遗传算法的单纯形交叉算子

提出一种新型的遗传算法交叉算子,即单纯形交叉算子。这种算子实现了遗传算法与单纯形算法之间的结合,它能加快遗传算法的寻优速度,提高遗传算法定位最优解的精度。通过动态调整该算子的调用概率,可以方便地控制它的使用。本文还提出了一种所谓的“淘汰选择”,这种操作使得操作算子生成的新解不再是简单地取代其亲生父代个体,而是取代父代群体中的劣质个体。测试的算例表明该算子效果显著。     

基于变形遗传算法交叉算子的Flow-Shop问题求解

通过合理的作业排序可以提高企业设备的利用率.分析指出了遗传算法中典型的单点交叉算子在求解Flow-Shop问题时进化缓慢的缺陷,提出了一种改进型单点交叉算子,使得交叉点前和交叉点后的基因都有机会保留或改变,扩大搜索范围,提高进化速度.标准测试案例显示,改进型单点交叉算子能够提高进化速度,寻优能力强于单点交叉算子.     

基于POX交叉的遗传算法求解Job-Shop调度问题

通过改进传统的遗传算法求解Job—Shop调度问题。为基于工序的编码提出了一种新的POX交叉算子，并与其他交叉算子进行了比较以显示其高效性。为了保留父代的优良特征和减少遗传算子的破坏性，设计了一种子代交替模式的交叉方式。将提出的改进遗传算法应用于muth and thompson‘s基准问题的实验运行，显示该算法的有效性。     

基于自适应遗传算法的隔振系统参数优化计算

为优化航天器中隔振系统的隔振参数,提出了一种基于自适应遗传算法的优化方法。在只考虑单条支腿的前提下,建立了主动隔振系统的动力学模型,通过拉普拉斯变换得到了上平台输出的力对下平台控制力的传递函数,并获得待优化的参数。将参数优化问题转化成数值优化问题,利用最大熵法生成算法的目标函数;采用新的选择算子来避免算法早熟;提出自适应交叉算子和自适应高斯变异算子来保证种群多样性;通过优胜劣汰和种群迁移法则来提高算法的全局收敛性。最后,通过仿真实例对算法的有效性进行验证,结果表明：和传统的遗传算法相比,本算法的收敛速度快、优化效果好。     

基于改进型交叉算子的混合流水车间排序求解

混合流水车间是置换流水车间的扩展,其作业排序更复杂.合理的排序方案能够提高企业设备的利用率和经济效益.在前期研究的基础上,将提出的改进型交叉算子扩展应用到混合流水车间排序问题中.介绍了求解该问题的遗传算法实现流程,剖析了改进型单点交叉算子的操作原理和特点.最后,针对企业实例进行求解,结果表明该算法寻优性能良好.     

基于辅助交叉和动态操作的薄膜遗传算法

膜系遗传算法设计中,提出了辅助交叉算子和一种动态操作策略,随群体进化状态的改变,相应地改变选择操作与变异操作方法;同时,辅助交叉算子发挥了最优个体在进化搜索中的引导作用。超宽增透膜的设计结果表明,这种改进算法对群体适应值的快速提高、跳出局部极值的作用是显著的。     

改进遗传算法在LED贴片机优化中的应用

以自主开发的专用LED贴片机为研究平台。首先,介绍一种间距可调的多吸嘴同步吸贴高效贴片头结构、工作原理以及应用于LED专用贴片机上的贴装工艺流程。然后,针对该专用贴片机贴装元件种类单一、供料器位置对路径影响小的特点,忽略供料器位置问题,采用遗传算法,对元件贴装顺序进行染色体编码,改进传统的遗传交叉算子,实现贴装路径优化。仿真结果表明,改进的遗传算子算法与传统的遗传算法相比,更适合多吸嘴同步吸贴贴片机。     

有限代遗传算法及其在电弧炉自适应控制中的应用

针对一般遗传算法寻优速度不确定,难以可靠应用于自适应控制的特点,提出有限代遗传算法,并应用于自适应控制器参考优化上。仿真以电弧炉控制为例,用辅助最小二乘法辩识模型的参数,以不对称优化法初步确定控制器参数,然后以有限代遗传算法调控制器参考,结果显示,可达到优良的控制品质。     

