基于改进遗传算法的多AGV调度优化

为解决生产车间多AGV任务调度的问题,提出了一种改进的遗传算法进行AGV任务的分配和路径的优化,并建立了数学模型;通过改进遗传算法的变异算子,提高种群的收敛速度和收敛性。实例仿真表明,改进的遗传算法收敛速度更快、路径更优。     

转子系统支承松动故障非线性参数识别

针对一端支承松动的转子-滚动轴承系统,利用遗传算法对松动端的故障非线性参数进行识别。针对传统遗传算法的早熟收敛问题,提出了一种改进的遗传算法。通过适应度函数的构建,将参数识别问题转化为参数优化问题,改进了遗传算法中新一代种群的生成机制。父代种群进行交叉与变异操作后,并不直接产生新一代种群,而是取父代种群与生成的种群中适应度排序靠前的个体组成新一代种群。改进的遗传算法能以较大的变异率进行遗传进化,克制了遗传算法的早熟收敛问题,加快进化速度。用改进遗传算法识别了转子支承松动参数,并研究了变异率和噪声对识别结果的影响。研究表明,改进的方法能有效提高松动参数的识别效率,变异率最高可达0.3,噪声不超过10%时能具有理想的识别精度。基于支承松动转子实验台的实测信号,利用改进遗传算法进行了参数识别,验证了改进算法的有效性。     

基于小生境遗传算法的关联规则挖掘研究

在对传统遗传算法的早熟收敛和后期收敛速度慢等问题分析的基础上,提出了一种改进的小生境遗传算法模型。该模型针对传统遗传算法的不足,采用小生境方法代替传统遗传算法的选择方式,重点改进了遗传算子,能够有效调整种群规模,延迟早熟收敛现象,控制后期收敛速度,从而能够挖掘到尽可能多的有效关联规则。最后,以中医药的疾病配方为例,验证了此算法的可行性和有效性。     

基于小生境遗传算法的关联规则挖掘研究

在对传统遗传算法的早熟收敛和后期收敛速度慢等问题分析的基础上,提出了一种改进的小生境遗传算法模型.该模型针对传统遗传算法的不足,采用小生境方法代替传统遗传算法的选择方式,重点改进了遗传算子,能够有效调整种群规模,延迟早熟收敛现象,控制后期收敛速度,从而能够挖掘到尽可能多的有效关联规则.最后,以中医药的疾病配方为例,验证了此算法的可行性和有效性.     

一种基于遗传算法的装配序列规划新方法

装配序列规划的实质是NP组合优化问题,应用遗传算法来解决装配序列规划问题可以得到较好的结果.但是使用传统的遗传算法则收敛速度较慢,通过应用Boltzman变比技术来调整遗传算法在不同时期的选择压力,则可以较好的改善遗传算法的收敛速度较慢的问题.因此提出了一种应用Boltzman变比技术的遗传算法来解决装配序列规划问题的方法.通过使用精英选择技术,保证上一代种群中的最优个体能够顺利的进入到下一代中,以防止种群中优良个体的丢失.并提出了一种基于简化关联图来生成遗传算法初始种群染色体的新方法,该方法结合人工输入的方法,可以保证了初始种群染色体的质量.根据装配序列规划问题的特点,设计了具有针对性的杂交算子和变异算子.在实际应用中,该方法取得了良好的效果.     

改进初始种群的遗传算法解决柔性车间调度

初始种群对遗传算法求解的质量和速度有决定性影响,传统遗传算法求解FJSP问题时,一般是随机生成初始种群,在迭代初期会形成许多无效方案,只有经过复杂的运算才会形成较优的方案,这样就会降低算法的收敛速度,对柔性作业车间调度的特点进行研究之后,提出了对初始种群给予基于全程检索规则编码生成初始种群的策略,提高初始种群质量的同时,也不会失去其多样性,而且还能提高全局收敛性。实例用改进的遗传算法,将结果与用传统遗传算法得到的结果比较,证明了改进算法的优势。     

