实数编码遗传算法的改进研究

畜禽饲养对饲料养分的需求越来越高,饲料配方需要处理的原料种类不断扩大,配方算法需要处理的数据非常巨大,因此对传统遗传算法的计算效率提出更高的挑战和要求。文中分析了基于实数编码的遗传算法在种群初始化和交叉、变异操作过程中存在的缺陷,在此基础上,提出了基于经验值引导和及时检查修正联合作用的算法优化改进措施,并以特定猪饲料配方为例,通过仿真实验,验证了改进后的遗传算法在执行效率和解的质量两方面都有显著提升。     

采用自适应归一化实数编码遗传算法优化鱼眼镜头系统

针对遗传算法(GA)优化超多参量光学系统时鲁棒性 较差的问题,在混入逃逸函数实数编码GA(MERCGA)的基础上,进一步结合参量归一化和自适 应变异概率的措施,提出了自适应归一化 实数编码GA(ANRCGA)。用ANRCGA对鱼眼镜头光学系统案例进行优化设计,并应用 评价函 数和Zemax光线追迹方法对MERCGA和ANRCGA的优化结果作比较。结果表明,应用本文的ANRCG A 比引自专利的参考设计及MERCGA优化得到光学系统的成像质量有明显提高,算法的鲁棒 性和计算效率也到了改善。     

实数编码遗传和单纯形混合算法在膜系优化设计中的应用

在传统遗传算法(GA)基础上,通过引入标准偏差函数构造了新的适应度函数,同时提出了一种自动降温的方法来控制退火选择策略中的温度.将这种改进的实数编码遗传算法(FGA)和单纯型算法(SA)有机结合起来,形成了新的膜系优化算法-实数编码遗传和单纯形混合算法,并编制了优化程序.实例表明该算法优化性能优越,既具有强大全局搜索能力,又能很好地实现局部搜索功能.用该算法实现了中心波长534 nm,带宽35 nm的可见光波段凹陷滤波器和高性能中性分束镜.     

基于多种群遗传算法的膜系优化设计

在膜系设计中采用多种群遗传算法,以希望提高计算的效率和结果的可靠性.利用该算法进行膜系优化设计,并与一般遗传算法比较,计算结果表明,多种群遗传算法能够显著提高膜系设计中计算的效率和可靠性,有利于膜系自动设计的进行.最后,利用该方法设计了一种紫外区短通滤光片,取得了良好的设计结果.     

自适应策略在实数编码遗传算法中的应用研究

为解决简单遗传算法收敛速度慢以及局部收敛问题,在研究自适应策略的基础上,提出了一种基于实数编码,综合精英保留策略、2/4竞争选择策略和自适应策略的改进遗传算法.该改进算法将自适应策略及其在遗传算法中的应用方法做了改进,仿真实验证明,该算法可以提高收敛速度,有效实现全局最优化.     

最优子种群实数编码的遗传算法

提出了最优子种群实数编码遗传算法理论,通过从种群中选出适应值最高的若干数量的个体,组成该代最优子种群,将最优子种群中的个体与种群中其他个体进行交叉变异,最优子种群中的个体间也进行交叉变异,从而产生新的种群。该遗传算法使得遗传过程中落入局部最优解几乎不可能,对于多极值问题也非常有效,收敛速度也非常快。     

基于实数编码遗传算法的稀布阵列综合

针对有孔径和阵元总数约束的线性阵列,提出了一种基于实数编码遗传算法的稀布阵列综合方法。算法中每条染色体基因主要由阵元间距和激励幅度共同组成,采用双变量组合优化的方式为阵列性能优化提供了更多的自由度。采用十进制实数量化编码的方式,省去了二进制编码过程中的解码运算,使算法程序更为简洁,效率更高。以降低阵列方向图的峰值旁瓣电平为目标函数,运用提出的改进遗传算法针对几种不同的线性阵列进行优化仿真,在同等约束条件下将该算法与其他改进遗传算法进行了优化对比,结果表明该算法表现更为出色。     

