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。     

基于量子遗传算法的非线性无约束优化方法

量子遗传算法(QGA)是量子计算和遗传算法相结合的产物,量子遗传算法将量子比特和量子旋转门表示引入到遗传算法中,具有比遗传算法更好的搜索效率和收敛性。非线性无约束优化是典型的工程应用问题,而复杂非线性函数的优化结果往往不能令人满意,如陷入局部最优等。利用量子遗传算法强大的搜索能力,可以很好的解决复杂非线性函数的无约束优化问题,实验表明量子遗传算法在该类问题中的有效性和可行性。     

基于遗传算法和禁忌搜索的混合优化策略

将禁忌搜索和遗传算法相结合,给出了一种求解优化问题的混合策略--禁忌遗传优化算法.该算法一方面为禁忌搜索找到了较好的初始点,减少了调用禁忌搜索的次数,另一方面也可以克服遗传算法爬山能力差的缺点,从而加快了收敛速度,提高了解的质量.通过实例验证了该优化算法的有效性和可靠性,并将其用于网络拥塞控制的研究中,为进一步实施网络拥塞控制提供了一种有效的途径.     

用于全局优化的混合正交遗传算法

为提高正交遗传算法收敛速度和搜索精度,在正交遗传算法的基础上引入局部搜索策略,提出一种新的聚类局部搜索算子。利用正交算子初始化种群,保证初始群体分布的均匀性和多样性。通过正交算子在全局范围内进行全局搜索,使算法能在全局范围内收敛。采用聚类局部搜索算子对群体进行局部搜索,以增强算法的收敛速度和搜索精度。对7个高维的Benchmark函数进行测试,仿真实验结果表明,与其他算法相比,该算法具有更好的搜索精度、收敛速度和全局寻优的能力。     

混沌优化与遗传算法的智能集成

作为智能算法,遗传算法的确是解决非线性复杂优化问题的有利工具,但它在搜索过程中易陷入局部最优、收敛速度慢的缺陷又确实限制了它的寻优效能。混沌的遍历性、随机性和内在规律性使得混沌优化能够互补地与遗传算法进行集成。基于此,该文经过遗传算法和混沌优化方法的理论机制分析,将二者进行智能集成,给出混沌遗传优化算法CGA。经过仿真迭代运算,发现该算法能够保证求得全局最优解,并且寻优速度有很大提高。     

Matlab遗传算法工具箱在非线性优化中的应用

投影寻踪是一种降维处理技术,通过它可以将多维分析问题通过投影方向转化为一维问题分析。应用该法的关键在于寻求最佳投影方向,这可以转化为一个复杂的非线性优化问题来进行解决。选取某地区大气环境质量评价的投影寻踪评价模型,编制相关的目标函数和约束函数,应用基于MATLAB的遗传算法和直接搜索工具箱进行优化求解。结果表明：该工具箱在求解此类非线性优化问题上的有效性和方便性,从而为各领域应用投影寻踪模型提供了强有力的优化工具。     

基于MATLAB的遗传算法可视化仿真系统研究

文章基于MATLAB语言,利用Simulink仿真技术,研究了面向对象的遗传算法优化可视化系统设计的原理和方法,介绍了优化可视化仿真集成界面的功能和设计,并以算例说明了优化过程可视化结果.     

一类非线性系统辨识的参数空间优化遗传算法

提出一种用于非线性系统辨识的具有较强参数空间优化能力的遗传算法,给出一种新的复合型变异算子,并设计相应的选择策略,较好解决了非线性系统辨识中的“维数灾难”问题。实验研究结果表明,该方法具有较高的精度和鲁棒性。     

基于遗传算法的混合优化策略研究

最优化问题是工程设计、科学研究、经济管理等众多领域经常遇到的一类问题。随着待解决问题范围的不断扩大以及优化算法研究的不断深入,混合优化策略已成为解决大规模、高复杂度优化问题的一种重要而有效的方法。介绍了遗传算法、贪婪法、模拟退火算法、禁忌搜索的基本原理,阐述了各种算法的优缺点;针对各单一算法存在的缺陷和不足,对三种以遗传算法为主体框架的混合优化算法进行了分析;最后,指出了混合优化算法存在的问题及今后的发展方向。     

基于遗传算法的混合优化策略研究

最优化问题是工程设计、科学研究、经济管理等众多领域经常遇到的一类问题。随着待解决问题范围的不断扩大以及优化算法研究的不断深入，混合优化策略已成为解决大规模、高复杂度优化问题的一种重要而有效的方法。介绍了遗传算法、贪婪法、模拟退火算法、禁忌搜索的基本原理，阐述了各种算法的优缺点；针对各单一算法存在的缺陷和不足．对三种以遗传算法为主体框架的混合优化算法进行了分析；最后，指出了混合优化算法存在的问题及今后的发展方向。     

一种求解全局优化问题的新混合遗传算法

把简化的二次插值法融入实数编码遗传算法,构成适于求解全局优化问题的混合遗传算法,该混合算法可以较好解决遗传算法的早熟收敛问题,提高了收敛速度,改善了解的质量,并减少了计算量.由于该混合遗传算法对目标函数的性质没有要求,适合求解大规模问题和工程实际问题.通过对23个标准测试函数的仿真实验,并和已有算法的比较,结果表明本文提出的混合遗传算法是非常有效的.     