牙嵌离合器的可靠性遗传优化设计

将标准遗传算法用于最优化问题时存在早熟收敛和后期收敛速度缓慢的现象。这里扼要分析了遗传算法的运行机制,提出了一种基于小生镜技术的改进遗传算法,根据牙嵌离合器的可靠性设计原理,建立了遗传优化的模型,并给出了应用改进的遗传算法进行优化设计的实例和计算结果。     

改进的遗传算法在结构动力模型修正中的应用

结构动力模型修正是一个复杂的非线性优化问题,常规优化算法都存在优化效率低或容易进入局部最优的问题。基于微种群遗传算法和模拟退火算法提出了一种改进的微种群遗传算法,算法采用父代参与竞争的联赛选择方式,同时引入模拟退火优选机制实现个体的选择,并使用最优保存策略来保证群体的高适应度和基因的多样性。实例将改进的算法应用到结构动力模型修正问题,结果证明算法在保证修正精度的同时,收敛速度得到明显提高,验证了改进的遗传算法的有效性。     

一种求解Job-Shop调度问题的量子遗传算法

提出了一种基于操作方式进行编码和解码的量子遗传算法,并将其用于求解一种典型的NP-hard组合优化问题即Job-Shop调度问题.该算法采用量子比特方式构造染色体,增加了算法的种群多样性和计算并行性;采用量子旋转门操作实现种群进化,有效地提高了算法的收敛速度.用基准调度问题实例对该算法进行的测试结果表明:该量子遗传算法与改进的遗传算法相比较有更好的优化性能.     

基于差分元胞多目标遗传算法的动压滑动轴承优化设计

为研究液体动压滑动轴承的多目标优化设计问题,提出了一种改进的多目标差分元胞遗传算法。改进的差分算子利用个体的Pareto支配关系进行排序,在排序的基础上进行差分操作,将该差分操作融入到元胞遗传算法中,以加快种群的收敛速度。同时采用了一种带扰动的多项式变异以提高种群的多样性。测试结果表明,该算法在收敛性和多样性方面优于其它优异算法。将该算法应用于液体动压滑动轴承的多目标优化设计,优化结果表明该算法具有较高的工程实用价值。     

凸轮机构的遗传优化设计

针对标准遗传算法在解最优化问题时存在早熟收敛和后期收敛缓慢的现象，提出了一种基于小生境技术的改进遗传算法，然后结合凸轮机构的优化6设计原理，建立凸轮机构的遗传优化设计模型，并给出其应用实例和优化结果。     

基于采蜜机制的正弦余弦算法及其在机械优化设计中的应用

针对标准正弦余弦算法（SCA）在求解函数优化问题时存在局部开发能力差、收敛速度慢和求解精度低等问题,提出了一种基于采蜜机制的正弦余弦算法（SCAHGM）。首先,更改参数r2、r3、r4的位置,使每个个体采用相同的参数r1、r2、r3和r4,按幂递减函数自适应调整参数r1,并动态调整参数r3,减少随机性,提高算法搜索效率;其次,利用贪婪选择策略、采蜜蜂算子、侦察蜂算子,加快算法收敛速度,提高算法优化精度,增加种群多样性,防止算法陷入局部最优;然后,在算法迭代过程中,以一定概率交替执行正余弦算子或采蜜蜂算子,更好地平衡算法的全局探索与局部开发能力。最后,选取23个标准测试函数进行仿真实验,结果表明SCAHGM算法较标准SCA、改进SCA和其他元启发式算法具有更佳的寻优性能,并通过优化2个机械设计实例,验证了SCAHGM算法的可行性和适用性。     

一种基于改进遗传算法的神经网络优化算法研究

遗传算法是目前优化搜索算法中应用比较广泛的一种,但基本遗传算法存在收敛速度慢、易于陷入局部最优等缺点。针对上述问题对遗传算法(GA)的选择算子进行改进,在最优保存策略的基础上将每代种群按照适应度由小到大排序,平均分成前中后3段,按照0.6、0.8、1的比例进行选择;从尾段中随机抽取个体来补足种群由于选择操作而损失的个体;既利用了最优保存策略的全局收敛特性同时也保持了种群的多样性;用改进的遗传算法调整神经网络的权值形成了新的改进遗传算法优化BP神经网络(IGA-BP);通过与选择算子为适应度比例选择算子的GA-BP网络进行比较,结果表明算法改进后缩短了收敛时间同时减少了运行误差;最后将该改进算法应用于水泥回转窑的故障诊断中,验证了算法的可行性。     

