基于NicheAGA-CGA的暴雨强度公式优化算法

为了寻求精度更高的暴雨强度公式,提出嵌入共轭梯度的自适应小生境遗传优化算法,该算法基于绝对均方差最小准则和相对均方差最小准则构建暴雨强度公式参数优化模型.通过标准遗传算法中引入小生境技术提高了种群多样性,同时与共轭梯度算法相结合增强了算法的局部搜索能力,使得遗传算法全局搜索能力强和共轭梯度法局部搜索能力强这2个优势有效结合,并应用于暴雨强度公式参数的优化计算.以北京、广州和郑州的降雨资料为基础进行暴雨强度公式优化研究,并将本文算法与传统方法和标准遗传算法进行比较.结果表明:运用本文算法对暴雨强度公式参数进行优化时,优化结果较好且能满足规范要求.与传统方法和标准遗传算法相比,优化结果具有更高的精度,为暴雨强度公式的推求提供参考依据.     

改进生物地理学优化算法在配电网无功优化中的应用

针对生物地理学算法(BBO)信息利用能力强但搜索能力不强的问题,提出了一种结合遗传算法改进变异操作的算法.改进算法充分利用了遗传算法的搜索能力,使算法的寻优能力得到了很大的改善.将该算法应用于IEEE34节点的系统,采用分区的方法进行无功补偿优化.算例表明:与基本BBO算法、遗传算法的无功优化相比,改进算法在计算速度和优化效果方面都具有明显的优势.     

非线性规划的遗传算法在多峰函数优化中的应用

对于函数优化问题,遗传算法具有较强的全局搜索能力,但其局部搜索能力相对较弱,一般只能搜索到问题的次优解,特别是函数具有多个峰值时,遗传算法易陷入局部解,而采用梯度下降方法寻优,非线性规划具有很强的局部搜索能力,但全局搜索能力较弱,所以研究通过结合两种算法的优点,利用遗传算法实施全局搜索和非线性规划实施局部搜索,以得到函数优化问题的全局最优解.通过测试函数证明,结合非线性规划后,遗传算法不仅能解决多峰函数寻优过程中易陷入局部最优的问题,而且具有很高的寻优效率,取得满意的结果.     

基于下降搜索的混合遗传算法

针对基本遗传算法局部搜索能力不强的问题,提出一种将下降搜索与遗传算法相结合的混合遗传算法,其中下降搜索的优化方向利用每一代中最劣个体所包含的优化信息获得.数值计算表明,该混合算法可加速算法的收敛,具有良好的优化性能和函数适应能力.     

基于自适应小生境遗传算法的物流配送路径优化研究

针对遗传算法具有早熟的缺点和小生境遗传算法比遗传算法更费时的问题,将自适应小生境技术引人遗传算法,构建自适应小生境遗传算法,用以解决带时间窗的车辆路径优化问题.实验结果表明该算法具有更好的搜索能力和收敛速度,能有效地调和种群多样性与算法耗时的矛盾,解决物流配送车辆路径优化的问题.     

基于动态搜索轨迹的混合遗传算法设计及实现

遗传算法是应用比较广泛的一种随机优化算法,针对其在全局优化问题中容易出现早熟和收敛速度慢,不利于在实时控制中应用的问题,提出了一种基于DST的混合遗传算法,该算法利用遗传算法的全局搜索能力,同时采用DST算法来提高收敛速度及预防早熟.将该混合遗传算法应用于求解复杂多峰函数的优化问题,通过与简单遗传算法的比较,可发现该方法明显地提高了搜索效率和成功率,从而验证了该算法的有效性.     

岩体渗透系数反演的混合优化算法

采用反演的方法确定岩土介质的渗透系数,通过优化模型对渗透系数反演问题进行建模.在具有全局搜索能力的遗传算法的基础上,采用Powell局部搜索算法对遗传算法的变异算子进行改进.基于遗传算法和Powell局部搜索算法的基础上,构造混合优化方法,所提出的算法在保证全局搜索能力的同时,具有较快的收敛速度.结合工程实例检验了所提出算法的全局最优能性和快速收敛性.     

混沌遗传算法优化管网状态神经网络模型

针对BP算法易陷入局部最优，提出将一种新的混沌遗传算法（CGA）用于全局优化给水管网状态神经网络模型的初始权阈值.该算法将混沌搜索与自适应遗传算法相结合，根据混沌运动的初值敏感性、内在随机性以及遍历性的特点，通过混沌映射搜索自适应遗传算法的较优初始种群，并利用自适应遗传算法进一步寻优，对混沌映射和遗传进化进行循环计算直至达到最大进化代数，最终获得BP模型的较优权阈值.实例分析结果表明，与自适应遗传算法（AGA）相比，该算法搜索稳健，全局搜索能力强，并且新算法优化模型具有更高的预测性能.     

基于遗传算法和蚂蚁算法求解函数优化问题

针对遗传算法求解精度低以及蚂蚁算法求解速度慢的问题，提出一种基于遗传算法和蚂蚁算法的混合算法.该混合算法利用了遗传算法快速随机的全局搜索能力的优点，设计了编码与适应度函数，进行了种群生成与染色体的选择，并通过设定交叉算子和变异算子， 生成了信息素分布.该混合算法利用了蚂蚁算法正反馈以及具有分布式并行全局搜索能力的优点，通过确定吸引强度的初始值，建立了强度更新的模型，从而求得精确解.并将该算法应用于求解函数优化问题.结果表明，该混合算法与遗传算法和蚂蚁算法相比，收敛速度快，寻优性能好.     

