基于遗传算法的水下阵列DOA估计研究

利用遗传算法研究水下阵列对目标的方位角估计问题,提出了一种新的方法证明遗传算法中的适应度函数对应于信号源的阵列流型取得极大值,采用该适应度函数的遗传算法(GA)计算量介于MUSIC算法和DML算法之间.通过计算机仿真验证,采用该适应度函数的遗传算法进行的DOA估计具有分辨相干目标的能力,角度分辨力高于MUSIC算法,估计偏差和均方误差在中低信噪比条件下小于MUSIC算法,与DML算法基本一致.     

一种任意阵的方向图模值综合方法

 本文提出一种遗传算法和凸优化相结合的方向图模值综合方法.将方向图主瓣的相位作为遗传算法的优化变量,结合期望主瓣的模值构造适应度函数.利用凸优化求解该适应度函数可得相应个体适应度的最优值,提高了算法的搜索性能.相位的优化使得本文方法综合结果与阵列的参考点无关,而且适用于任意阵.仿真数据结果验证了方法的有效性.     

基于遗传算法优化的WSN覆盖控制算法

针对无线传感器网络(Wireless Senson Networks,WSN)的覆盖控制和网络寿命问题,基于改进的遗传算法结合提出的局部搜索策略进行优化。根据WSN的特性对遗传算法的适应度函数进行了改进,并与提出的局部搜索策略结合进一步优化遗传算法适应度值,使之可以使用更少的传感器节点来保障监测目标的100%覆盖。仿真实验表明,与遗传算法相比,该算法具有更高的适应度、更长的100%覆盖期和网络寿命。基于遗传算法改进的WSN覆盖控制具有更优秀的性能及提高WSN对感知区域的覆盖控制能力。     

一种改进的适应度函数研究

针对复杂函数的最优化问题,提出了一种改进的适应度函数设计方法,并将这种适应度函数参与遗传算法对Rosenbrock函数进行了测试,仿真结果表明这种改进的适应度函数在进化的初期能提高算法的优化性能。     

改进遗传算法在移动机器人路径规划中的应用

针对传统遗传算法中适应度函数把最短路径作为主要遗传因素而未考虑转角及多余路径点造成的时间过多与搜索效率低的情况,文章提出一种改进遗传算法的路径规划方案,把适应度函数选取在满足最短路径的基础上加入角度控制和其余路径信息融合得到新的适应度函数。首先采用栅格法建立实验模型,然后在满足最短路径,路径可行及转弯少的情况下融合成一个新的适应度函数,并其增加插入算子与删除算子进行路径优化得到最优解。最后通过MATLAB实验进行验证,结果表明:在路径规划问题上基于该改进的适应度函数的遗传算法优于基本遗传算法,证明了方案是有效的。     

基于遗传算法的PCI分配方案

针对传统人工PCI规划全局性差和耗时耗力的问题,提出一种基于遗传算法的PCI分配方法(GA-PCIAS),该方法考虑了PCI规划不冲突、不混淆的原则,并且通过将干扰矩阵引入适应度函数可降低规划区域内的干扰程度,某密集市区的仿真实验证明,基站规模较小时,该算法相对于PCI顺序规划方案可有效降低规划区域的干扰程度.     

使用遗传算法简化设计矩形微带天线

讨论了矩形微带天线的传输线模型、遗传算法的编码方式、适应度函数的设计等,提出了一种利用遗传算法优化结果设计矩形微带天线的方法.利用反射系数,设计了简单的适应度函数,采用小规模的初始种群,加速了程序的收敛速度.仿真结果表明,遗传算法优化设计微带天线,可使反射系数小于-25 dB、增益大于5.5 dB.     

基于克隆选择的移动机器人路径规划

提出了基于克隆选择的移动机器人全局路径规划方法,该方法包括环境建模、抗体设计、适应度函数构建,选择策略和免疫算子的定义,在适应度函数构建时既考虑路径距离又考虑与障碍物的相交程度,同时根据机器人路径规划问题设计了变异算子、插入算子和删除算子,该方法与遗传算法相比规划时间更短、规划出的路径质量更高,利用MATLAB仿真验证了该方法的有效性.     

