基于多目标遗传算法的工程资源优化配置

为了使工程资源能够在工程应用中最大程度的优化配置, 利用遗传算法模拟自然进化过程求得最优解的特点, 对遗传算法和多目标优化问题的理论基础和模式定理的进行了分析, 讨论了遗传算法在解决多目标优化工程资源问题过程中的优势, 最后将多目标遗传算法应用于具体工程资源配置实例予以实现. 仿真优化结果表明: 遗传算法在工程资源优化配置过程中更具有先进性, 可靠性和优化性.     

基于遗传算法的高速列车ATO追溯目标曲线优化

对于高速列车在运行过程中因为运行环境造成能耗、舒适、准时和准确停车等指标的不同,运用遗传算法对列车运行的节能性曲线和多目标运行曲线优化,结合列车牵引计算方程和选定的线路约束条件仿真得到列车ATO所要追溯的目标曲线。结果表明：通过遗传算法优化工况转换点使得列车运行中的惰行比例增加,可以实现列车节能运行,与节能性目标相比,多目标可以较好地保证列车运行中的舒适性,准时性和准确停车等关键性指标。     

基于改进混沌优化的多目标遗传算法

针对多目标遗传算法存在的缺陷,提出了基于改进混沌优化的多目标遗传算法．引入基于改Tent映射的自适应变尺度混沌优化方法细化搜索空间和高效寻优,结合非支配排序的群体分级机制和精英保留等多目标优化策略,保持种群多样性的同时保证了进化向Pareto优解集的方向进行．多目标测试函数的数值仿真和电力系统无功优化的算例分析表明了该算法的有效性和可行性．     

催化裂化分馏塔多目标遗传算法优化

建立了催化裂化分馏塔多目标优化函数,并通过遗传算法对其求解,结果表明在某一组操作参数下生产,可以保证分馏塔重石脑油流量和轻柴油流量同时最优,此时多目标综合评价优化函数的适应度值为193．41,对应解下重石脑油流量Q1和轻柴油流量Q2分别为294．771（t／h）和92．053（t／h）,均高于未进行优化的历史操作最高流量值Q1=225．177（L／h）和Q2=53．700（t／h）,实现了分馏塔的多目标优化。     

基于数据仓库的多目标优化遗传算法

基于数据仓库的多目标优化遗传算法为解决多目标优化问题提供了有效的途径。其基本思想是：为求Pareto最优解的多目标优化遗传算法建立一个数据仓库，将进化过程中所产生的每一代Pareto最优解放入数据仓库中，在每一代先对数据仓库中的所有个体进行求Pareto最优解运算，淘汰掉劣解，再进行个体间的欧氏距离运算，将小于指定值的其中一个个体作为劣解处理。大量的计算机仿真计算表明，这种算法不仅能够有效地避免交叉或变异操作对Pareto最优解产生的破坏。而且进化速度极快，算法稳定，一般只需20-40代的运算．即可得到分布广泛的Pareto最优解。     

基于多目标遗传算法的多播服务质量路由优化

互联网不断增长的多媒体应用引发人们研究如何满足这些应用的服务质量(QoS)约束,并导致提出了一些基于服务质量的体系结构．目前网络中多主机之间的多播通信一般需要严格的多个QoS保证．首先将满足不同约束的多播路由选择过程转化为一个多目标优化问题,然后使用一种基于多目标遗传算法的新型多播树计算方法,同时优化时延、丢包率和带宽利用率等不同的参数．实验结果表明,该方法能在有限进化代数内产生一组有效的非劣多播路由解,结合多目标优化的遗传算法克服了单目标路由优化的缺陷．     

