畸变波形m序列动态测试信号建模与电能量值压缩检测方法

为解决非线性动态负荷条件下,智能电能表的动态误差测试问题.本文首先将m序列算子作为映射算子,采用基于信号特性建模的方法,建立三相畸变波形m序列动态测试信号结构化参数模型.其次根据压缩检测（Compressed measurement,CM）理论,采用系统稳态优化的方法构造最优压缩检测测量矩阵,实现对动态测试功率信号电能量值的检测.仿真实验表明,压缩检测方法可以对畸变波形m序列动态测试信号进行电能量值的检测,检测算法的相对误差优于1×10-13.     

基于GSPN和人工免疫算法的并行测试任务调度研究

针对ATS中并行测试任务调度复杂、难以优化的问题,提出了一种广义随机Petri网和人工免疫算法相结合的任务调度优化算法.首先对并行测试系统建立广义随机Petri网(GSPN)模型,然后将激发的变迁序列集作为并行测试任务调度路径;将免疫克隆选择算法(ICSA)应用到并行测试系统任务调度问题中,并提出一种自适应克隆选择算子,搜索最优任务调度路径,得到以测试时间最短为目标的最优任务调度方案.用某型雷达接收机并行测试系统对该算法进行仿真验证,结果表明,与改进的混合遗传算法(IHGA)相比,该算法能够便捷地得到任务调度最优序列,且测试效率更高.     

基于伊藤算法的改进人工蜂群算法

针对人工蜂群算法(ABC)在求解复杂问题时出现的收敛速度慢、易陷入局部最优的缺点,在布朗运动和伊藤随机过程的启示下,借鉴伊藤算法的设计思想,提出了一种基于布朗运动的改进人工蜂群优化算法(BMABC)。在采蜜蜂和观察蜂阶段分别设计了不同的漂移算子和波动算子。漂移算子保证算法向着最优解的位置漂移,波动算子保证了解的多样性。分别使用ABC、GABC和BMABC对5个经典函数进行了测试。实验结果表明,BMABC算法具有收敛速度快、收敛精度高的特点,并具有良好的稳定性。     

动态子和声算法求解无等待批量流水线问题

针对无等待批量流水线调度问题,根据和声算法的机理,提出了一种改进的和声算法对其进行求解。利用NEH和混沌序列相结合的方法产生初始解,并实现了和声向量与工序之间的转换;充分利用最优解,设计新的更新算子,为了避免陷入局部最优,引入了变异策略;结合蛙跳算法分组的特点,将和声库随机动态的分成了几个子和声;为平衡算法的全局开发和局部搜索的能力,对子和声中的最优解执行了局部搜索。通过仿真实验与其他几种算法进行比较,证明了算法的有效性。     

求解多目标job-shop生产调度问题的量子进化算法*

基于量子计算理论和进化理论,提出了用于多目标job-shop优化的量子进化算法（QEA-MOJSP）。QEA-MOJSP采用量子比特来表示工序对加工顺序的优先概率,利用量子叠加和相干机理,通过更新和交叉操作完成进化过程。对所有机器上工序对优先概率进行观测可得到一个调度方案,修补算子被用于不可行调度方案的修补。设计了局部搜索算子用于开采当代最优个体周围的解空间,以提高算法的收敛速度。实验结果表明,对于测试算例,QEA-MOJSP的解接近Pareto最优解集前沿,并具有很好的多样性。     

一种新颖的函数优化进化算法

进化算法在求解全局优化问题时易陷入局部最优且收敛速度慢. 为了解决这一问题, 设计了一个基于下降尺度函数的杂交算子, 利用下降尺度函数与种群的关系来寻找实值函数的下降方向. 为了提高非均匀变异算子在进化后期的搜索能力, 通过均衡算子的局部搜索和全局搜索能力使其在算法后期仍能跳出局部最优. 在此基础上给出了一种新的进化算法. 最后将其与9个现有的算法进行了比较, 数值实验表明新算法快速有效.     

PHGA-COFFEE:多序列比对问题的并行混合遗传算法求解

设计了一个求解多序列比对问题的并行混合遗传算法（与之相应的软件称为PHGA-COFFEE）.该算法采用COFFEE函数作为个体的适应度函数,构造了六种遗传算子,特别是设计了两种新颖的变异算子,其中一种变异算子基于COFFEE的一致性信息设计,以改善算法的整体搜索能力.另一种变异算子基于动态规划方法设计,以增强其局部搜索能力.通过对BAliBASE中144个测试例的测试,证明该算法是有效的.与已有的算法相比,该算法对处于朦胧区和具有N/C末端延伸的序列比对问题有更强的问题求解能力.同时通过对算法并行化,其运行时间显著缩短.     