基于遗传算法的三维电场传感器解耦标定方法研究

3维电场分量对传感器输出信号的耦合干扰是影响3维电场探测准确性的关键问题。为了减小耦合干扰,实现3维电场的准确测量,该文提出一种基于遗传算法的3维电场传感器解耦标定方法。区别于求逆矩阵运算的传统标定方法,该方法利用遗传算法并行全局搜索的特点,通过设置适应度函数和遗传算子获得最优化解耦标定矩阵,避免了复杂的矩阵求逆计算,减小了计算误差。该文设计了一种可实现传感器与电场矢量成任意夹角的测试标定装置,建立了电场理论值计算模型。对基于矩阵求逆计算和基于遗传算法的两种解耦标定方法进行了对比实验,实验结果表明,基于遗传算法的3维电场传感器解耦标定方法与传统标定方法相比,有效地消除了电场分量对传感器的耦合干扰,提高了标定精度,实现了3维电场的准确测量。     

基于遗传算法的阵列天线赋形波束综合

提出了一种改进的适应度函数确定方法,算法采用易操作的二进制编码。通过改变适应度函数中的待定参数,有效提高了搜索效率。采用遗传算法对基站天线的方向图赋形,其结果优于同种条件下用Woodward法得到的结果。结合工程实践,考察了本文遗传算法的解的稳定性。     

一种基于HVS、模糊聚类和遗传算法的视频差错掩盖方法

当视频在传输过程中发生不可纠正的差错时,就要用差错掩盖的方法对丢失或差错的块进行掩盖。本文提出了一种基于模糊聚类和遗传算法的视频差错掩盖算法,首先,在确定适应度函数时,采用了一种适应人眼视觉系统(HVS: Human Visual System)的视频评价函数作为目标函数,其次,通过模糊聚类的方法同时综合多特征量得到差错块的相似块得到初始种群,然后利用GA的三个步骤:复制＼遗传＼交叉进行迭代地运算,直到最后得到满足条件的差错块的掩盖块。实验结果表明,其主客观效果比传统方法和基于一般GA算法的方法好。     

基于遗传算法的卫星磁模型研究

针对卫星磁特性研究与磁试验,建立了卫星多磁偶极子模型,分离了线性和非线性部分,利用遗传算法,以测点的模拟值和测量值之差的均方根作为目标函数,搜索多磁偶极子的位置,同时检测拟合误差,使得目标函数达到最优的同时,拟合误差也满足要求.最后对卫星静止状态和加电状态的磁性进行了计算,试验结果表明,用该方法建立卫星磁场模型精度高,磁矩和磁场的误差均小于5%,并且对测量误差不敏感,具有很强的鲁棒性.     

Multiobjective programming using uniform design and genetic algorithm

The notion of Pareto-optimality is one of the major approaches to multiobjective programming. While it is desirable to find more Pareto-optimal solutions, it is also desirable to find the ones scattered uniformly over the Pareto frontier in order to provide a variety of compromise solutions to the decision maker. We design a genetic algorithm for this purpose. We compose multiple fitness functions to guide the search, where each fitness function is equal to a weighted sum of the normalized objective functions and we apply an experimental design method called uniform design to select the weights. As a result, the search directions guided by these fitness functions are scattered uniformly toward the Pareto frontier in the objective space. With multiple fitness functions, we design a selection scheme to maintain a good and diverse population. In addition, we apply the uniform design to generate a good initial population and design a new crossover operator for searching the Pareto-optimal solutions. The numerical results demonstrate that the proposed algorithm can find the Pareto-optimal solutions scattered uniformly over the Pareto frontier.     

