基于遗传算法的统一混沌系统的同步研究

混沌同步是当代非线性与控制学科中的一个热点问题.统一混沌系统为研究对象,将遗传算法和反馈同步法相结合,在同步混沌的过程中,针对反馈同步法在整定反馈增益矩阵时存在的困难,利用遗传算法对反馈增益矩阵进行动态地调整优化.还通过遗传算法使响应系统中的参数收敛于驱动系统中的未知参数.数值仿真实验表明,在驱动系统参数未知的情况下,响应系统能在短时间内或仅通过单个反馈增益变量实施反馈实现与驱动系统的同步,且其参数也能收敛于驱动系统中的未知参数.从而说明,文中所述方法的有效性.     

遗传算法在丁二酸发酵动力学模型中的应用

丁二酸是一种重要的化工原料,应用领域广泛。现阶段有关丁二酸发酵的研究重点集中在菌种选育和发酵工艺改良,而丁二酸发酵过程的模型化研究可以为工艺放大提供必要的基础数据。在对文献中已有的丁二酸发酵过程动力学模型做进一步探讨的基础上,对模型的结构做适当调整,并将遗传算法应用于该动力学模型的参数优化。结果表明,遗传算法能进一步提高模型计算值与丁二酸发酵实验测量值的吻合程度,可以有效地解决发酵动力学模型这类复杂的非线性函数的参数优化问题,优于单纯形法。遗传算法进行参数优化得到的动力学模型能较好地模拟丁二酸发酵过程。     

基于遗传算法的选煤工艺参数优化

对选煤生产过程优化目标进行了分析,采用以经济效益为目标,建立了优化工艺参数与优化目标间的关系模型,该模型是非线性的。选煤生产过程工艺参数优化就是指在市场需求、资源配置,生产能力等条件下,选择最合适的分选密度和分选灰分,获得最大经济效益。遗传算法利用生物进化机制,在一个较大的初始解空间中,通过优胜劣汰的方法进行优化求解,和其他优化方法相比不仅寻优能力强而且计算速度快。基于遗传算法对选煤生产过程工艺参数进行了优化操作,根据具体情况,采用特定的遗传操作。仿真结果表明,优化后的工艺参数能获得最大的经济效益。     

基于能效优化的仿人机器人跑步步态优化与控制

针对高能耗导致的仿人机器人难以大规模实用化的问题,提出了一种新的仿人机器人参数化跑步步态优化方法。分析了不同跑步步态参数对仿人机器人水平、垂直方向的稳定性及能耗的影响,将机器人步态优化问题转化为对步态参数的多目标寻优问题,根据连杆模型得到机器人跑步过程中水平、垂直方向的稳定裕度及能耗表达式,并构造目标函数,采用基于对位学习的遗传算法对机器人参数化跑步步态进行多目标寻优,在保证机器人俯仰、翻滚和偏摆各方向力矩平衡的前提下降低整体能量消耗;针对传统遗传算法早熟及收敛速度慢的问题,提出基于领域知识的精细化初始成员策略,采取生成种群成员对位点的方式更新种群,以加快收敛速度;为提高轨迹跟踪性能,设计了自适应控制器,并给出了稳定性证明。仿真实验表明:该方法能有效降低能耗并保证其稳定性。     

遗传算法在混沌时间序列预测中的应用研究*

在混沌时间序列研究中,相空间重构和预测模型参数优化是影响预测性能的关键步骤,利用两者之间的相互联系来提高混沌时间序列预测模型的整体性能,提出一种基于遗传算法的混沌时间序列参数同步优化方法。同步优化方法将相空间重构和最小二乘支持向量机参数作为遗传算法的染色体,预测精度作为遗传算法的适应度函数值,通过遗传算法对参数同步优化问题进行求解。通过混沌时间数据对同步优化方法进行了验证性实验。实验结果表明,相对于单独参数优化方法,同步优化方法不仅提高了混沌时间序列的预测精度,同时降低了计算时间的复杂度。     

混合自适应遗传算法优化多目标染色配方模型

从提高染色产品质量和效益的角度出发,综合考虑如染料浓度、温度、时间和助剂浓度等因素影响,构建了多目标染色工艺配方优化模型。针对传统遗传算法普遍存在的问题和缺陷,提出基于正交试验设计、自适应交叉操作及局部搜索等技术进行算法改进,并利用改进后的算法获得配方模型最优解的解决方法:。实践结果:证明,混合自适应遗传算法使种群更具有代表性和全面性,最大程度的继承了父代的优良特性,改善了算法的早熟现象并增强其寻优性能。最终以较少的计算量和较高的收敛速度对全局进行快速的搜索,比传统遗传算法得到的优化目标值降低了l0.8%左右。该方法:可推广应用于其他复杂过程的优化求解问题中。     