基于数据仓库的多目标优化遗传算法

基于数据仓库的多目标优化遗传算法为解决多目标优化问题提供了有效的途径。其基本思想是:为求Pareto最优解的多目标优化遗传算法建立一个数据仓库,将进化过程中所产生的每一代Pareto最优解放入数据仓库中,在每一代先对数据仓库中的所有个体进行求Pareto最优解运算,淘汰掉劣解,再进行个体间的欧氏距离运算,将小于指定值的其中一个个体作为劣解处理。大量的计算机仿真计算表明,这种算法不仅能够有效地避免交叉或变异操作对Pareto最优解产生的破坏,而且进化速度极快,算法稳定,一般只需20￣40代的运算,即可得到分布广泛的Pareto最优解。     

基于聚类的快速多目标遗传算法

多目标遗传算法非常适合于求解多目标优化问题．讨论了进化个体之间的支配关系及有关性质,论证了可以用快速排序的方法对进化群体中的个体进行分类,同时探讨了用聚类方法来保持群体的多样性,具体讨论了基于层次凝聚距离的聚类,在此基础上提出了用分类和聚类的方法构造新的进化群体．理论分析与实验结果表明,所讨论的方法比较国际上已有的方法具有更快的收敛速度．     

蚁群遗传算法的多目标优化

为了求解带有约束条件的多目标函数优化问题,提出基于连续空间优化的多目标蚁群遗传算法。针对多目标优化问题的特点,定义连续空间中利用信息量指导遗传搜索策略和信息更新方法,将信息量指导遗传搜索、优秀决策引入、决策集更新、改变算法终止条件等方式相结合,有效地加速了搜索的收敛速度,控制了Pareto最优决策集的数量,扩大了决策的分布范围,维持了决策的多样性。数值实验说明该算法能够快速找到一组分布广泛的Pareto最优决策。     

基于环境迁移的解多目标优化的遗传算法

本文借助模拟物种通过环境间的迁移来适应各种自然环境这一生态现象，提出了解决多目标优化问题的一种新思路;基于环境迁移模型的遗传算法，并且通过一个数值优化实例验证了该算法的可行性，与经典的多目标优化算法相比，有其优越性．     

基于分层学习黄金正弦-鲸鱼算法的列车速度多目标优化

针对列车自动运行系统(ATO)运行时受停车能耗性,舒适性等问题的约束,提出一种基于分层学习黄金正弦-鲸鱼优化算法的列车自动驾驶速度曲线优化方法;根据列车运行的优化目标和约束条件,建立列车的多目标优化模型,并对列车运行策略进行了分析.对算法的种群框架结构进行细分,将种群划分为三层,根据不同阶层的个体采用不同的优化策略,对...     

遗传算法在列车运行控制模型中的应用

针对轨道交通列车节约能耗、节省时间和提高舒适度等因素之间的冲突问题,建立了以工况转换点为求解目标的多约束条件下列车运行优化控制模型,并提出了弯道优行法的列车通行原则,优化了弯道运行策略.对模型进行分析,应用遗传算法对该问题进行求解,最后采用MATLAB软件进行仿真验证.仿真结果表明,该模型方法能够有效的优化列车运行模式,在运行时间只延长11.96%的情况下,能耗降低了33.27%,并保证了乘客的舒适度,最终得到了比较理想的运行策略.     

基于改进遗传算法的列车运行曲线优化

传统遗传算法很早就在列车运行优化研究中得到了应用,但是由于种群中染色体进化方向的不确定性和局部搜索能力不足,导致收敛速度缓慢和求解质量低下。针对以上问题,本文提出一种改进型遗传算法,对列车运行曲线的生成进行研究。以列车运行能耗最小为优化目标,将行车安全、准点和精确停车等约束条件转化为惩罚函数,同时以工况序列为遗传个体进行求解,为加快种群收敛速度和提高解的质量,设计包含准点调整和局部搜索的种群进化方向引导机制。仿真结果表明,改进后的算法适用于多约束的列车运行优化问题,有效提升了收敛速度,优化结果相比于简单遗传算法和自适应遗传算法更加节能。     

