方法与标准遗传算法相比具有运算速度快和稳定性好等特点。     

遗传算法在车间作业调度上的应用

在车间作业调度数学模型的基础上,以遗传算法为优化工具对问题进行求解,着重介绍了生成可行调度的算法和对遗传算法的改进,同时选择典型的Job-Shop调度问题(FT06)作为算法的试验对象.最 后分别给出了基本遗传算法和改进后的遗传算法的测试结果,测试结果表明基本遗传算法在求解Job-Shop调度问题(FT06)时通常只能找到次优解,而改进后的遗传算法在求解该问题时基本能找到最优解.这一方面说明了基本遗传算法在求解实际调度问题中的不足,同时也表明该改进的遗传算法具有较大的可行性,也进一步说明了改进的遗传算法在解决实际调度问题具有更大的优势,这就揭示了实现对遗传算法的改进才是应用遗传算法解决实际调度问题的未来发展方向.     

面向网络化制造的任务协同问题的研究

网络化制造环境下,联盟企业间的任务指派是典型的NP问题.文中针对遗传算法(genetic algorithm,GA)收敛速度慢和易陷入局部最优的弊端,提出了将GA算法和模拟退火算法(simulated annealing algorithm,SA)相结合的组合遗传算法(simulated annealing algorithm and genetic algorithm,SGA).利用SA的概率突跳能力使GA快速跳出局部最优,以增强和补充GA的进化能力.以最小完成任务时间为目标构建了任务指派模型,采用基于任务的编码方式对SGA进行了编码,并对GA和SGA进行了比较分析,证明了SGA寻优性能明显优于GA.将SGA应用于具体算例,结果表明该算法是可行的、有效的.     

基于遗传算法的神经网络在预测油管钢腐蚀速率中的应用

针对目前BP神经网络在实际应用中,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采取保留最佳个体的方法,建立基于遗传算法的BP网络模型,同时用一个实例说明该模型在预测油管钢腐蚀速率中的应用,实践证明神经网络预测结果与实验值吻合较好.最后通过现场实验数据检验了该神经网络的泛化能力,表明其预测结果与现场实验结果相近.     

基于和声-遗传算法的机械臂激励轨迹优化

在使用遗传算法解决激励轨迹优化问题时，经常会遇到陷入局部极值、搜索效率低、不稳定等问题。为此，提出一种改进的和声-遗传算法。该算法采用和声搜索完成对遗传算法种群的初始化；根据进化过程中种群的离散度，确定交叉和变异的执行顺序；根据个体的适应度，以非线性和自适应的方式调整交叉和变异的概率，具有较强的搜索能力和速度。为验证和声-遗传算法的性能，对SCARA型机械臂进行激励轨迹优化。结果表明：和声-遗传算法在求解精度和收敛速度上具有显著的优越性，可为后续机器人的动力学参数辨识提供参考。     

基于神经网络和遗传算法的冲压成形多目标优化技术

在冲压成形质量控制中,目标质量间常常是相互冲突的(如破裂和起皱)。传统求解多目标优化问题取决于设计人员对优化模型的理解程度、实践经验等,求解的结果在工程中并非为最合理。文章提出一种集数字化分析技术、神经网络和遗传算法于一体的冲压成形多目标优化设计技术。其以数字化分析的大量结果作为神经网络的学习样本,遗传算法所需的目标函数值由神经网络模型预测,该技术实现了多目标优化过程中遗传算法个体适应度值的动态求解,从而解决了数字化分析计算量大的缺陷。实例验证了该优化技术的有效性,为冲压成形优化设计提供了一种新的方法。     

基于遗传算法和层次分析法的制造网络联盟中的伙伴选择研究

在遗传算法和层次分析法的基础上,提出一种分阶段的制造网络联盟中的伙伴选择算法。建立一种基于经济的数学模型,通过遗传算法进行求解来缩小选择的范围;在遗传算法解的基础上通过层次分析法考虑多个影响因子,进行最后的决策。     

一种改进的遗传算法在疲劳断口图像鉴别中的应用

特征选择是疲劳断口图像鉴别中的重要问题之一。针对高维的断口图像特征,特征选择一方面可以提高分类精度和效率,另一方面可以确定富含信息的特征子集。针对此问题,提出一种改进的遗传算法,并用于疲劳断口的特征选择：首先,引入线性预测对简单遗传算法SGA（simple genetic algorithm）进行修正,在每一代较优的个体附近,采用线性预测的方法预测出新的个体,提高遗传算法的局部搜索能力;其次,把特征选择转化为目标优化问题,确定目标函数,并利用改进的遗传算法进行断口图像特征选择,得到精简的特征子集;最后,在特征子集上进行断口图像分类鉴别。结果表明：改进的遗传算法可找到有效的特征子集,从而实现降维并提高分类精度。     

基于AGA-BP算法的智能故障诊断技术研究

针对传统BP神经网络的不足,提出基于自适应遗传算法的BP神经网络故障诊断算法.在迭代计算前期,采用自适应遗传算法对神经网络的权值和阈值进行全局优化;在迭代计算后期,利用改进的BP算法在近似最优解附近进行局部寻优.将该算法用于磨削烧伤的故障诊断之中,并将结果与基于改进BP网络的诊断结果进行比较,证明该方法的正确性和有效性.     

