一种基于“探测"与“开采"的多目标进化算法

针对实践中多目标优化问题(MOPs)的Pareto解集(PS)未知且比较复杂的特性,提出了一种基于"探测"(Exploration)与"开采"(Exploitation)的多目标进化算法(MOEA)——MOEA/2E。该算法在进化过程中采用"探测"与"开采"相结合的方法,用进化操作不断地探测新的搜索区域,用局部搜索充分开采优秀的解区域,并用隐最优个体保留机制保存每一代的最优个体。与目前最流行且有效的多目标进化算法NSGA-Ⅱ及SPEA-Ⅱ进行的比较实验结果表明,MOEA/2E获得的Pareto最优解集具有更好的收敛性与分布性。     

多目标进化算法的一种基于生成树的分布性维护方法

针对多目标进化算法的种群维护和运行效率相矛盾的问题,提出了一种基于生成树的分布性维护方法,即对整个种群构造一棵生成树,定义一种密度估计指标--树聚集距离,并结合树中的最短树枝和个体度数对种群进行维护.由于树聚集距离和度数具有动态性,每移出一个个体,种群中与之相连个体的信息都会发生相应的变化,因而可即时反映出种群的分布情况.与三个著名的算法NSGA-Ⅱ、SPEA2和C-NSGA-Ⅱ的比较实验表明,该方法能在得到良好分布性解集的同时,能以较快的速度对种群进行维护,具有较好的时间效率.     

基于进化算法的多目标闭环物流网络设计

为了帮助生产企业建立科学合理的闭环物流网络系统,提高废旧产品材料的再循环利用率,提出了一个多周期、多产品、多阶段的闭环物流网络选址与运输模型。该模型中,不仅考虑建造混合分销回收中心,还提出了2个优化目标:经济成本最小和时间成本最小。针对该多目标优化问题,本文采用了一种基于优先值编码方法的进化算法对模型求解,最终得到该问题的帕累托(Pareto)前沿。通过与约束法的计算结果相比较,求得误差均值小于5%,说明该进化算法对Pareto前沿的拟合程度较好,计算结果是正确有效的。     

无运力限制条件下的一种器材紧急调运优化模型

根据器材调运的特点建立了一个货量充足且无运力限制备件的多目标优化模型，给出了一种方便有效的算法，并利用仿真算例对模型和算法进行了验算，得到了最优的器材调运方案．     

一种基于遗传算法的多目标优化算法研究

对一般的无约束多目标优化问题的求解进行讨论,提出一种基于遗传算法的求解方法,该方法区别于传统遗传算法的求解模式,它采用带性别标志的编码、子群体的选择、保留Pareto最优解,并对解集进行共享函数的处理,最后得到较高质量的Pareto最优解集,给出的两个算例也充分说明此方法在处理多目标问题的可行性和实用性。     

一种基于新改进的Price算法的混合遗传算法求解约束优化问题

新改进的Price算法能够求解多峰、多维,以及不可微目标函数的全局优化问题.把新改进的Price算法作为局部搜索算子,并入到实数编码遗传算法中,构成一个混合遗传算法,求解约束优化问题.该混合算法增强了全局寻优能力,提高了函数值的精度,并减少了计算量.通过对13个约束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有效的.     

一种有源微波近场成像系统

针对早期乳腺癌检测等近场目标的探测成像,设计了一种基于2.45GHz连续波信号的微波近场成像实验系统,主要由硬件电路和成像算法组成.系统电路用小体积、高性能和低成本的射频微波集成芯片实现,大大缩小了系统的体积并降低了成本,电路由天线模块、收发模块和数据采集控制模块构成.成像算法采用有限元微波共焦算法,完成对被测区域日标的探测成像.     

一种含最优变异的多微粒群优化算法

针对微粒群优化算法中的固有缺点，提出了带有最优变异算子的多微粒群优化算法，采用多个微粒群对目标函数进行寻优，并在寻优过程中对子群中最优微粒引入了最优变异算子。通过这样的处理，算法可以预防早熟收敛并具有更快的收敛速度和更好的局部开发能力。对一组测试函数的模拟实验结果表明，带最优变异的多微粒群优化算法可以摆脱局部最优解时微粒的吸引，在较少的代数内就能够获得好的优化结果。     

浅谈多目标优化算法

优化问题一直都是工程实践和科学研究中的重要问题,本文详细介绍了常用几种优化算法,比较了各种算法的优缺点,也列举了组合算法在多个领域的应用实例,展望了组合算法的发展方向和可能面临的问题。     

一种无频带错位的小波包算法

研究了数字信号处理中的小波分析方法。基于多尺度分析的思想,提出了信号的小波分解及重构新算法和小波包算法。由于算法中采用了频移技术,在小波分解中避免了频率的折叠现象,同时在小波包算法中也解决了频带的错位问题。算法在工程中更具实用价值     

基于改进遗传算法的反卷积信号识别

信号处理中的反卷积是一个不适定问题，在泛涵理论上求取反卷积正则解的关键足求距离的最小。遗传算法在优化方面具有优势，因此提出用遗传算法优化求取最小值进行反卷积信号诊断。但足由于传统的遗传算法存在着一些问题，易陷入局部极小点导致成熟前收敛，使得反卷积问题的解决有误差，恢复的波形具有波动性，精度还不够，由此我们对传统的遗传算法进行了改进，改进后模拟计算发现恢复的信号波形精度明显上升，和原信号波形很相象，比较准确地反映了原信号固有的特性。     

Study on the Signal Control System of Urban Traffic with a Genetic Algorithm

In the paper the aim and meaning of traffic microscopic simulation is discussed first, and then three sub-models of the system are established, e. i. the model for random generation of the vehicles, the model for car-following and lane change influenced by an adjacent vehicle, and the model for control and optimization of intersection with signal. Optimization of the traffic signal timing with a genetic algorithm and a microscopic simulation is carried out. It represents a novel approach to solving optimal signal timing.     

