采用GWO优化SVM的燃气轮机气路故障诊断

将灰狼优化算法和支持向量机算法作为理论指导,并采用灰狼优化算法对支持向量机算法进行优化,以实现燃气轮机故障类型的分类。将灰狼优化算法与遗传算法优化支持向量机方法和粒子群算法优化支持向量机方法进行对比,结果表明,通过灰狼算法优化支持向量机的方法对燃气轮机故障分类的准确率要高于遗传算法优化支持向量机算法和粒子群算法优化支持向量机的故障分类方法。     

基于IGA-SVM的汽轮机故障诊断研究

针对支持向量机相关参数很难预先确定合适的取值,而这些相关参数又对其分类精度有着很大影响的问题,本文利用改进的遗传算法(IGA)对支持向量机的相关参数进行了优化.将改进遗传算法优化的支持向量机(IGA-SVM)算法应用于汽轮机故障诊断中,并与标准遗传算法优化的支持向量机(GA-SVM)算法的识别结果进行比较.结果表明,IGA-SVM算法对故障数据能够得到较优的分类辨识结果,对汽轮机的故障诊断有显著的指导作用.     

粒子群与遗传算法优化支持向量机的应用

为了提高参数优化精度,研究将粒子群算法与支持向量机相结合,建立基于粒子群算法的支持向量机复杂过程系统稳态模型。在此基础上,为解决粒子群算法容易出现早熟收敛、搜索精度不高、在迭代的后期效率低、容易陷入局部极优点等问题,提出了引入遗传算法的改进粒子群算法。通过利用改进后的粒子群算法对支持向量机参数进行优化,并应用到青霉素发酵这一复杂工业系统。仿真结果表明,改进算法提高了工业产量,实现了对系统结果的优化。     

一种基于颜色和纹理的优化SVM火灾识别方法

提出一种基于火焰颜色和纹理特征的提取方法,采用量子遗传算法优化支持向量机,构造QGA-SVM火焰图像分类器.算法利用火焰颜色特征对去噪增强后的图像提取火灾疑似区域,采用Uniform LBP提取其纹理特征;运用KPCA算法对特征向量进行降维处理,将KPCA选择出来的特征输入到经量子遗传算法优化过的支持向量机(QGA-S...     

基于混合遗传算法的支持向量机参数选择

针对常用的梯度下降法支持向量机参数选择方法易陷入局部极小点的问题,提出一种基于混合遗传算法的支持向量机参数选择方法.该方法结合遗传算法的全局优化能力和梯度法的局部寻优能力,能够选择到更好的支持向量机参数.仿真实验表明,使用该方法确定的参数可使支持向量机具有更好的泛化性能.     

基于优化支持向量机的航空发动机故障诊断研究

航空发动机是一个极其复杂的系统,且运行环境恶略,通常多种故障同时出现.本文提出了一种优化支持向量机算法,利用遗传算法对支持向量机的参数进行优化.本文利用四种航空发动机常见故障的模拟样本对神经网络、支持向量机和优化支持向量机三种方法进行训练和测试.     

遗传优化支持向量机在失火故障诊断中的应用

故障样本的缺乏严重制约智能故障诊断的发展,支持向量机算法的提出有效地解决了小样本学习问题.然而支持向量机算法中两个参数惩罚因子C和核参数γ对故障样本的准确识别起着决定性作用.针对参数较难选择问题,采用遗传算法对支持向量机中的两个参数进行全局寻优.把汽车在典型故障下尾气中各气体的体积分数作为训练样本,样本经过主成份分析实现降维和去相关.用处理过的样本和最优参数建立基于支持向量机的多元分类器模型,进行故障类别诊断.使用LIBSVM工具箱进行仿真,结果表明经遗传算法优化后的支持向量机对于小样本故障诊断有很高的准确率.     

遗传最小二乘支持向量机法预测时用水量

为解决传统最小二乘支持向量机采用交叉验证确定参数耗时较长的问题,提出基于遗传算法和最小二乘支持向量机的城市时用水量预测方法.根据城市时用水量序列具有较强相关性的特点,利用自相关系数法分析时用水量序列的变化规律,并引入二进制编码的自适应遗传算法优化最小二乘支持向量机的超参数,采用交叉验证法确定遗传算法个体的适应值,建立了时用水量预测模型.实例分析表明：与基于传统最小二乘支持向量机的时用水量预测方法相比,基于遗传算法和最小二乘支持向量机的时用水量预测方法计算速度更快,预测精度更高.     

基于遗传算法优化支持向量机的辐射测温方法

温度的监控与测量在工业生产和科学研究等众多领域都发挥着重要的作用。遗传算法(Genetic Algorithm,GA)是模拟生物界中自由配对和自然选择现象的一种过程全局搜索算法。而支持向量机(Support Vector Machine,SVM)是以统计学习理论为基础的,并致力于研究少样本情况下机器学习规律的新兴学习算法,具有非常好的非线性函数拟合和泛化能力。针对目前支持向量机的结构参数多采用经验或者试取,提出遗传算法来优化支持向量机的参数,并应用于红外辐射温度测量。结果表明,遗传算法优化方法较网格搜索方式无论是学习效率和预测精度都优于后者,表明遗传支持向量机算法能有效地用于目标辐射温度测量。     

基于支持向量机和遗传算法的水下目标特征选择算法

基于统计学习理论和遗传算法理论，提出了一种基于支持向量机和遗传算法相结合的水下目标特征选择算法。通过对实测数据的特征集的优化选择实验，证明了该算法的有效性和鲁棒性，它能较好地解决在复杂水下目标信号所提取的特征维数高，样本采样困难，数目偏少的实际情况下的分类识别问题。     