离散变量桁架结构拓扑优化的混合遗传算法

为了避免结构拓扑优化过程中杆件和节点的增删带来的计算上的麻烦，在对桁架结构受力分析的基础上，提出一种启发式方法，以快速产生符合机动性要求的拓扑结构形式；然后在既定的拓扑结构形式下采用混合遗传算法——拟满应力遗传算法进行截面优化。该方法通过在遗传算法中嵌入拟满应力算子，同时对基本遗传算法采用最优个体保留、最差个体替换和控制种群个体差异等改进措施，有效提高遗传算法求解的效率和质量。算例结果表明，该方法用于离散变量桁架结构拓扑优化是有效的。     

一种求解Job Shop问题的合作型协同进化算法

针对Job Shop调度问题，提出了一种改进的合作型协同进化算法。根据机器数量“自然”分割种群，每个种群对应一台机器，个体以机器前工件的优先列表为编码；将静态繁殖理论引入遗传算子，并通过三种共生伙伴选择方式，利用改进的基于优先列表的G＆T算法解码来评价个体；最后采用一种更新技术和动态群体更新策略来加快算法收敛。通过对Job Shop基准问题的优化，该算法获得了比传统的遗传算法更好的结果。     

基于遗传算法的摆动活齿传动多目标优化设计

本文建立了摆动活齿传动的优化设计数学模型,提出了优化设计方法。为求得全局最优解,引进了遗传算法。文中对遗传算法提出了一些改进,并用改进前、后的遗传算法分别对该模型进行了优化仿真计算,结果表明改进后的遗传算法优于改进前的遗传算法。     

基于遗传算法的锻压机床多目标优化设计方法

提出了一种基于遗传算法的锻压机床优化设计方法,并基于该方法开发了一个以多目标参数优化系统为核心的优化设计平台。该设计平台综合运用了Pro/E的建模及分析计算能力和MATLAB的数学分析处理能力,使得在该优化平台上进行的优化设计既可以保证以精确的实体模型的分析结果为指导,又能基于遗传算法进行多参数多目标协同优化,从而提高了锻压机床的设计效率和优化效果。以某锻压机床为实例,验证了该平台的有效性和可靠性。     

面向客户定制产品开发的多目标优化算法设计

对多目标优化进化算法进行研究,设计了基于客户需求信息的产品多目标优化算法。针对进化算法优化效率低的缺点,提出了目标侧重度概念,使进化算法有选择地收敛,提高了算法的优化效率;针对进化算法容易陷入局部最优和解分布不均匀的缺点,提出了目标间距概念,避免算法在收敛过程中早熟,保证了最优解的多样性,降低了客户的选择压力。在MATLAB 7.0平台上对改进算法进行仿真实验,并与NSGA-2和SPEA-2两种进化算法进行对比分析,验证了改进算法的可行性、可靠性与优越性。     

Product family assembly line balancing based on an improved genetic algorithm

Product family assembly line (PFAL) is a mixed-model assembly line on which a family of similar products can be assembled at the same time. Aiming at the balance problem of PFAL, a balancing model for PFAL is established, and simultaneously an improved dual-population genetic algorithm is proposed. Firstly, through the characteristic analysis of PFAL, the tasks on PFAL are divided into three categories, namely the common, optional, and personality tasks. In addition, the correlation between the tasks is mainly considered. In the improved genetic algorithm, minimizing the number of stations, minimizing the load indexes between stations and within each station, and maximizing task-related degree are used as optimization objectives. In the initialization process, a method based on a TOP sorting algorithm is adopted for generating chromosomes. Furthermore, a new decoding algorithm is proposed to make up for the lack of the traditional decoding method, and individuals in the two populations are exchanged. Therefore, the search speed of the algorithm is accelerated, which shows good performance through classic tested problems. Finally, the effectiveness and feasibility of the method were validated by optimizing assembly line balancing of loaders.