基坑支护工程遗传优化设计中协同演化模型的研究

该文在两层协同演化模型的基础上,提出了一个用于基坑支护工程优化设计的三层协同演化模型,并对该协同演化模型的实现模型、约束处理、适应值调整等关键技术进行了比较详细的探讨。     

一种支持深基坑支护工程优化设计的协同演化算法

提出了一种支持深基坑支护工程优化设计的协同演化算法，并介绍了实现遗传优化的相关技术。通过对“锚杆 排桩”支护体系应用系统的实验数据分析，说明该算法的实效性和适用性。     

利用协同演化方法实现深基坑支护的分布式优化

基坑支护优化是一个多层次、多参数的复杂系统,常规方法很难体现其层次性.针对深基坑支护问题的层次性和层次性问的相互影响,提出了一种新的协同优化算法:协同演化优化算法.该将现有的协作优化和协同演化结合起来,充分利用了协同演化的层次性和协作优化的并行性.分析了应用于深基坑支护复杂系统设计的协同演化优化算法,讨论了优化子系统间的存在的耦合关系和处理方法,最后以锚固式排桩支护和截水帐幕的并行协同设计,验证了算法的有效性.     

基于遗传算法的基坑支护协同演化处理模型

分析了基于遗传算法的协同演化优化方法及深基坑支护的特点。提出了用基于遗传算法的协同演化优化方法来求解基坑支护层次性优化问题的模型,并给出了约束处理和目标函数转换的策略。实例表明所提出的策略是可行有效的。     

基于粒子群算法协同优化基坑支护问题

城市深基坑支护的优化设计存在着层次性且不同层次间的设计相互影响,为此设计了一种协同智能优化算法:协同演化优化算法,并在协同演化优化中运用粒子群算法来加快演化速度,简化优化过程。分析了协同演化优化系统中子系统优化间存在的冲突和处理方法。最后以锚固式排桩支护和截水帐幕的并行协同设计,验证了该算法的有效性。     

利用层次性协同演化方法优化深基坑支护问题(英文)

介绍了应用于深基坑支护复杂系统设计的协同优化算法。针对深基坑支护问题的层次性和不同层次设计间的相互影响,将现有的协作优化算法和协同演化算法结合起来,构建了一种新的协同优化算法:协同演化优化算法。分析了协同演化优化系统中子系统优化间存在的冲突和处理方法。最后以锚固式排桩支护和截水帐幕的并行协同设计,验证了算法的有效性。     

正交差分演化算法在工程优化设计中的应用

提出一种基于正交设计的快速差分演化算法,并把它应用于工程优化设计中。新算法在保留传统差分演化算法简单、有效等特性的同时,还具有以下一些特点：（1）引入一种基于正交设计的杂交算子,并结合约束统计优生法来产生最好子个体;（2）提出一种简单的多样性规则,以处理约束条件;（3）简化基本差分演化算法的缩放因子,尽量减少算法的控制参数,方便工程人员的使用。通过对2个工程优化实例进行实验,并与其他算法的结果作比较,其结果表明,新算法在解的精度、稳定性、收敛性和收敛速度上表现出很好的性能,并且对所优化的问题没有特殊的要求,具有很好的普适性。     

城市深基坑支护工程中的遗传优化模型研究

文章在研究分析城市深基坑支护工程众多因素的关系和特性的基础上,建立了城市深基坑支护体系的遗传优化数学模型,提出了一种适用的基于遗传算法的两层协同演化模型。该模型为解决多因素优化问题提供了一种新的思路。     

基于协同演化的文本特征获取算法

作为证券监管机构,如何从海量的网络信息中有效地对文本信息进行准确的分类,对于提高日常监管工作效率是非常重要的。该文主要基于数据挖掘技术,以矢量空间模型VSM为文本的表示方法,提出了一个基于协同演化遗传算法的多文本特征抽取算法,有效地降低了文本特征矢量的维数,为文本分类模板获取等多文本特征获取问题提供了一个可行的解决方案。     

协同演化算法研究进展

协同演化算法(coevolutionary algorithms, CEA)是当前国际上计算智能研究的一个热点,它运用生物协同演化的思想,是针对演化算法的不足而兴起的,通过构造两个或多个种群,建立它们之间的竞争或合作关系,多个种群通过相互作用来提高各自性能,适应复杂系统的动态演化环境,以达到种群优化的目的.介绍了协同演化算法的研究状况以及目前的研究进展,概述了它的基本算法、主要特点、理论与技术,同时介绍了一些主要的应用领域,指出了协同演化算法的研究方向.     