一种基于实数编码遗传算法的常模盲均衡

盲均衡可以看作代价函数优化问题。为了改进经典常模算法的性能,研究了利用实数编码遗传算法的常模盲均衡,把均衡器系数向量作为遗传算法的决策变量,采用轮盘赌选择和精英保留策略相结合的混合选择算子、算术交叉算子和非均匀变异方式,经过一系列的遗传操作,搜索到适应度值最高的个体,即均衡器的最优系数。计算机仿真结果证明了算法具有收敛速率快、能够搜索到全局最优解等特点。     

基于实数编码遗传算法的版画艺术设计方法研究

在艺术领域中,计算机图形处理技术的运用成为新的艺术创作手段和表现形式。为探讨遗传算法在艺术作品设计领域的应用,以便进行智能化的计算机辅助,提出通过实数编码遗传算法来实现版画艺术的数字化设计。首先,对版画的艺术设计过程和数码版画制作流程进行分析;然后,通过对版画图案的分析和概括,抽象出构成版画所需的纹样,利用实数编码遗传算法的交叉、变异操作生成丰富的纹样基因库;最后,以用户满意度为需求确定适应度函数并设计数码版画纹样组装方案流程。算法仿真结果验证了提出方法的可行性和有效性。     

多层介质光学膜系的二阶膜厚误差因子分析

本文推导了多层介质光膜系的二阶膜相对误差因子表达式，以λ０／４高反射多层介质膜系为例对一阶和二阶误差因子进行了数值分析，比较了两者在不同波长区域对膜系光谱性能的影响，发现不应仅考虑一阶误差因子，而应同时考虑一阶和二阶误差因子的作用，才能较好地描述膜厚误差对膜系光谱性能的影响。     

基于多目标遗传算法的光学薄膜优化设计

目前光学薄膜设计大多为单目标寻优设计,难以满足一些复杂光学薄膜的需求。构建出光学薄膜的多目标优化膜系,设计一种新型、高效的多目标遗传算法(DMOGA)用于模型的求解。该算法使用基于支配关系的选择策略、基于动态聚集距离削减非支配解集规模、动态调整算法运行参数等策略使得DMOGA不仅容易实现,而且能得到较好分布性和逼近性的解。将DMOGA应用于光学薄膜的优化设计实例中,取得良好的效果,表明了多目标优化在光学薄膜设计中的有效性以及应用前景。     

基于实数编码遗传算法的多波束天线优化设计

为了在服务区内获得良好的多波束性能,提出了一种新的单口径单馈源多波束天线设计方法。通过采用对反射面进行赋形的方法来解决传统单口径单馈源多波束中交叠增益与旁瓣电平之间的矛盾。在对反射面优化的过程中将反射面的形变量作为优化变量,然后利用实数编码遗传算法对其进行优化从而实现更高的增益和载干比(C/ I)性能。最终利用该算法对一个服务区为某区域的多波束天线进行了优化设计和分析,仿真结果说明了该优化方法的有效性。     

基于均匀设计的多目标自适应遗传算法及应用

提出一种多目标遗传算法,将均匀设计技术应用于适应度函数合成和交叉算子构造,以提高遗传算法的空间搜索均匀性、子代质量和运算效率.分析和实验结果表明,该方法可缩短算法运行时间和得到分布较均匀的Pareto有效解集;配合基于元件标称值的网表级高效编码方案和考虑基因位差异的遗传概率调整策略,可实现模拟电路自动设计,通过单次运行即获得对应不同偏好的多种实用化设计结果.     

基于自适应遗传算法的稀布阵天线优化

稀布阵能够以较少的天线单元,通过稀布的方式和先进的处理算法获得与传统等间距阵相当的孔径效能,降低了系统的硬件成本,具有灵活布置的优点、重要的研究意义和应用价值。稀布阵与同口径满布阵相比副瓣电平较高。文中提出了一种基于自适应遗传算法的稀布阵列综合优化方法。该算法采用实值编码方式,引入自适应遗传算子,有效提高了优化效率,避免陷入个体早熟及局部收敛,得到了更低的副瓣电平。给出了具体实现步骤以及仿真实例,结果表明,采用自适应遗传算法,得到了更低的稀布阵天线副瓣电平。     

基于改进自适应遗传算法的MIMO 雷达阵列优化

针对传统遗传算法在全局搜索和收敛方面的不足,提出一种改进自适应遗传算法.算法改进了自适应规则,采用随迭代次数和种群适应度自适应变化的交叉、变异操作,同时采用新的选择算子和改进后的最优精英保留策略,摒弃了传统轮盘赌博选择法,增加了收敛于全局最优解的概率,加快了收敛速度.通过测试函数优化求解试验证明,改进算法能够有效提高搜索过程种群的多样性,具有更快的收敛性和更好的全局最优性.在此基础上,将改进的自适应遗传算法应用到MIMO雷达阵列优化设计,通过稀疏栅格编码,采用同时考虑副瓣电平与波束宽度的双适应函数,使优化得到的MIMO雷达方向图具有更好的综合性能,更利于实际工程应用.最后仿真实验结果进一步验证了本文改进算法的有效性.     