改进的多种群算法优化隐马尔可夫模型预测篦压趋势

以篦冷机关键参数篦下压力为研究对象,提出一种篦压变化趋势预测模型.利用主成分分析对数据降维,以主元序列作为观测序列,构建改进的多种群算法优化隐马尔可夫模型参数.种群内利用轮盘赌算子选择个体,设计双区与均匀行交叉结合的自适应交叉算子避免局部收敛,进行动态变异率的多项式变异操作提高收敛速度,种群间提出混合师生交流机制的自适应移民算子保证多种群协同进化.仿真表明本文算法可收敛到全局最优,能提高收敛精度和速度,利用该算法建立的模型跟踪性能好,预测精度高,能满足对篦压趋势预测的要求.     

基于空间交配遗传算法的收敛性分析

基于空间交配遗传算法(GASM)采用空间交配遗传算子,有效克服早熟收敛问题,但缺少相关理论分析。文中采用马尔可夫链分析基于空间交配遗传算法的收敛性。证明采用最优个体保留机制的GASM,可收敛到全局最优解。同时证明在没有变异算子的情况下,GASM以概率1收敛到全局最优解。通过4个测试问题(其中3个为多峰值复杂问题)的对比实验,结果表明,GASM在求解多峰值复杂问题时,比采用最优个体保留机制的经典遗传算法,具有更好的收敛性。同时也与快速蜂群优化算法进行比较实验。     

基于二元蚁群优化算法的分类规则挖掘

提出一种基于二元蚁群算法的分类规则挖掘算法.针对蚁群算法计算时间长的缺点,引入一种变异算子,同时为了避免蚁群算法陷入局部最优,又引入灾变算子.通过对美国加州大学机器学习数据集中的测试集进行测试表明,该算法的预测准确率能较大提高.实验同时显示引入变异算子和灾变算子能有效节省计算时间和防止陷入局部最优.     

基于遗传模拟退火算法的无线传感器网络定位算法

无线传感器网络定位问题本质上是一个基于不同的距离或路径测量方法的优化问题.第一次提出了基于遗传模拟退火算法的无线传感器网络定位算法GASA-Hop,它是将遗传模拟退火算法作为DV-Hop的后期优化.其中,DV-Hop用来估计未知节点与锚节点的测量距离,GASA用来最小化与DV-Hop相关的适应度函数.仿真结果表明,本算法定位精度高、条件简单,比较适合无线传感器网络的节点定位.     

私家电动汽车在商业停车场的充电调度策略

随着私家电动汽车(private electric vehicles, PREV)的普及,大规模PREV的无序充电将引起用电负荷高峰,影响配电网安全。针对商业停车场环境下的PREV充电问题,首先提出一种车辆准入机制,尽可能提高车辆准入数量,并确保准入车辆能够在预定时间内完成充电需求;其次,采用基于熵权法确定适应度函数权重的遗传模拟退火算法(GASA),提出一种面向多目标优化的PREV充电调度策略,综合优化停车场运营商利润和车主充电满意度。实验结果表明,基于GASA的PREV充电调度策略性能良好,与极端情况(车辆数为600的无序充电)相比,该策略的运营商利润和车主充电满意度分别提高了12.3%和109.7%,综合适应度函数值增加了35.2%;另外,其能够有效平缓配电网负荷分布,在保障配电网安全前提下实现停车场运营商和PREV车主的双赢。     

Scheduling a single vehicle in the just-in-time part supply for a mixed-model assembly line

This paper focuses on the scheduling of a single vehicle, which delivers parts from a storage centre to workstations in a mixed-model assembly line. In order to avoid part shortage and to cut down total inventory holding and travelling costs, the destination workstation, the part quantity and the departure time of each delivery have to be specified properly according to predetermined assembly sequences. In this paper, an optimisation model is established for the configuration that only one destination workstation is involved within each delivery. Four specific properties of the problem are deduced, then a backward-backtracking approach and a hybrid GASA (genetic algorithm and simulated annealing) approach are developed based on these properties. Both two approaches are applied to several groups of instances with real-world data, and results show that the GASA approach is efficient even in large instances. Furthermore, the existence of feasible solutions (EOFS) is analysed via instances with different problem settings, which are obtained by an orthodox experimental design (ODE). An analysis of variance (ANOVA) shows that the buffer capacity is the most significant factor influencing the EOFS. Besides this, both the assembly sequence length and distances to workstations also have noticeable impacts.     