基于协同进化遗传算法的自动谈判

提出了基于协同进化遗传算法的自动谈判算法,模拟了有限期轮流出价谈判协议中的策略学习机制。实验结果表明,基于协同进化的自动谈判能够生成近似于子博弈完美均衡的策略组合,具有良好的应用前景。 自动谈判;协同进化;遗传算法;轮流出价     

面向特征选择问题的协同演化方法

特征选择技术是机器学习和数据挖掘任务的关键预处理技术。传统贪婪式特征选择方法仅考虑本轮最佳特征,从而导致获取的特征子集仅为局部最优,无法获得最优或者近似最优的特征集合。进化搜索方式则有效地对特征空间进行搜索,然而不同的进化算法在搜索过程中存在自身的局限。本文吸取遗传算法（GA）和粒子群优化算法（PSO）的进化优势,以信息熵度量为评价,通过协同演化的方式获取最终特征子集。并提出适用于特征选择问题特有的比特率交叉算子和信息交换策略。实验结果显示,遗传算法和粒子群协同进化（GA-PSO）在进化搜索特征子集的能力和具体分类学习任务上都优于单独的演化搜索方式。进化搜索提供的组合判断能力优于贪婪式特征选择方法。     

数据聚类的共同进化方法

共同进化算法是一种新的进化算法,由于它采用了解空间分离编码,能有效地克服一般进化算法中固有的早熟收敛问题。该文针对数据聚类问题——当前数据挖掘与探查性数据分析中的一个重要课题——将数据聚类问题抽象成为一个赋值图的分割问题,应用共同进化算法来加以解决,使得聚类的结果不必依赖于初始聚类中心,并对该算法的性能加以分析。将该算法与一般的遗传算法相比较,通过实验证明了该算法的优越性能。     

协同进化遗传算法及其应用

介绍了协同进化遗传算法及其实际应用,大量的实验数据表明,它的性能明显优于传统的遗传算法,而且对不同的协同进化方法进行了对比。由此本文提出用协同进化遗传算法来解决入侵响应问题,以提高响应的速度和效率,最后预测了协同进化遗传算法的发展方向和应用。     

一种分层协同进化学习方法及其在机器人追踪中的应用

本文在分析了密歇根方法和匹茨堡方法的基础上,提出了一种新型分层协同进化学习方法。该方法由上述两类 种群构成,此两类种群分别属于不同的智能层次,进行协同进化来实现智能,种群内部各自独立地采取不同的遗传操 作,种群之间使用交互算法进行交流。实验表明：该方法能改善分类器系统的短视特性并提高其智能。     

基于计算机的BIM技术在地下空间深基坑工程中的应用

随着城市化进程的加快,地上空间的利用率逐渐饱满,人们不得不将目光移向地下空间,深基坑工程也因为这种趋势而变得越来越重要,深基坑的深度与面积逐渐增大。相较于浅基坑,深基坑工程更为系统、复杂,其所需要的知识学科也更多。如果深基坑系统出现坍塌或者损坏,将会造成巨大的人员伤亡和经济损失。深基坑工程的事故频发,促进了一种基于计算机的新兴技术的诞生:BIM技术。本文旨在在地下空间深基坑工程中应用BIM技术,首先阐述了什么是基坑工程,又分析了现阶段深基坑工程建设施工中的潜在问题与其形成的原因,接着介绍BIM技术,并分析BIM技术在深基坑工程中的优势,最后探讨BIM技术如何解决深基坑工程的问题,提出对策与建议。     

遗传正交试验算法及其应用

遗传算法是一种能够在较大的参数空间中搜索到问题最优解的方法,在解决非线性问题时具有全局收敛性,但收敛性能差。论文提出一种结合遗传与正交试验两种算法优点的新混合遗传算法,应用表明该算法收敛能力强、寻优能力强及能产生大量次优解,是一种值得信赖的算法。     

分布协同交互式遗传算法及其在群体决策中的应用

针对交互式遗传算法单机实现模式存在的局限性,本文提出一种分布协同交互式遗传算法,并介绍了算法实现的关键技术.基于群体决策满意度和用户评价偏好,给出了共享个体数量确定方法和共享个体的选择方法.还提出了合理的评价平台和有效的决策评价指标以及隐含的信息交互方式等.为减轻用户疲劳,基于个体相似度,提出一种类适应度近似策略.最后基于服装的色彩设计问题,给出实验结果,以验证该算法的可行性.