基于遗传算法的三维模型匹配方法

逆向测量模型与正向设计模型的自动匹配是三维检测的关键技术之一.通过空间六自由度的旋转与平移变换调整模型方位,基于K-D树和拓扑信息获取三维模型与不同方位平面的相交轮廓.利用二维相交轮廓的差异度作为两模型间的匹配判据,避免海量数据点与复杂曲面间的直接匹配计算.采用遗传算法进行两模型最佳匹配方位的求解,以空间六自由度为个体的染色体,通过群体的多点搜索,历经选择、交叉、变异操作,得到全局最佳匹配方位.通过实例验证了方法的有效性.     

基于改进遗传算法的多式联运网络优化

在对多种运输方式比较分析的基础上,从运输成本、换装成本及时间惩罚成本3个角度,建立多式联运网络模型,采用改进遗传算法进行模型求解,在标准遗传算法基础上引入移民算子,保证了种群多样性,避免了局部最优,增强了算法搜索能力.采用MATLAB计算平台对模型进行案例求解,结果表明,采用多式联运网络运作模型的成本降低了45.8%,从而验证了多式联运网络运作模型的有效性和实用性.     

基于遗传算法的热轧生产过程多目标优化

针对热轧生产过程中的板坯出库策略问题,建立了旨在减少板坯倒垛量和板坯温降程度的多目标模型;针对问题的特点,提出了基于遗传算法的求解算法.算法能够根据目标的重要性调节加权参数的大小,以便根据应用中的实际情况调整优化的重点;通过在迭代过程中引入启发式变异算子,来提高算法的收敛速度.最后通过数值实验验证了算法的可行性和有效性.     

基于遗传退火算法的多层薄膜厚度测量

根据薄膜光学计算理论和最优化理论,本文提出了一种测量多层薄膜厚度的新的全局优化算法.首先利用遗传的种群性去寻找多个局部极值,然后将较优和较差的种群按一定概率接收并作为模拟退火的初值进行搜索.最后结合共轭梯度算法来提高收敛速度,使整体搜索效率进一步提高.这种遗传退火算法有效地提高了算法的稳定性,减少了算法对膜厚搜索范围的限制.文章最后以3层和4层光擘薄膜为例,利用该算法在10 nm至5 μm的大范围内搜索,所取得的结果,其测量误差小于1%.     

基于混合遗传算法的生产工艺规划与决策问题

零件生产加工过程中,由于各加工特征有多个加工工艺而不同工艺方法又有不同的机器选择,以及受工艺约束的工序特征排序问题,使得柔性工艺规划问题具有NP难特性.通过对可选工序和机器进行分段编码;并用约束调整算法解决受工艺约束的工序排序问题;对于问题的多目标特性,采用随机权重来设置适应度函数,用外部精英保留策略并引入k-means聚类算法裁剪精英集来保持群体多样性,该方法通过该混合遗传算法的交差,变异等操作,能有效解决受工序约束的多工艺路线的优化与决策问题.以实例的形式论证了该算法在求解柔性工艺规划问题的有效可行性.     

基于遗传算法的遥感影像匹配定位的研究

提出了利用遗传算法进行遥感影像的匹配定位,将遗传算法优良的全局寻优特点应用于原始影像和目标影像的匹配,实现了具有旋转畸变条件下的遥感影像匹配定位,实验结果表明,该算法不仅具有很高的定位精度,而且具有较高的定位效率。     

Scalability of a Hybrid Extended Compact Genetic Algorithm for Ground State Optimization of Clusters

We analyze the utility and scalability of extended compact genetic algorithm (eCGA)—a genetic algorithm (GA) that automatically and adaptively mines the regularities of the fitness landscape using machine learning methods and information theoretic measures—for ground state optimization of clusters. In order to reduce the computational time requirements while retaining the high reliability of predicting near-optimal structures, we employ two efficiency-enhancement techniques: (1) hybridizing eCGA with a local search method, and (2) seeding the initial population with lowest energy structures of a smaller cluster. The proposed method is exemplified by optimizing silicon clusters with 4-20 atoms. The results indicate that the population size required to obtain near-optimal solutions with 98% probability scales sub linearly (as Θ(n^0.83)) with the cluster size. The total number of function evaluations (cluster energy calculations) scales sub-cubically (as Θ(n^2.45)), which is a significant improvement over exponential scaling of poorly designed evolutionary algorithms.     

基于遗传算法的神经网络在爆破振动预测中的应用

针对BP神经网络对工程爆破振动的预测存在精度不够高的缺点,建立遗传算法优化神经网络的模型,并介绍了它的原理。最后通过爆破振动预测实例的介绍,应用MATLAB编程,将总装药量Q、测点与爆源的高差h、孔间微差时间t、最大药包距离L这4个参数作为模型参数,对爆破振动幅值v、振动主频f和振动持续时间T进行预测,得出基于遗传算法的神经网络预测的结果比BP神经网络更为精确,克服了BP神经网络的缺点。