基于免疫遗传算法优化的模糊控制方法及其应用

在模糊控制器的设计过程中,为了使模糊控制器的性能达到全局优化,应用免疫遗传算法对模糊控制器参数进行优化设计;在综合考虑各种参数对控制器性能影响的基础上,给出了一种全面优化隶属度函数、比例因子和量化因子的优化方法;利用了免疫算法能保持个体的多样性和能对学习过程进行引导的特点,对模糊控制器的多个参数同时进行优化,从而显著提高了系统的收敛性、稳定性。应用该方法对数控铣削加工过程的模糊控制器的设计进行了仿真,并与其他方法进行比较和控制实例的验证,表明了该基于免疫遗传算法优化的模糊器能获得更优良的控制性能。     

遗传算法的多参数自适应随机共振低浓度气体检测

传统的随机共振多以单个或某两个参数为优化对象,忽略了多个参数之间的协同关系。针对这一问题,将遗传算法引入到随机共振中,提出一种多参数同步优化的自适应随机共振,并将其应用于低浓度气体检测中。该方法以输出信噪比为适应度函数,利用遗传算法对系统的多个参数进行并行优化,获得最优随机共振系统, 基于仿真数据和低浓度氨气检测实验验证了该方法的有效性。实验结果表明,该方法共振现象更明显,并且通过回归分析发现信噪比的最大值与气体浓度之间存在近似线性关系,利用信噪比的最大值可以估计气体浓度。     

遗传算法与神经网络模型的结合

本文将遗传算法升到对神经网络权重的优化，不必对B－P网络的参数进行调试，降低了其学习过程的计算量，也避免原算法陷入局部最优的可能性。得到参数影响遗传优化效果的规律，而且遗传算法在本问题中具有很强的鲁棒性。     

考虑强度和疲劳寿命影响的层合复合材料结构优化分析

工程应用中对复合材料轻量化的要求在不断提高,为了能够在满足工程应用对材料强度和疲劳寿命要求的同时,达到减轻结构质量的目的,研究了强度和疲劳寿命影响下的复合材料层合结构优化方法,并在此基础上提出了一种基于参数化有限元技术和改进遗传算法的复合材料层合结构优化方法。根据复合材料层合结构铺层参数属于离散型变量的特点,将遗传算法编码改为联合整数编码,并且为了能快速准确求出最优解,提出了精英保留策略、交叉和变异自适应度策略。最后,基于Visual Studio和ANSYS进行联合仿真,对所提出的方法进行验证,仿真结果表明,优化后的复合材料层合结构不仅能够满足强度和疲劳寿命的约束条件,并且其质量减少到初始质量的56.2%,优化效果明显,这表明所提出的基于参数化有限元技术和改进遗传算法的复合材料层合结构优化方法是可行的。     

Interweaving genetic programming and genetic algorithm for structural and parametric optimization in adaptive platform product customization

An adaptive product platform offers high customizability for generating feasible product variants for customer requirements. Customization takes place not only to product platform structure but also to its relevant parameters. Structural and parametric optimization processes are interwoven with each other to achieve the total optimality. This paper presents an evolutionary method dealing with interwoven structural and parametric optimization of adaptive platform product customization. The method combines genetic programming and genetic algorithm for handling structural and parametric optimization, respectively. Efficient genetic representation and operation schemes are carefully adapted. While designing these schemes, features specific to structural and parameter customization are considered for the simplification of platform product management. The experimental results show that the performance of the proposed algorithm outperforms that of the tandem evolutionary algorithm in which a genetic algorithm for parametric optimization is totally nested in a genetic programming for structural optimization.     

CFD modeling of the in-cylinder flow in direct-injection Diesel engines

Three-dimensional flow calculations of the intake and compression stroke of a four-valve direct-injection Diesel engine have been carried out with different combustion chambers. A limited number of validation calculations of the compression stroke were first performed in order to explore the limits of CFD representation of the in-cylinder flow. The calculated flow field in three different combustion chambers was compared with laser Doppler velocimetry measurements; the comparison shows that the three-dimensional model is reasonably accurate for crank-angles around top dead center (TDC). In general, it performs better for low swirl combustion chambers while turbulence velocities are under-predicted when squish effects are important.In the main study, the flow characteristics inside the engine cylinder equipped with different piston configurations were compared. For this, complete calculations of the intake and compression strokes were performed under realistic operating conditions and the ensemble-averaged velocity and turbulence flow fields obtained in each combustion chamber analyzed in detail. The results confirmed that the piston geometry had little influence on the in-cylinder flow during the intake stroke and the first part of the compression stroke. However, the bowl shape plays a significant role near TDC and in the early stage of the expansion stroke by controlling both the ensemble-averaged mean and the turbulence velocity fields.     