混合遗传算法进行离心叶轮优化设计

利用自适应交叉遗传算法和生物生长算法的特点，提出一种新的优化方法——混合生物生长自适应交叉遗传算法。该方法既充分利用了遗传算法全局寻优和生物生长法快速收敛的优点，又弥补了遗传算法收敛速度过慢和生物生长法过分依赖结构初始形状的不足。为了验证优化方法的正确性和合理性，对某三维离心叶轮进行优化设计，结果表明，混合算法较单纯采用遗传算法收敛速度快，且可得到形状优化最优解。     

自适应遗传算法在机械优化设计方面的应用

阐述了自适应遗传算法原理,以及它在某发动机气门弹簧的可靠性优化设计中的应用,通过测试,结果表明此算法的收敛性能优于标准遗传算法。     

解析法计算应力敏度的三维边界元形状优化

讨论了三维弹性连续体应力集中极小化的形状优化问题。边界元法作为应力分析工具,解析法或差分法计算应力敏度,用约束变尺度优化算法进行优化。根据形状优化的特点,给出了提高求解形状优化问题数值方法效率的措施：用子结构技术,节省了应力重分析时的计算机时;用选主元三角分解法方程组,使解析敏度分析时不解方程组。所编程序实用于分布载荷作用下的一般三维弹性连续体构件的应力集中最小的形状优化问题。该算例为轴类零件,用三次样条函数描述待优化力界的母线,并将其插值样点的坐杆作为设计变量。待优化边界光滑,设计变量小。算例结果表明：优化结果正确,应力集中显著降低,程序运行稳定、高效和可靠。     

基于遗传算法的轴流汽轮机级效率优化

提出一种基于遗传算法的轴流汽轮机级通流部分的优化设计方法。该方法以轴流汽轮机级效率为优化目标,利用遗传算法通过使汽轮机级在满足一系列约束条件下效率最大化来搜索最佳的通流部分几何参数和气流参数。级效率计算和约束条件分析由一个轴流汽轮机级设计工况计算程序得到。遗传算法中每个个体的适应度由级效率和由约束条件得到的罚函数项组成。该方法应用于某型机第一级通流部分的优化设计,优化结果显示,可求得具有最佳效率的通流部分几何形状和气流参数。     

OPTIMIZATION OF ELECTRO-CHEMICAL MACHINING PROCESS PARAMETERS USING GENETIC ALGORITHMS

ECM and ECM-based processes (derived and hybrid processes) are one of the most widely used advanced machining processes (AMPs) to make complicated shapes of varying sizes in the products made of electrically conducting but difficult-to-machine materials such as superalloys, Ti-alloys, alloy steel, tool steel, stainless steel, etc. These materials are extensively used in aerospace, automobile, space, nuclear, defense, cutting tools, dies and mold making applications. ECM offers some unique advantages over other conventional and advanced machining processes but its use incurs relatively higher initial investment cost, operating cost, tooling cost, and maintenance cost. Use of optimum ECM process parameters can significantly reduce the ECM operating, tooling, and maintenance cost and will produce components of higher accuracy which is very important in some critical areas such as aerospace, space, defense, nuclear applications. Therefore, choice of optimum process parameters is essential to ensure the most cost-effective, efficient, and economic utilization of ECM process potentials. This paper describes optimization of three most important ECM process parameters namely tool feed rate, electrolyte flow velocity, and applied voltage with an objective to minimize geometrical inaccuracy subjected to temperature, choking, and passivity constraints using real-coded genetic algorithms. Comparison of the obtained optimization results with the results of past work in this direction shows an improvement in terms of geometrical accuracy.     

