一种改进的遗传算法及其在布局优化中的应用

该文以人造卫星舱布局为背景,研究二维带平衡及不干涉等约束的圆集在圆容器内的布局优化问题,属于NP-困难问题.文章提出一种求解此类问题的改进的遗传算法,即十进制编码控制参数自适应遗传算法,从而缓解了“组合爆炸”和遗传算法的早熟收敛问题.文章给出两个算例(其中一个为作者构造的已知最优解的算例),计算结果表明了此算法的有效性,并且优于数学规划的乘子法的计算结果.此遗传可推广应用于其他布局优化问题的求解.     

一种新的遗传算法求解约束优化问题

采用十进制编码的遗传算法，在进化计算中提出用排序、保留优秀个体、智能变异和随机变异代替以前遗传算法中的选择、交叉和变异，此算法具有简单的计算原因，简化了遗传算法的编程，利用变换后的目标函数构造适配值，能较快的找到最优解，数值实验表明该算法在求解有约束优化问题上表现良好。     

人机交互的遗传算法及其在约束布局优化中的应用

复杂工程布局（如卫星舱布局）方案设计问题在理论上属带性能约束的布局优化问题（NPC问题）,很难求解,因而目前研究得尚少。为解决此类问题,该文提出了一种人机交互的遗传算法。该算法首先将人工设计的个体作为染色体群体的组成部分,然后在遗传运算中,把人工适时设计的新个体加入到染色体群体中,以代替群体中的较差个体。从而构成人机交互的遗传算法,这样可以充分发挥人和计算机各自的特长。文后通过3个算例（其中一个为作者构造的已知最优解的算例）的数值计算,验证了该算法的可行性和有效性。     

一种新型改进遗传算法在优化中的应用

以达尔文进化论为基础,提出一种新的基于实数编码的反馈式突变多算子遗传算法。实验结果表明该算法能够有效地改善标准遗传算法的性能,克服其早熟收敛的缺点,在计算过程中较好地达到全局优化的目的。     

一种改进遗传算法在生产车间设备布局中的应用

生产系统的设备布局设计是一个组合优化的问题。具有非线性,N P难等特性,常规方法较难以求解。文章通过创建生产系统设备布局的数学优化模型。引入了小生境技术,保持了种群的多样性。并且利用精英选择机制,自适应交叉和变异概率等手段,在使种群保持多样化的同时,增强了算法的全局和局部搜索能力,协调了遗传算法大范围粗糙搜索和小范围精细搜索之间的平衡,有效改善了早熟和过早收敛问题,并通过实例验证了其有效性。     

基于学习的遗传算法及其在布局中的应用

布局问题属于具有很强应用背景的组合优化问题,除其内在的NP完全的计算复杂性,布局还包括约束复杂性问题和布局物体与空间的形状复杂性问题。针对布局求解中存在的问题,该文进行了基于全局优化的布局求解方法研究。布局问题中有一类关于复杂分片光滑连续函数全局优化算法,但目前的各种遗传算法的效率和精度不能令人满意。文中从生物可以从环境中学习生存技巧、自主的趋利避害的思路出发,增加了学习算子,引用函数的局部信息,构造拟牛顿方向,令每个个体在当前状态下有目的地搜索,最有效的向局部最优点趋进。通过典型测试函数与传统遗传算法,模拟退火算法,复合形法进行比较验算,表明该算法具有优良的求解质量和较好的求解效率;并以旋转卫星舱布局的简化模型为背景,建立多目标优化数学模型,与传统遗传算法和乘子法的计算结果比较,该算法求解的质量和效率更优。该文研究表明,基于学习的遗传算法在布局优化中具有应用潜力;启发式随机搜索策略和局部优化算法相结合的求解方案是解决复杂函数优化的有效途径。     

一种改进的遗传算法在无功优化中的应用

针对电力系统无功优化问题,采用遗传算法（GA）是一种有效的全局优化概率搜索算法。为了降低系统有功损耗,保证无功电力在规定范围之内,将混沌搜索引入到标准遗传算法,提出了一种结合混沌搜索的改进遗传算法。通过混沌序列搜索产生初始种群,同时对交叉、变异、选择算子进行了改进,进一步改善了遗传算法的全局寻优能力,并有效防止了局部收敛,提高了算法的收敛速度和计算精度。对系统进行了无功优化,并进行仿真。仿真结果表明,改进的遗传算法能更精确地寻找到全局最优解,并明显加快了收敛速度,性能优于标准遗传算法。     

一种基于遗传算法的排课方法研究

排课问题是一个多约束、多目标的组合优化问题,并且已经被证明是一个NP完全问题。本文基于本校教学管理过程的实际情况,利用遗传算法对排课问题建立数学模型,设计了适应度函数,通过选择、交叉和变异等过程,进化得到最优解。实验结果表明该算法能够有效的解决本校的教务智能排课问题。     

一种新的约束优化遗传算法及其工程应用

提出一种新的用于求解约束优化问题的遗传算法,该算法利用佳点集方法初始化个体以维持种群的多样性.在进化过程中,通过可行解与不可行解算术交叉对问题的决策空间进行搜索;对可行种群与不可行种群分别采用高斯变异和柯西变异,从而协调算法的勘探和开采能力.几个标准测试问题的实验结果表明该算法的有效性;应用新算法求解两个工程优化设计问题,结果表明该算法的可行性.     