多任务小批量流水线遗传算法仿真与实施

文章阐述了在流水线调度时,可利用遗传算法计算出工件的最短通过时间, 但这并非最佳方案,应同时考虑交货期的影响、设备的负荷率和员工加班等问题.在设计过程中,根据多任务,小批量流水线生产的特点,改进常规遗传算法,设计出一种基于交货期的遗传算法,可以很快地搜索到最优个体,并实例证明了其可行性.     

喷涂机器人油漆沉积率优化建模与仿真

油漆沉积率模型是自动编程工艺参数选取的重要依据,为了建立符合实际工况的漆膜模型,采用喷涂机器人喷涂时椭圆型雾锥的实验数据,将贝叶斯归一化神经网络法和遗传算法分别用于漆膜模型的拟合。经过对比分析,采用2种算法得出模型都具有较高的精度,但遗传算法收敛速度更快,并可得出油漆沉积率方程的具体表达式,更适合油漆沉积率建模。     

有限元结合并行梯度遗传算法及其应用

文章介绍一种新型的改进遗传算法-并行梯度遗传算法。其原理是把并行计算和梯度算法结合到遗传算法中。这个种方法既可以充分利用计算机多核CPU,又可以加速遗传算法的收敛时间,提高计算效率。将该算法应用于永磁直线同步电机(PMLSM)有限元分析中。通过编程实现Ansoft3D宏功能,对PMLSM进行磁场和水平推力分析,并对PMLSM单位体积水平推力进行优化,达到提高PMLSM单位体积推力的目的。结果表明:该算法优化时间短,并且电机的水平推力得到显著提高。     

基于遗传光学算法的镜片加工车间布局优化

为了提高镜片加工车间生产效率,降低成本,对设备布局优化问题进行研究。以最小化镜片车间设备间物流搬运费用和设备包络面积为优化目标,构建了多行设备布局优化模型,并开发了一种遗传光学算法来求解模型。在算法设计中,通过连续编码、部分优先权解码的策略,将光学算法取代遗传算法中变异算子,改进了遗传算法容易陷入局部最优的缺点。结果表明,光学遗传算法的求解质量高于遗传算法和自适应遗传算法,能比遗传算法结果节约搬运成本10%;表明文中方法能够解决镜片车间设备布局的问题。     

基于混合算法的典型调度问题求解研究

文章介绍了粒子群优化的搜索策略与基本算法,然后通过相关的位置和速度定义,构造一种特殊的粒子群优化算法,并将该算法与遗传算法结合,提出用于求解典型调度问题的混合算法.实验表明了该混合算法在求解调度问题的可行性及其优越性.     

基于改进型遗传算法对圆柱齿轮减速机的计算机辅助设计

针对标准遗传算法局部搜索能力弱的特点,通过将其与惩罚函数法结合,提高了全局寻优能力。结合二级斜齿轮减速机问题,进行了优化计算。结果表明,此算法优于标准遗传算法。     

基于模糊理论和遗传算法融合的机械方案优选方法的研究

论文针对智能化概念设计中的多方案设计问题，提出了基于模糊理论和遗传算法融合的方案优选方法。遗传算法能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程，从而得到最优解。模糊理论将不易定量的属性指标量化，因此能够充分利用专家知识。结合模糊理论的优点，可以使遗传算法适用于各种类型的多方案评价及优选问题，扩大了遗传算法的应用范围。文中以挖掘机的方案优选为例进行研究，仿真结果表明，该方法取得了很好的效果。     

Word sense disambiguation in evolutionary manner

The task of assigning proper meaning to an ambiguous word in a particular context is termed word sense disambiguation (WSD). We propose a genetic algorithm, improved by local search techniques, to maximise the overall semantic similarity or relatedness of a given text. Local search is used because of the inefficiency of population-based algorithms (e.g. genetic algorithm) in exploiting the search space. Firstly, the proposed method assigns all potential senses for each word using a WordNet sense inventory. Then, the improved genetic algorithm is applied to determine a coherent set of senses that carries maximum similarity or relatedness score based on information content and gloss overlap methods, namely extended Lesk algorithm and Jiang and Conrath (jcn). The obtained results outperformed other unsupervised methods, which are related to the proposed method, when tested on the same benchmark dataset. It can be concluded that the proposed method is an effective solution for unsupervised WSD.