基于正交设计的元胞多目标遗传算法

元胞多目标遗传算法在求解两目标优化问题时是比较高效的.但是,初步实验显示其在求解三目标优化问题(例如DTLZ系列)时,表现不是十分令人满意.为了进一步提高算法的性能,引入了正交设计的思想,提出了基于正交设计的多目标元胞遗传算法.在改进算法的迭代过程中,先对父代个体进行分段,之后按照正交表来对这些片段进行重新组合产生多个子代个体,然后从这些子代个体中找出适应度较优的进入下一代种群.实验结果表明,引入正交设计思想能够提高算法性能,与其他优秀算法进行比较的结果说明,改进算法求解三目标问题(DTLZ系列)也是具有竞争力的.     

自适应遗传算法在DOA搜索中的应用

由于DOA参数估计中的搜索算法无法满足实时性的要求,本文提出在空间谱估计中使用遗传算法来提高搜索速度。鉴于传统遗传算法存在收敛速度慢和早熟的问题,本文选用自适应遗传算法。文中对遗传过程中初始群体选取、选择、交叉和变异的各阶段进行了改进,并解决了收敛速度慢和早熟的问题。最后通过计算机仿真进一步证明算法的有效性和鲁棒性。     

DOA and Power Estimation Using Genetic Algorithm and Fuzzy Discrete Particle Swarm Optimization

Aiming to reduce the computational costs and converge to global optimum, a novel method is proposed to solve the optimization of a cost function in the estimation of direction of arrival (DOA). In this method, genetic algorithm (GA) and fuzzy discrete particle swarm optimization (FDPSO) are applied to optimize the direction of arrival and power parameters of the mode simultaneously. Firstly, the GA algorithm is applied to make the solution fall into the global searching. Secondly, the FDPSO method is utilized to narrow down the search field. In FDPSO, chaotic factor and crossover method are added to speed up the convergence. This approach has been demonstrated through some computational simulations. It is shown that the proposed algorithm can estimate both the DOA and the powers accurately. It is more efficient than some present methods, such as Newton-like algorithm, Akaike information critical (AIC), particle swarm optimization (PSO), and genetic algorithm with particle swarm optimization (GA-PSO).     

基于自适应遗传算法的模拟电路自动设计方法

针对电路进化设计的速度和规模瓶颈,提出并讨论一种新的自适应遗传算法,其特点包括:支持结构自动生成和元件参数标准化的编解码方案,兼顾功能设计和结构化简要求的多目标适应度评估,考虑基因位影响力并跟踪进化进程的遗传参数调整策略等.实验证明,该方法可自动生成电路结构、优化元件参数和化简电路,并显著地减小运算量和提高优化程度.     

DOA and Power Estimation Using Genetic Algorithm and Fuzzy Discrete Particle Swarm Optimization

Aiming to reduce the computational costs and converge to global optimum, a novel method is proposed to solve the optimization of a cost function in the estimation of direction of arrival(DOA). In this method, a genetic algorithm(GA) and fuzzy discrete particle swarm optimization(FDPSO) are applied to optimize the direction of arrival and power parameters of the mode simultaneously. Firstly, the GA algorithm is applied to make the solution fall into the global searching. Secondly, the FDPSO method is utilized to narrow down the search field. In FDPSO, a chaotic factor and a crossover method are added to speed up the convergence. This approach has been demonstrated through some computational simulations. It is shown that the proposed algorithm can estimate both the DOA and the powers accurately. It is more efficient than some present methods, such as the Newton-like algorithm, Akaike information critical(AIC), particle swarm optimization(PSO), and genetic algorithm with particle swarm optimization(GA-PSO).