QoS保障的LTE-A飞蜂窝资源块分配与MCS选择研究

针对LTE-A飞蜂窝网络下行链路的资源块(Resource Block,RB)分配与调制编码策略(Modulation-and-Co-ding Scheme,MCS)选择问题,构建了整数线性规划模型,以在保障每个飞蜂窝用户最小吞吐量的需求下,最大化飞蜂窝系统吞吐量。其中,吞吐量是衡量网络性能最重要的服务质量(Quality of Service,QoS)指标之一。鉴于此问题是一个NP难问题,提出了一种ACOGA智能优化算法。该算法结合遗传算法(Genetic Algorithm,GA)与蚁群优化(Ant Colony Optimization,ACO)算法,可实现RB的动态分配与MCS的动态选择,并收敛到一种近优的分配策略。其中,GA算法动态地优化ACO算法中的参数配置,ACO算法利用优化后的参数配置执行RB分配与MCS选择。仿真表明,与采用静态参数配置的ACO算法相比较,ACOGA算法可使飞蜂窝系统的吞吐量提高12%以上,并显著提高了收敛速率。     

Meta-optimization based on self-organizing map and genetic algorithm

The paper considers the parametric optimization of search optimization algorithms (metaoptimization). The meta-optimization method enables to find the best strategy for an algorithm during the execution of the program based on this algorithm. The method uses the clusterization of a set of problems of a particular class with the help of Kohenen self-organizing maps and tackles the metaoptimization problem proper with the aid of the continuous genetic algorithm.     

智能优化算法的研究及其在锅炉燃烧中的应用

本文提出用智能优化算法模型来指导工业锅炉燃烧过程控制。首先通过免疫遗传算法来优化锅炉燃烧过程控制参数,利用优化结果调节锅炉燃烧过程控制。而后利用BP神经网络来模拟工业锅炉燃烧过程,建立工业锅炉燃烧过程输入输出之间的非线性模型。结果表明,本文所提出的智能优化算法模型具有较好的效果。     

On the optimization of piston skirt profiles using a pseudo-adaptive response surface method

A method for the optimization of piston skirt profiles used in internal combustion engine piston design is proposed. The method is based on a response surface approximation of standard performance measures used in piston design, namely, the RMS values of the piston’s transverse and angular accelerations, used as indicators of piston slap and noise, and the friction work on the skirt. The method is intended to be used in conjunction with computationally-intensive piston simulation tools. As such, it can be used also as a paradigm for strategies to solve optimization problems that rely on computationally expensive simulation models. An example illustrates the capabilities of the method and the significant enhancements in performance that result from an optimized piston skirt profile.     

基于记忆模式的NO_x支持向量回归预测研究

低NO_x排放是电站锅炉燃烧优化的主要目标之一,影响燃煤锅炉NO_x排放因素众多且复杂,对锅炉燃烧过程NO_x浓度进行准确预测是低NO_x燃烧优化的基础。机组全工况运行时表现出强时变性,静态预测模型难以保证预测精度,考虑到观测样本的时效性,模拟记忆模式对观测数据进行重采样,进而基于支持向量回归算法构建NO_x排放预测模型,构造一种基于记忆模式的支持向量回归算法。以某机组热态试验数据为基础,对算法进行了仿真分析,结果表明,该算法在保证回归建模精度的同时,在训练速度、稳定性以及泛化性能等方面较传统支持向量回归算法更有优势。     

基于嵌套遗传算法的拣货作业联合优化

针对物流配送中心拣货作业过程中传统订单分批和拣货路径分步优化难以获得整体最优解的问题，为了提高拣货作业效率，提出了一种基于嵌套遗传算法的订单分批和路径优化的联合拣货策略。首先，建立了以拣货总时间最短为目标函数的订单分批与拣货路径联合优化模型；然后，考虑双重优化的复杂性，设计了一种嵌套遗传算法对模型进行求解，外层不断优化订单分批结果，内层根据外层订单分批结果优化拣货路径。算例结果表明，与传统的订单分步优化、分批分步优化策略相比，所提策略的拣货时间分别减少了45.6%、6%，基于嵌套遗传算法的联合优化模型得出的拣货路径更短、拣货时间更少。为验证该算法对不同规模订单均有较优性能，分别对10、20、50张订单规模的算例进行仿真实验，结果表明，随着订单量的增加，整体拣货距离和时间进一步减少，拣货时间的减少从6%增加到7.2%。基于嵌套遗传算法的拣货作业联合优化模型和其求解算法可以有效解决订单分批与拣货路径联合优化问题，为配送中心拣选系统的优化提供依据。     

基于嵌套遗传算法的拣货作业联合优化

针对物流配送中心拣货作业过程中传统订单分批和拣货路径分步优化难以获得整体最优解的问题，为了提高拣货作业效率，提出了一种基于嵌套遗传算法的订单分批和路径优化的联合拣货策略。首先，建立了以拣货总时间最短为目标函数的订单分批与拣货路径联合优化模型；然后，考虑双重优化的复杂性，设计了一种嵌套遗传算法对模型进行求解，外层不断优化订单分批结果，内层根据外层订单分批结果优化拣货路径。算例结果表明，与传统的订单分步优化、分批分步优化策略相比，所提策略的拣货时间分别减少了45.6%、6%，基于嵌套遗传算法的联合优化模型得出的拣货路径更短、拣货时间更少。为验证该算法对不同规模订单均有较优性能，分别对10、20、50张订单规模的算例进行仿真实验，结果表明，随着订单量的增加，整体拣货距离和时间进一步减少，拣货时间的减少从6%增加到7.2%。基于嵌套遗传算法的拣货作业联合优化模型和其求解算法可以有效解决订单分批与拣货路径联合优化问题，为配送中心拣选系统的优化提供依据。