利用改进遗传算法优化PID参数

为了改善单纯遗传算法早熟收敛与寻优能力不足的问题,将粒子群算法引入遗传算法变异操作中,提出了一种基于遗传算法与粒子群算法的组合算法。将改进的遗传算法应用于PID控制器参数优化中,通过仿真实验表明,新算法效果明显优于单纯遗传算法,能有效克服早熟收敛现象、降低随机性初始种群的影响、提高算法收敛精度,具有良好的收敛性和寻优能力。     

一种遗传算法与粒子群优化的多子群分层混合算法

针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点, 本文从种群个体组织结构上着手, 进行优势互补, 提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization, HGA–PSO). 算法采用分层结构, 底层由一系列的遗传算法子群组成, 贡献算法的全局搜索能力; 上层是由每个子群的最优个体组成的精英群, 采用钳制了初始速度的粒子群算法进行精确局部搜索. 文中分析论证了HGA–PSO算法具有全局收敛性, 并采用7个典型高维Benchmark函数进行测试, 实验结果显示该算法的优化性能显著优于其他测试算法.     

基于混合粒子群优化算法的聚类分析

针对模糊C-均值聚类算法易陷入局部最优和算法收敛速度慢等问题,提出了一种新的基于混合粒子群优化的模糊C-均值聚类算法.新算法在基本粒子群优化的模糊C-均值聚类算法的基础上结合了遗传算法的交叉、变异算子及混沌优化算法,并引入逃逸算子.仿真结果表明,该算法有效地避免了通常聚类方法易出现的早熟现象,同时也具有较快的收敛速度和较高的准确度.     

Pareto process optimization of product development project using bi-objective hybrid genetic algorithm

Overlapping and iteration between development activities are the main reasons to cause complexity in product development (PD) process. Overlapping may not only reduce duration of a project but also create rework risk, while iteration increases the project duration and cost. In order to balance the duration and cost, this article presents four types of time models from the angle of time overlapping and activities dependent relationships based on Collaboration Degree Design Structure Matrix (CD-DSM) and builds the cost model considering the negation cost. On basis of the formulated model, a hybridization of the Pareto genetic algorithm (PGA) and variable neighborhood search (VNS) algorithm is proposed to solve the bi-objective process optimization problem of PD project for reducing the project duration and cost. The VNS strategy is implemented after the genetic operation of crossover and mutation to improve the exploitation ability of the algorithm. And then, an industrial example, a LED module PD project in an optoelectronic enterprise, is provided to illustrate the utility of the proposed approach. The optimization model minimizes the project duration and cost associated with overlapping and iteration and yields a Pareto optimal solution of project activity sequence for project managers to make decision following different business purposes. The simulation results of two different problems show that the proposed approach has a good convergence and robustness.     

Gene selection using hybrid particle swarm optimization and genetic algorithm

Selecting high discriminative genes from gene expression data has become an important research. Not only can this improve the performance of cancer classification, but it can also cut down the cost of medical diagnoses when a large number of noisy, redundant genes are filtered. In this paper, a hybrid Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) method is used for gene selection, and Support Vector Machine (SVM) is adopted as the classifier. The proposed approach is tested on three benchmark gene expression datasets: Leukemia, Colon and breast cancer data. Experimental results show that the proposed method can reduce the dimensionality of the dataset, and confirm the most informative gene subset and improve classification accuracy.     

基于元胞多目标遗传算法的蜗杆优化设计

为研究蜗杆传动的多目标优化问题,提出一种自适应差分进化的元胞多目标遗传算法。该算法针对元胞遗传算法的特点,对基本的差分进化策略进行改进,得到一种参数自适应控制策略。将该算法与目前性能优异的4种多目标进化算法在三目标的基准测试函数进行对比实验,结果表明所提算法相对于其他算法具有明显的优势,能够在保证良好收敛性的同时,使获得的Pareto前端分布性更加均匀,覆盖范围更广;工程实例求解结果也表明了算法的工程可行性。     

基于模糊遗传算法的埋入式电阻热布局优化

针对标准遗传算法优化埋入式电阻热布局存在的过早收敛等问题,通过设计适应度函数、采用模糊逻辑控制器自适应调整交叉概率和变异概率,以及对长时间未进化的种群实施局部灾变等措施维持种群多样性,使算法最终收敛于全局最优解.仿真结果表明,该算法能够更好地抑制早熟收敛,算法优化布局结果的温度分布更平均,并通过热成像仪对实验样件进行温度分布测试验证了算法的有效性.     

随机仿真优化的一类遗传序优化框架

针对仿真优化问题存在随机性、计算费时、解空间巨大、多极小等难点,结合遗传算法的并行遗传搜索、最优计算量分配以及序优化的目标软化和序比较思想提出一类遗传序优化框架,进而讨论了该方法的收敛性和具体实施问题,最后指出了进一步的研究内容.     

免疫遗传算法的混合动力汽车多目标优化

以混合动力汽车传动系统参数与控制策略参数为优化变量,以最小燃油消耗和尾气排放量（CO+HC+NOx）为优化目标,以动力性能与电池荷电状态平衡作为约束条件,建立多目标优化模型,并使用权重系数法将多目标函数优化问题转化为单目标问题。提出了基于免疫遗传算法优化混合动力汽车参数的优化方法,该算法采用实数编码,通过调用ADVISOR的后台函数,建立联合优化仿真模型。仿真结果表明,该算法可有效降低车辆的燃油消耗,减少CO与HC排放量,能够较好地解决带有约束的混合动力汽车的多目标多参数优化问题,可以获得一组具有低油耗与低污染物排放的传动系统与控制策略参数,供决策者选择。