基于灰色遗传的高速列车速度控制器模型研究

速度控制器是列车自动驾驶系统(ATO)的核心,针对目前尚无研发成熟的速度控制器应用于高速列车的情况,引入灰色系统理论研究高速列车速度控制器模型;在灰色遗传预测模块中,对影响模型精度的λ值提出了基于遗传算法的求解方法,根据列车运行的4个目标设计其适应度函数,并加入先验知识判定对约束条件进行处理,同时建立新陈代谢GM(1,1)模型,在列车运行过程中不断求解新的模型参数a和b,实现模型在线校正,使系统可以进行长期预测;在灰色决策模块中,将高速列车的工况及运行目标转化为决策要素,应用灰靶决策产生最优策略控制列车运行;仿真结果显示了该模型应用于列车自动控速时的有效性和实时性,并使各项运行指标都有所提高。     

基于遗传算法的压气机叶片的多目标三维优化

为了提高轴流压气机的效率,需要研究一种新的高性能的转子叶片.采用人工神经网络与遗传算法寻优相结合的方法对某单级轴流压气机亚音速叶片进行三维叶片型线优化设计.优化目标是尽可能的提高转子叶片的总压比、流量和等熵效率.优化仿真结果显示,流动分离区明显后移,损失显著降低,等熵效率提高了0.48%,同时总压比和流量也都得到了提高,优化叶片的气动性能较原型叶片明显提高.结果表明,优化方法能很好的完成亚音速叶片的优化设计,是获得低损失高效率性能的叶片的有效途径.     

几种基于多目标遗传算法的QoS组播路由优化算法

提出基于多目标遗传算法的QoS组播路由优化算法,在遗传进化过程中分别使用三种方法：随机权重方法随机生成权重,使算法具有可变搜索方向,沿Pareto前沿面均匀采样,增加算法成功率;Pareto排序方法合理分配适应值,使Pareto解具有相同的适应值,并能调整选择压力;Pareto竞争方法通过适应值共享维持种群多样性,提高遗传算法的性能。实验仿真在不同网络规模下研究算法的遗传进化过程、成功率、收敛速度和可扩展性,并与相关算法进行比较与分析,证明本文提出的算法是可行的、有效的。     

求解多目标优化问题的新遗传算法

给出了求解多目标优化问题的一种新解法。定义了多目标优化问题的非劣方向,设计了方向杂交算子和简单的变异算子。标准算例的计算机仿真结果表明,新算法可以快速地找到一组范围广、分布均匀且数量充足的Pareto最优解。     

基于蚁群算法的多目标优化

提出2种结合颜色矢量的谱匹配算法。一种算法是从空间矢量关系的角度提取不受光源影响的图像颜色特征,结合图像特征点的几何特征,为待匹配的2幅图像分别构造亲近矩阵,通过对亲近矩阵进行奇异值分解构造一个反映特征点之间匹配程度的关系矩阵,从而获得匹配结果。另一种是将得到的匹配结果作为初始概率,通过双随机矩阵计算谱匹配概率矩阵,获得匹配的最终解。实验结果表明, 2种算法都具有较高的匹配精度。     

基于Pareto的多目标优化免疫算法

免疫算法具有搜索效率高、避免过早收敛、群体优化、保持个体多样性等优点。将其应用于多目标优化问题,建立了一种新型的基于Pareto的多目标优化免疫算法(MOIA)。算法中,将优化问题的可行解对应抗体,优化问题的目标函数对应抗原,Pareto最优解被保存在记忆细胞集中,并利用有别于聚类的邻近排挤算法对其进行不断更新,进而获得分布均匀的Pareto最优解。文章最后,对MOIA算法与文献[3]中SPEA算法进行仿真,通过比较两者的收敛性和分布性,得到了MOIA优于SPEA的结论。     

基于蚁群算法的多目标优化

针对多目标优化问题,提出一种用于求解多目标优化问题的蚁群算法。该算法定义连续空间内求解多目标优化问题的蚁群算法的信息素更新方式,根据信息素的概率转移和随机选择转移策略指导蚂蚁进行搜索,保证获得的Pareto前沿的均匀性以及Pareto解集的多样性。对算法的收敛性进行分析,利用2个测试函数验证算法的有效性。