浮点数编码遗传算法及其在电站机组组合优化中的应用

对遗传算法进行浮点数编码并设计相应的遗传操作,得到浮点数编码的遗传算法ＦＧＡ。仿真实例表明：与ＡＧＡ相比,ＦＧＡ不易陷入局部极值,收敛速度快,且能得到较高的优化精度。ＦＧＡ应用到电站机组组合优化问题中,得到良好的结果。     

并行混合遗传算法及其在布局设计中的应用

布局问题在理沦上属于NPC问题，在工程实践上具有广泛的应用。为较好地求解该问题，该文以并行遗传算法（PGA）为基础，针对其早熟和收敛速度慢两大缺陷加以改进，给出了一种并行混合遗传算法(PHGA)．PHGA采用该文提出的压力插他排序选择算子，起到了双重作用：一是在进化初期可以防止早熟；二是在进化后期有利于加快算法的收敛。算法利用混沌初始化可提高初始群体的质量，并依自适应交叉和变异概率值对子群体进行分类，与Powell法混合可以很好地改善算法的局部搜索性能。文中通过标准函数优化和布局设计的算例验证了该算法的可行性和有效性。     

自收缩性的演化算法及其在布局优化问题中的应用

布局优化问题是现代工程应用中广泛存在的一类组合优化问题,但在理论上它却属于NPC(NP-Complete)问题,如果需考虑性能约束,则问题将更难于求解。论文基于演化算法自适应,自组织,自学习的特性,针对布局优化问题自身的特点,提出了一种自收缩性的演化算法(SCEA)。该算法采用浮点编码方式,定义了二元实向量类型的适应值及适应值间的严格偏序关系。算法借鉴日常生活中的一个简单事实—振动容器则装物更多,引入了三类自适应性的收缩算子(其中第三类特别适用于带性能约束的布局优化问题)。此外,文中使用了对带约束的函数优化问题特别有效的多父体杂交算子,并且针对带性能约束的布局优化问题,提出了“零性能约束初始化”过程。文后,引用了两个带性能约束的布局优化问题的已知例子和一个作者构造的较大规模布局优化问题的例子,实验结果表明,前两个问题对比目前已知最好结果无论在求解时间或结果的精度上均有较大突破,后一个问题也获得了相当好的结果,从而充分验证了算法的有效性和可行性。     

一种改进的遗传算法及其在函数优化中的应用

针对基本遗传算法容易出现早熟早敛,本文提出了一种改进的遗传算法.这种算法主要是通过在进化过程中不断加入一些新鲜的个体来增强群体的多样性,在进化初期采用较大交叉和变异概率,在进化后期采用较小交叉和变异概率以及改进交叉算子来达到抑制早熟现象的发生.     

一类约束优化问题的改进遗传算法

遗传算法是一种解决非线性无约束优化问题的搜索算法，对于约束优化问题通常采用罚函数法；所提出了的改进算法很好地解决了一类带有凸约束的非红性优化问题。数值结果说明该方法效果较好。     

并行遗传算法收敛性分析及优化运算

经典遗传算法（Canonical Genetic Algorihms)利用单一种群对种群个体进行交叉、变异和选择操作，在进行过程中的超级个体易产生过早收敛现象，粗粒度并行遗传算法利用多个子群进行进化计算，各子群体分别独立进行遗传操作，相互交换最优个体后继续进化。文证明了该算法的搜索过程是一个有限时齐遍历马尔柯夫链，给出粗粒度并行遗传算法全局最优收敛性证明。对于旅行商问题TSP（Traveling Salesman Problem)利用粗粒度并行遗传算法进行了求解，以解决经典遗传算法的收敛到局部最优值问题。仿真结果表明，算法的收敛性能优于经典遗传算法。     

基于改进遗传算法寻优的神经网络PID控制及应用

根据神经网络PID控制器初值的选取影响系统控制性能的特点,提出了一种基于改进遗传算法寻优的神经网络PID控制方法.即先利用遗传算法对PID控制器参数离线寻优,将求出的参数值作为控制器的比例、积分、微分系数的初值,再进行神经网络PID控制.对一类液位过程的实时控制结果表明采用本方法的控制系统具有较好的稳定性和鲁棒性.     

混合正交遗传算法及其在函数优化上的应用

在分析和研究正交遗传算法的基础之上,依据混合优化策略及混合遗传算法的构造原则,通过对自适应正交局部搜索算子的改进提出了一种新的变异算子。该算子具备自适应全局搜索和局部搜索的能力,能够保证算法的变异概率取值为1.0时,算法的搜索效率最高;结合正交交叉算子之后,又能保证算法的交叉概率也取值为1.0时,算法的搜索效率最高;由此解决了交叉概率和变异概率参数的匹配问题。而使用的截断选择和负相关配对、最优交叉策略、精英选择和重复个体剔除策略等组合算子,一方面能够保证算法的收敛速度;另一方面也能有效地保持种群的多样性,这样在保证算法快速收敛的同时避免出现早熟现象;由此解决了＂全局最优＂和＂快速收敛＂的矛盾。因此,提出的改进型新算法在处理一些常用的测试函数上具有较高的效率。     

改进量子遗传算法在多峰值函数寻优中的应用

针对标准量子遗传算法(QGA)在寻找多峰值最优时存在局部寻优能力较差和易早熟的缺陷,提出一种改进量子遗传算法(QQGA),运用基于概率划分的小生境协同进化策略初始化量子种群,并采用动态量子旋转角调整策略来加快收敛速度;加入量子移民和保优选择策略,提高规划效率,避免陷入局部最优。利用复杂二元函数测试改进量子遗传算法,结果比标准量子遗传算法效率高。