Speeding Up Fractal Image Compression by Genetic Algorithms

The main problem with all fractal compression implementation is execution time. Algorithms can spend hours to compress a single image. Most of the major variants of the standard algorithm for speeding up computation time have led to a bad-quality or a lower compression ratio. For example, the Fishers [7] proposed classification pattern greatly accelerated the algorithm, but image quality was poor due to the search-space reduction imposed by the classification, which eleminates a lot of good solutions.By using genetic algorithms to address the problem, we optimize the domain blocks search. We explore all domain blocks present in the image but not in exhaustive way (like a standard algorithm) and without omitting any possible block (solution) as a classification pattern does. A genetic algorithm is the unique method for satisfying these constraints. And it is a way to do be a random search because the genetic one is directed by fitness selection, which produces optimal solutions.Our goal in this work is to use a genetic algorithm to solve the IFS inverse problem and to build a fractal compression algorithm based on the genetic optimization of a domain blocks search. we have also implemented standard Barnsley algorithm, the Y. Fisher based on classification, and the genetic compression algorithm with quadtree partitioning. A population of transformations was evolved for each range block, and the result is compared with the standard Barnsely algorithm and the Fisher algorithm = based classification.We deduced an optimal set of values for the best parameters combination, and we can also specify the best combination for each desired criteria: best compression ratio, best image quality, or quick compression process. By running many test images, we experimentally found the following set of optimal values of all the algorithm parameters that ensure compromise between execution time and solutions optimality: Population size = 100, Maximum generations = 20, Crossover rate = 0.7, Mutation rate = 0.1, RMS limit = 5, Decomposition error limit = 10, Flips and isometrics count = 8.In our proposed algorithm, results were much better than those obtained both vences and Rudomin [5] and Lankhorst [4] approaches.First online version published in May 2005     

基于遗传算法的排产优化方法

针对单件小批量生产车间的优化排产问题,采用遗传算法进行研究,设计了一种分组编码方案,提出了可处理零部件间装配关系的适应度函数算法。介绍了遗传算法在车间优化排产中的实现方法及结果,重点讨论了编码方案及适应度函数设计。基于此算法,开发了生产作业计划排产软件,可完成顺排产与倒排产的自动排产,实现工艺排产的智能化。     

基于模糊进程因子的改进自适应遗传算法

首先提出了一种改进自适应遗传算法,在本算法中引入模糊进程因子,设置了最佳样本保留数、最佳基因保留数等五个可调参数,使它们随着模糊进程因子的变化而变化,从而实现算法自适应;然后给出了新算法的步骤,并用标准测试函数对该算法进行了测试,测试结果表明:该算法具有较好的在线性能,提高了收敛速度;最后,用该新算法进行了功率谱估计,该算法比LS法具有更好的谱分辨率和适应性。     

基于NSCT和Tsallis熵的SAR图像快速分割方法

针对小波域SAR图像分割结果粗糙及运算速度低的不足,本文提出一种基于非下采样Contourlet变换(NSCT)和混沌粒子群优化(CPSO)的最大Tsallis熵的SAR图像快速分割方法。首先,利用NSCT提取SAR图像的概貌和细节信息,并建立相应的概貌-细节灰度级矩阵模型;然后,利用Tent映射CPSO算法搜索最优阈值,并提出递推算法大大减少迭代过程中适应度函数的重复计算。实验结果表明,与小波域SAR图像快速分割方法相比,该方法采用了具有多方向性和移不变性的NSCT分解图像,信息提取更为有效,分割结果更佳;同时由于引入混沌序列并以递推方式计算粒子适应度,粒子群搜索的收敛精度更高,运算时间更少。      

基于矩估计的遗传算法杂波幅度模型参数估计

选用了适用于多参数估计的遗传算法对Ku波段实测杂波数据进行K分布以及对数正态分布模型进行参数估计.为减少搜索范围,采用了计算量小的矩估计方法确定参数初始值;以常用的最小均方误差为目标函数.结果显示在遗传代数为50左右适应度函数收敛到稳定值,且拟合曲线与杂波数据直方图很好吻合.验证了遗传算法用于杂波模型参数估计的适用性.     

改进量子遗传算法辨识超混沌系统

混沌系统的参数辨识是非线性科学中混沌控制与同步的关键问题。提出改进量子遗传算法,该算法具有良好的全局搜索能力,将其应用在混沌系统参数辨识问题。通过尽量减小实际系统与数学模型的状态同步误差来构造适应度函数,将参数辨识问题转化为一个多维优化问题。对超混沌Chen系统进行研究,并与基本量子遗传算法比较。实验仿真结果表明,改进量子遗传算法的有效和可行性,为混沌系统辨识开拓了一种新方法。