机组负荷优化的遗传-禁忌混合算法

针对遗传算法“爬山”能力差的缺点，提出在遗传算法中引入禁忌搜索操作来提高局部寻优能力，并应用遗传-禁忌混合算法进行了火电机组负荷优化研究.在遗传算法每计算一定代数后，将每个个体作为禁忌搜索的初始解进行搜索，可以改善群体质量，加快搜索速度.混合算法有效地综合了遗传算法的全局搜索能力和禁忌搜索算法的局部搜索能力，从而避免出现“早熟”现象，改善了算法的收敛性.应用某实例进行负荷优化计算，结果表明混合算法大大改善了局部搜索能力和搜索速度，可以有效解决机组在线负荷优化难题.     

基于粒子群和免疫克隆的模糊C-均值聚类

目的基于梯度下降的模糊聚类算法（FCM）选择最优解做改进,降低原FCM对初始值的敏感度,改进模糊C-均值算法,加快收敛速度,改善聚类的效果.方法该算法通过克隆选择改变粒子群优化算法（PSO）中群体的多样性,用PSO代替了FCM算法的基于梯度下降的迭代过程.结果算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极值的缺陷,同时也降低了FCM算法对初始值的敏感度.通过机器学习中的W ine和Iris数据对所提出的算法进行验证,取W ine样本数据为178个,条件属性为13,聚类类别数为3;Iris数据150个,条件属性个数为4,对这两类数据分别进行聚类分析,将试验结果与单纯的FCM和基于PSO的FCM比较,聚类的正确性有所提高.结论基于粒子群和免疫克隆的模糊C-均值聚类算法具有很强的全局搜索能力,提高了聚类的效果和效率.     

约束优化问题的实数制免疫-禁忌混合算法

针对免疫算法局部搜索能力较弱的缺点,提出了实数制编码的免疫-禁忌混合算法,在免疫操作后引入禁忌搜索算法来提高混合算法的爬山能力,从而提高求解精度和搜索速度,适合于约束优化问题的求解.在阐述混合算法计算原理的基础上,提出实数制编码方式、惩罚函数法和适应度函数构造方法.通过测试算例进行验算,计算结果表明,实数制编码的免疫-禁忌混合算法收敛速度快,计算精度高,特别适合计算复杂、时效性强的优化问题.     

基于一种混和遗传算法的模糊神经网络的优化

将遗传算法引入到模糊神经网络的学习过程中,提出了一种综合遗传算法和梯度下降法优势的混和遗传算法,它一方面改善了梯度法的收敛性,使模糊系统对专家知识的依赖性大为降低,提高了系统的智能化水平;另一方面有效提高了遗传算法的搜索效率,强化了系统的学习能力.仿真结果证明了算法的有效性.     

混合算法在轻钢结构优化设计中的应用

结合粒子群优化（PSO）算法快速的全局收敛性和蚁群优化（ACO）算法较强的寻优能力,提出了一种融合PSO算法和ACO算法的混合算法。首先利用PSO算法较强的全局搜索能力,产生各粒子的最优位置值;然后对ACO算法的蚂蚁总个数进行调整,在保证算法全局搜索能力的同时,避免陷入局部最优;最后利用改进的ACO算法对最优位置值做进一步优化。将该混合算法应用于轻钢结构优化设计中,建立优化设计模型。以轻钢门式框架为例,利用该模型进行优化分析,并与文献[11]中改进模拟退火算法的优化结果进行对比。结果表明,混合算法经过61次迭代后能够求出较好的全局最优解,合理可行。     

一种速度更快的粒子群优化算法

由于标准粒子群算法(SPSO)存在后期搜索效率太低的问题,提出了一种速度更快的粒子群优化算法(FPSO).FPSO保留了SPSO前期的全局搜索能力,但改变了SPSO算法后期的搜索策略,使其迭代次数随当前适应度值的变化而自适应改变,从而提高了SPSO算法后期的计算效率.通过实验对FPSO算法中适应度函数的设计进行了讨论,并分析了FPSO算法的应用前景.仿真结果表明,FPSO算法在单峰、多峰和带约束条件的测试函数中都有良好的效果.     

自适应权重差分进化算法

针对使用不同中间向量遗传策略（学习策略）的差分进化算法所表现出的性能不同,提出一种改进的差分进化算法,对已有的两种遗传策略引入自适应权重,设计了一个新的中间向量遗传策略.通过对基准函数进行测试,结果表明新算法避免了早熟收敛,寻优性能较好,收敛速度较快,具有一定的有效性.     

建筑结构优化设计的改进进退遗传算法

针对遗传算法在迭代过程中经常出现未成熟收敛、振荡、随机性太大、局部搜索能力差和迭代过程缓慢等缺点.提出一种离散变量结构优化设计的进退搜索算法与遗传算法结合在一起解决问题;并提出一种新的遗传算子———转基因算子,用于对遗传算法的改进.结果表明,这种改进退遗传算法即发挥了进退搜索算法省时、高效、局部搜索能力强的特点,又发挥了遗传算法全局性好的特点;采用的改进措施效果明显,其收敛特性得到很好的改善.该算法是高效的理想工程结构优化设计方法.     

哈希编码和Kalman滤波的目标跟踪算法

针对现有的目标跟踪算法过于复杂、计算量大和遮挡无法跟踪等缺点,提出了基于哈希编码和Kalman滤波的目标跟踪改进算法.采用哈希算法对图像感兴趣的区域进行编码,将二维图像变为一维数字摘要,大大地减少了匹配运算量;采用Kalman滤波算法进行目标搜索,并预测目标在下一帧图像中的位置,再以预测位置为起点进行搜索,从而缩小了搜索范围,加快了跟踪速度.通过对多组视频中的目标进行跟踪实验,结果说明所提出的改进算法在背景复杂、目标快速运动、完全遮挡的环境下具有较强的抗干扰能力,跟踪效果较好,跟踪速率高达12帧/s.