基于混合遗传算法的固定货架拣选优化问题研究

采用一种结合Hopfield网络模型的遗传算法,解决了自动化立体仓库中固定货架拣选作业路径优化问题。 在利用Hopfield/Tank神经网络的快速局部搜索能力的同时,又利用了遗传算法的全局寻优特性,有效地获得全 局优化的拣选路径。仿真结果表明,算法能够满足待拣选货位点数目在较大范围内变动的要求。     

基于多目标遗传算法的涡旋型线形状优化

在涡旋型线形状优化设计中,分析了单目标优化设计的不合理性。提出了基于多性能因素的Whewell方程形式的通用曲线类型线函数表征形式。建立了多目标形状优化设计的数学模型。应用了基于共享小生境技术的非劣优选遗传算法。给出了涡旋型线形状的多目标优化设计实例分析。     

基于遗传算法的模糊振动主动控制器的参数编码设计和约束处理

在采用模糊控制的压电材料智能结构中,利用遗传算法对模糊控制隶属函数进行优化时,遗传编码的设计将影响优化结果,从振动主动控制要求出发,设计了振幅输入模糊集的隶属函数参数编码,并对模糊子集约束条件进行处理。结果表明新的编码方式可以产生适合振动主动控制的隶属函数,且设计的约束修补算法简单有效。     

桁架优化遗传算法的若干改进

针对桁架优化问题研究二进制编码遗传算法，采用凝聚函数将约束优化问题转化为无约束优化问题，提出一种综合考虑约束值和适应度值的选择方法，保证了有潜力的设计被优先选择。并利用子代和父代之间的竞争使进化过程充分考虑以前最优值的遗传基因。算例表明，本文提出的方法是可行的，而且适应性更广。     

ADAPTIVE LEARNING CONTROL OF CUTTING PARAMETERS FOR SCULPTURED SURFACE CUTTING BASED ON GENETIC ALGORITHMS AND NEURAL NETWORK

An adaptive learning control scheme intended to the on-line optimization of sculptured surface cutting process is presented. The scheme uses a back-propagation neural network to learn the relationships between process inputs and process states. The cutting parameters of the process model are optimized through a genetic algorithms(GA). The capacity of the proposed scheme for determining optimum process inputs under a variety of process conditions and optimization strategies is evaluated on the basis of milling of a sculptured surface using a ball-end mill. The experimental results show that the neural network could model the cutting process efficiently, and the cutting conditions such as spindle speed could be regulated for achieving high efficiency and high quality. Therefore the proposed approach can be well applied to the manufacturing of dies and molds.     

基于断裂力学理论的结构形状设计优化

采用生物算法对飞机结构中典型开口问题进行基于断裂力学理论的优化设计研究,将以往按照应力优化的思路发展为按照开口边缘应力强度因子优化,采用三次样条函数曲线模拟开口结构形状,以插值节点处的应力强度因子为优化目标,通过调整节点的位置实现优化目的.文中通过两个不同设计域下的算例的优化结果,表明按照文中方法进行结构形状优化,不仅能使整个开口边缘有均匀的应力强度因子,而且能使关键部位的应力强度因子大大降低.     

MULTI-OBJECTIVE OPTIMIZATION OF ABRASIVE FLOW MACHINING PROCESSES USING POLYNOMIAL NEURAL NETWORKS AND GENETIC ALGORITHMS

Abrasive flow machining (AFM) is an economic and effective non-traditional machining technique, which is capable of providing excellent surface finish on difficult to approach regions on a wide range of components. With this method, it has become possible to substitute various time-consuming deburring and polishing operations that had often lead to non-reproducible results. In this paper, group method of data handling (GMDH)-type neural networks and Genetic algorithms (GAs) are first used for modelling of the effects of number of cycles and abrasive concentration on both material removal and surface finish, using some experimentally obtained training and testing data for brass and aluminum. Using such polynomial neural network models obtained, multi-objective GAs (non-dominated sorting genetic algorithm, NSGA-II) with a new diversity preserving mechanism are then used for Pareto-based optimization of AFM considering two conflicting objectives such as material removal and surface finish. It is shown that some interesting and important relationships as useful optimal design principles involved in the performance of AFM can be discovered by the Pareto-based multi-objective optimization of the obtained polynomial models. Such important optimal principles would not have been obtained without the use of both GMDH-type neural network modelling and multi-objective Pareto optimization approach.