基于遗传算法的时间决策系统标定优化方法

针对由多延时电路并联而成的时间决策系统,提出了新的标定优化方法。综合考虑系统精度和可靠度,将标定问题转换为多目标优化问题,并建立了相应的优化目标函数。利用遗传算法对该问题进行求解,采取自适应交叉和变异策略,改善了遗传算法的收敛性能。仿真算例和工程实际应用表明,新方法具有近似最优的精度和较高的可靠度,具有较高的工程实用价值。     

混合遗传蚁群算法的改进及在TSP问题中的应用研究

蚁群算法（ACA）与遗传算法（GA）都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题（TSP）中。本文将两种算法进行融合,并给出了新的融合方式。实验结果表明,新的遗传蚁群混合算法有效地改进了算法的全局收敛性,并加快了收敛速度。     

A combination algorithm of Chaos optimization and genetic algorithm and its application in maneuvering multiple targets data association

The most important problem in targets tracking is data association which may be represented as a sort of constraint combinational optimization problem. Chaos optimization and adaptive genetic algorithm were used to deal with the problem of multi-targets data association separately. Based on the analysis of the limitation of chaos optimization and genetic algorithm, a new chaos genetic optimization combination algorithm was presented. This new algorithm first applied the "rough" search of chaos optimization to initialize the population of GA, then optimized the population by real-coded adaptive GA. In this way, GA can not only jump out of the "trap" of local optimal results easily but also increase the rate of convergence. And the new method can also avoid the complexity and time-consumed limitation of conventional way. The simulation results show that the combination algorithm can obtain higher correct association percent and the effect of association is obviously superior to chaos optimization or genetic algorithm separately. This method has better convergence property as well as time property than the conventional ones.     

基于正交试验的遗传算法参数优化

基本遗传算法求解优化问题的过程中存在着收敛缓慢、早熟现象以及求解的质量不高等问题. 为了解决上述存在的问题,提高遗传算法的求解质量,提出使用正交试验法优化遗传算法中的主要参数,即:种群规模N、交叉概率pc和变异概率pm. 通过使用正交试验法确定遗传参数,大大提高了算法的收敛性和求解质量. 仿真结果也表明采用正交试验法设计参数的科学性和有效性.     

Extended Range Guided Munition Parameter Optimization Based on Genetic Algorithms

Many factors influencing range of extended range guided munition （ERGM） are analyzed. The definition domain of the most important three parameters are ascertained by preparatory mathematical simulation, the optimized mathematical model of ERGM maximum range with boundary conditions is created, and parameter optimization based on genetic algorithm （GA） is adopted. In the GA design, three-point crossover is used and the best chromosome is kept so that the convergence speed becomes rapid. Simulation result shows that GA is feasible, the result is good and it can be easy to attain global optimization solution, especially when the objective function is not the convex one for independent variables and it is a multi-parameter problem.     

基于模拟退火遗传算法的PID参数整定与优化

结合模拟退火算法和遗传算法的思想,提出模拟退火遗传算法,用此算法进行PID参数整定与优化．同时使用自适应交叉率、变异率以及适应度拉伸方法对传统遗传算法进行改进．模拟退火遗传算法有效抑制早熟,且具有收敛性快、全局寻优与局部寻优能力．仿真结果表明,基于此算法寻优设计的PID控制器动态品质和稳定性更好、鲁棒性更强．     

基于改进遗传算法的汽车永磁起动机优化设计

针对电机的优化设计是一个复杂的、有约束、多变量优化问题,为了提高优化效率和收敛速度,使电机成本降低,结构更紧凑,采用了改进的遗传算法,将永磁起动机的原始方案直接加在初始种群中,并对交叉概率和变异概率采用了随着适应值变化进行自适应调整的方法．在适应值的计算过程中,为了提高计算准确度,2D有限元模型被用来计算永磁起动机的参数和性能．根据优化结果研制了新的样机,实验结果表明：通过优化,在满足各项性能要求和约束的前提下,降低了电机的成本．     

一种求解TSP问题的改进遗传算法

旅行商问题(Traveling Salesman Problem TSP)是一个典型的组合优化问题,但应用基本遗传算法求解TSP问题时存在许多不足.结合TSP问题的特点,提出一种改进的遗传算法:应用贪心策略初始化种群,用2-opt对其进行优化,使得在初始个体中就包含较优子路径,在一定程度上加快算法收敛性,防止早熟和近亲繁殖.对交叉算子和变异算子进行改进后,既能维持种群的多样性,也保留了父代个体大部分优良性能.应用改进的算法对20个城市的TSP问题进行求解,结果表明该算法求解速度快而且求解的质量较好.     

混合遗传算法的电力系统无功优化

针对遗传算法（GA）的局限性，提出了一种应用于电力系统无功优化问题的混合遗传算法（GASA）。实施了最优保留策略，改进交叉和变异操作，并结合模拟退火算法（SA）的Metropolis判别准则的复制策略，使寻优过程能够跳出局部最优解，从而形成了混合遗传算法。优化过程中考虑了电力系统无功优化自身特点，提高了计算效率。对IEEE30节点系统的仿真表明：该算法能够有效地提高收敛速度，避免早熟收敛。     

遗传算法在路面材料参数识别中的应用研究

针对标准的遗传算法收敛速度慢的特点做了几点改进 :在群体初始化中 ,以均匀产生初始群体代替随机产生 ;实行截断选择 ,隐含了最优保存策略 ;动态变异 ,将改进后的遗传算法和系统识别原理相结合 ,应用于路面反分析中 .分别对理论数据和实测数据进行了计算分析 ,并和目前国内国际较通用的软件计算结果进行了比较分析 .结果表明 ,改进后的遗传算法收敛速度快 ,具有较强的全局优化能力 ,利用该算法进行路面反演可以避免解病态方程 ,反演结果稳定可靠