混合遗传算法在分布式车间作业调度中的应用

分布式车间作业计划与调度是一个典型的组合优化问题,而组合优化问题是遗传算法求解的领域。该文描述了分布式车间作业调度问题及其调度方法,结合分布式车间生产模式的实际情况,将模拟退火算法引入自适应遗传算法,提出了混合遗传算法(GASA);详细地阐述了分布式车间作业计划与调度问题的解决策略和操作过程,并以甘特图的方式给出了计算结果。与其他方法比较,混合遗传算法是解决分布式车间作业计划与调度问题的更为优良的方法。     

基于SA的改进遗传算法的测试数据生成研究

测试数据的自动生成研究是软件测试的一个焦点问题,测试数据的自动生成可以提高测试工作效率,节约测试成本.考虑遗传算法(GA)和模拟退火算法(SA)各自优缺点,提出遗传/模拟退火(GASA)混合算法的策略,在标准的GA中融入SA,在GA的局部搜索中引入SA,SA的随机状态受限于遗传优化算法的结果,GA的种群更新是由SA的退温算法和随机状态产生函数来控制,从而得到最优解.GA-SA算法取长补短,提高了算法的全局和局部搜索能力,能避免GA过早收敛,提高了算法搜索最优解的能力.实验结果表明,GASA算法寻找最优解所需的迭代次数明显优于标准GA.     

无线传感器网络的改进GASA优化设计

无线传感器网络由大量传感器节点构成,因此对网络整体造价特别敏感．优化设计传感器网络构成,可以在满足监测精度的同时最小化网络造价．本文提出了一种GA和SA结合的改进GASA优化设计方法,解决由异类、多级传感器组成的无线传感器网络的优化设计问题．该方法采用特殊设计的排序组合算子提高GA的并行搜索能力．降低异类、多级传感器带来的复杂性;通过最优可行化处理加速搜索过程;利用SA的概率突跳特性避免陷入局部极小值,提高局部搜索能力．仿真实验表明,改进的GASA方法可以快速、有效地解决异类、多级传感器优化问题．     

基于改进遗传模拟退火算法的WSN路径优化

针对无线传感器网络路径优化问题,提出了一种改进的最优保存的遗传模拟退火算法。利用LEACH算法构建初始路由表,使用GASA的高效率搜索,将路由计算和遗传演化计算同时进行,并直至寻找到近似最优路径为止。将最优保存遗传算法和模拟退火算法相结合,引入自适应的概率变化,有效地解决了这两种算法的早熟现象和时间问题。仿真实验表明,该算法有效地解决了无线传感器路径优化问题,具有定位准确、节能和搜索能力较强等优点。     

Iterative semi-continuous relaxation heuristics for the multiple-choice multidimensional knapsack problem

Recently several hybrid methods combining exact algorithms and heuristics have been proposed for solving hard combinatorial optimization problems. In this paper, we propose new iterative relaxation-based heuristics for the 0-1 Mixed Integer Programming problem (0-1 MIP), which generate a sequence of lower and upper bounds. The upper bounds are obtained from relaxations of the problem and refined iteratively by including pseudo-cuts in the problem. Lower bounds are obtained from the solving of restricted problems generated by exploiting information from relaxation and memory of the search process. We propose a new semi-continuous relaxation (SCR) that relaxes partially the integrality constraints to force the variables values close to 0 or 1. Several variants of the new iterative semi-continuous relaxation based heuristic can be designed by a given update procedure of multiplier of SCR. These heuristics are enhanced by using local search procedure to improve the feasible solution found and rounding procedure to restore infeasibility if possible. Finally we present computational results of the new methods to solve the multiple-choice multidimensional knapsack problem which is an NP-hard problem, even to find a feasible solution. The approach is evaluated on a set of problem instances from the literature, and compared to the results reached by both CPLEX solver and an efficient column generation-based algorithm. The results show that our algorithms converge rapidly to good lower bounds and visit new best-known solutions.     

Using support vector machines for the computationally efficient identification of acceptable design parameters in computer-aided engineering applications

This paper addresses the problem of estimating continuous boundaries between acceptable and unacceptable engineering design parameters in complex engineering applications. In particular, a procedure is proposed to reduce the computational cost of finding and representing the boundary. The proposed methodology combines a low-discrepancy sequence (Sobol) and a support vector machine (SVM) in an active learning procedure able to efficiently and accurately estimate the boundary surface. The paper describes the approach and methodological choices resulting in the desired level of boundary surface refinement and the new algorithm is applied to both two highly-nonlinear test functions and a real-world train stability design problem. It is expected that the new method will provide designers with a tool for the evaluation of the acceptability of designs, particularly for engineering systems whose behaviour can only be determined through complex simulations.     

基于遗传退火方法的灰度图像阈值选择算法

灰度图像分割问题一般采用传统的最大类间方差法来解决,但是类间方差方法计算量大,不适合实时图像处理。为了解决上述问题,提出了一种改进型遗传退火的阈值分割算法。算法的整个运行过程由冷却温度进度表控制,使用经典的最大类间方差法作为遗传算法的适应度函数,再根据M etropolis准则判断产生的新解是否被接受,从而求得灰度图像的一个最佳阈值。图像分割的仿真结果表明,与传统的最大类间方差法相比,计算量不大,算法具有很强的全局优化搜索能力,由于算法效率高,收敛速度快,适用于实时性的灰度图像处理。