基于改进遗传算法的自由曲面测量路径优化

为提高三坐标测量机对自由加工曲面的测点检测效率,针对传统遗传算法收敛速度慢且易陷入局部最优解的问题,引入自适应调节机制,从种群个体的适应度分布情况与个体适应度值两个方面实现交叉与变异概率的自适应参数调节,提高了算法效率,降低了早熟概率;采用贪婪交叉算子与贪婪倒位变异算子,加快了算法的收敛速度。实验结果表明,改进的遗传算法能够更高效且优质地完成自由曲面测量路径优化。     

基于改进遗传算法的车间调度问题研究

车间调度将直接影响企业的制造成本、交货日期和生产效率等,对其生产调度研究具有重要意义。首先,利用改进遗传算法建立以最小化最大生产周期为目标的适应度函数;其次,通过染色体编码计算每个个体的适应度函数,将每一代中最优个体保留下来直接遗传给下一代,其余个体根据适应度函数进行选择,保证最优个体不会丢失以及种群的多样性特征,同时利用两点交叉和逆转变异概率解决作业车间调度问题;最后,通过仿真结果表明了改进遗传算法解决这类车间调度问题的高效性和可行性。     

基于云编码算法的图像增强研究

针对图像增强的特点,采用云编码算法对策。不定长的自然数编码机制和基于顺序云滴个体的适应度函数搜索云滴最优解;采用赌轮选择法产生新一代云滴,用自适应的交叉概率求解相对某个解的最佳交叉概率,在保持云群体多样性的同时,保证算法的收敛;通过整体目标函数淘汰适应度小的个体。实验仿真显示云编码算法对图像增强效果最好,处理时间少,信噪比大。     

具有自适应交叉算子的遗传算法及其应用

简单遗传算法采用常数交叉概率和随机选择交叉点的方式进行交叉操作，这种操作方式带有一定盲目性和随机性，无法保证子代个体一定优于父代个体。为此提出了一个新的自适应交叉算子，依据每代个体的适应值函数来调整交叉位置和交叉概率，使杂交沿着有利于算法收敛的方向进行．为了验证这种自适应交叉算子的有效性和合理性，对一个二维多峰函数的极大值搜索问题，进行了求解．并将新算法进一步应用于离心叶轮的形状优化问题，结果表明具有自适应交叉算子的遗传算法在收敛速度和获得全局最优解的概率两方面都有很大提高。     

基于改进自适应遗传算法的柔性作业车间调度问题研究

为了克服遗传算法在解决柔性作业车间调度问题中收敛速度慢、易陷入局部最优的缺陷,根据柔性作业车间调度问题的特点,提出一种具有自适应交叉概率与变异概率的改进自适应遗传算法。将交叉概率与个体适应度值相关,将变异概率同时与个体适度值与进化代数相关,采用有效的编码、解码机制,引入精英保留策略。通过对两个基准问题进行仿真分析,验证了改进自适应遗传算法的有效性。     

基于自适应遗传算法的大型关重件车间布局优化

针对大型关重件生产车间的多行布局问题,建立了同时考虑物流费用与物流时间的多目标优化数学模型,运用了一种改进的自适应遗传算法,其交叉概率和变异概率可随群体的适应度自动改变,使算法避免陷入局部最优;加入精英保留策略,使每代中的最优个体都能够得到保留,避免交叉和变异操作遗失全局最优解。最后结合某船用曲轴车间实例,分别运用该算法和标准遗传算法对车间布局模型进行计算,通过数据和性能分析表明该算法有效的解决了遗传算法易陷入早熟及收敛速度慢的问题;优化后的车间物流费用及物流时间减少约35%,证明该方法在车间布局中的可行性和有效性。     

一种求解作业车间调度问题的改进遗传算法

针对最小化最大完工时间为优化目标的作业车间调度问题,提出了一种改进的遗传算法。设计了一种新的适应度函数来提高个体的区分度;采用轮盘赌法并结合精英保留策略来选择个体;对优先工序交叉法进行了扩展,在迭代时随机选取进行交叉操作来提高种群的多样性;采用互换法进行变异操作。然后,通过动态交叉与变异概率来提高算法的寻优能力和收敛速度,分析了动态概率调整函数的五种不同形式对算法性能的影响。最后,以Ft06基准算例验证了算法的有效性与可行性。     

改进遗传算法在移动机器人路径规划中的应用研究

针对基本遗传算法解决移动机器人路径规划问题存在收敛速度慢等不足,对遗传算法进行了改进,提出了一种改进自适应遗传算法。根据进化过程中个体适应度值的大小自动调节交叉概率和变异概率,从而使算法能够跳出局部最优解,克服早熟的缺点。同时采用栅格法对机器人工作空间进行建模。对移动机器人路径规划进行仿真实验,对比结果表明:该改进的遗传算法是有效可行的,能够有效的提高机器人路径规划的质量。     

遗传算法中适应度函数的改进术

遗传算法引导搜索的主要依据就是个体的适应度值,因此适应度函数的设计显得尤为重要。本文兼顾保持种群的多样性和算法的收敛性,提出了一种基于指数变换的、指数系数可随进化代数动态调整的非线性适应度函数。以两个典型的测试函数为例,在相同的遗传操作和参数下,分别采用本文提出的适应度函数、线性拉伸变换及一般的指数变换适应度函数进行优化计算,计算结果表明采用提出的新适应度函数能极大地提高算法的优化精度、收敛速度和收敛概率。     

基于递阶遗传算法优化神经网络的研究

基于递阶结构的遗传算法可以同时对神经网络进行拓扑结构优化和权重的求解,具有较高的学习效率。针对HGA在优化神经网络过程中的一些参数,如适应度函数、交叉概率和变异概率等做了一些研究,并且比较HGA与一般遗传算法、BP算法的区别,把HGA和BP2种算法结合起来优化神经网络,最后给出仿真实例。