MEBML在优化排样中的应用

MEBML（Mind-Evolution-Based Machine Leaming,基于思维进化的机器学习）是模仿人类思维进化而提出的一种新型机器学习算法。由于它开创性运用了不同GA（遗传算法）操作方法的趋同与异化操作，大大扩展了GA的性能。MEBML可应用于各种优化领域及非数值问题（如：群体社会行为仿真）。文中在深入研究MEBML的基础上，将MEBML应用于机械领域的优化排样中，提出了一种MEBML应用于排样时的有效的编码方案及辅助算子（如蠕动算子）。     

计算机优化排样

文中对计算机优化排样扔算法进行了研究，从提高系统的优化程度和尽可能缩短系统的运行时间关卡别对球同零件的多件排样，提出“二步法”，将矩形模块法与启发式搜索法结合起来，并通过编程在实际应用中取得了良好的效果 。     

基于粒子群算法的矩形件优化排样

针对矩形件排样问题,提出了一种应用粒子群算法优化求解的方法.该方法首先将矩形件的排样问题转化为适于优化的排列问题,然后用粒子群优化算法对整个解空间进行高效搜索,在进化计算过程中应用了自适应调整规则,最终可获得全局最优的排样结果.排样实例表明,该优化排样算法行之有效,具有广泛的适应性.     

导销支架线切割工艺图排样的改进

本文介绍了线切割工艺图排样中,材料利用率和加工时间的目标函数,对导销支架零件工艺图排样方式进行了改进。     

一种求解矩形排样问题的遗传-离散粒子群优化算法

针对制造业领域的矩形优化排样问题,提出一种遗传-离散粒子群优化算法.引入交换子和交换序概念,解决了标准粒子群优化算法在求解组合优化问题时粒子的更新难以描述问题;融合遗传算法的交叉与变异思想,增强了粒子群的多样性和稳定性;同时采用改进的最低水平线搜索算法加快算法的收敛速度,并解码形成排样方案.通过实验数据对比,验证了该算法在求解矩形排样问题中的高效性和鲁棒性.     

一种基于遗传算法的PID参数的优化控制策略

针对某一控制对象，通过数学推导，得出一组值Kp，K1，KD将其作为遗传算法的参考值。虽是随机产生初始群体，但可以预置大致范围，并在此基础上进行优化，可提高遗传算法的收敛速度。     

基于遗传算法的网络通讯优化技术

针对网络通讯任务数量增多时,传统技术存在任务分配不均衡的问题,文中提出了基于遗传算法的网络通讯优化技术。该技术首先分析了影响网络通讯任务分配均衡的因素,将通信延迟小、耗能小与任务分配均衡作为分配目标,以多目标优化来设计目标函数。同时将遗传算法改进,引入正反馈机制,避免了局部最优解,并提高算法优化速率。测试与试验结果表明,与传统的网络通信任务分配技术相比,文中所提出的优化技术可有效提高网络通信任务分配的均衡性。     

基于模拟退火遗传算法的RBF网络的优化

提出了引入模拟退火的遗传算法对径向基函数(RBF)网络中心参数进行优化的算法,算法中选择实数编码,采用引入模拟退火过程的多点交叉和区域内随机波动的变异方法.用此算法作了两个仿真实验:一是对典型的混沌时间序列的预测,二是对被干扰了的图象进行去干扰.结果表明:这种基于模拟退火遗传算法对RBF网络参数的优化是行之有效的.     

基于遗传算法的组网雷达优化部署

组网雷达优化部署是发挥雷达网互补与倍增性能的前提和基础,由于雷达网部署涉及的因素很多,是一个多约束条件的多目标优化问题。采用一种基于遗传算法的组网雷达优化部署算法,采用综合性能函数作为优化目标函数,在种群产生时加入约束条件,将有约束问题转化为无约束的优化问题,克服了枚举法执行速度慢和专家推理法知识组合爆炸的问题。仿真结果表明,该方法能达到最优或准最优解,是一种有效的组网雷达优化部署方法。     

基于遗传算法的不规则物体布局求解方法研究

通过对不规则物体布局特点的分析,依据遗传算法的基本思想,提出一种基于遗传算法的不规则物体布局求解算法.本算法选择合适的编码方法、遗传算子和合适的适应性度函数,仿真实验表明,该算法具有收敛速度快,解决早熟现象,能够在较短时间内获得较佳的布局方案.     

基于遗传算法的布局问题的实现

为了克服单一遗传算法的早熟现象，本文提出了将启发式算法和遗传算法结合的一种新算法，进行布局优化的求解。实验证明，在一定程度上提高了解的质量。     

OEMCM中光互连布局算法的研究

本文着重于具有FSOI结构的OEMCM的光学互连及其布局算法研究.针对具有CGH的FSOI系统中的互连布局特点,提出一种有效互连布局算法.运用该算法对典型的大规模互连网络示例进行的运算结果表明,该算法不仅能够有效地解决这种FSOI系统中的网络互连具有一定空间局限性的问题,而且与已有的其它互连布局算法的计算机模拟结果相比,本文的算法在布局结果、算法的收敛性等方面具有明显的优点.     

基于TSP问题的混合遗传算法研究

文章在介绍遗传算法和混合遗传算法思想的理论基础上,分析了遗传算法的主要优缺点和改进算法的有效性原则,利用模拟退火算法的局部寻优能力提出了一种改进的遗传模拟退火算法。结合两者的优点,对其中的选择、交叉和变异操作进行了改进,并将其运用到TSP问题的求解之中。同时,给出了算法的具体实现过程,并进行了仿真实验,证明了混合算法的有效性。     

基于遗传算法的支持向量机分类算法

针对现有部分支持向量机在多类分类过程中存在的数据不均衡性、对算法结构依赖性强的问题,提出一种新的基于遗传算法的支持向量机多类分类算法。以遗传算法中的交叉作为支持向量机中类的选择,以变异改善分类过程中的纠错能力,以适应度函数作为最优分类结果的确定。在不同特性的样本集上进行仿真测试,结果证明,该算法在类数较多的情况下,有更好的数据均衡性,在分类速度及准确度上均有一定的优越性。     

基于遗传算法的梳状谱峰值控制方法

针对梳状谱峰值控制问题，采取遗传算法（GA）搜索梳状谱峰值的最小值。通过构造相位集进行编码，采用移民和精英保留使得结果收敛到最优解，实验结果表明此方法比穷举法效果好且耗时短。     

基于遗传算法的MF-HF天调调谐算法

介绍了对分搜索算法、Hooke&Jeeves算法和Powell算法等基于直接搜索的MF-HF天调调谐算法,指出了其容易陷入局部最优解的问题。提出基于遗传算法的天调调谐算法,对算法的基本流程进行了介绍。结合近似计算和邻域搜索的思想,对调谐算法进行了改进,减少变量个数,缩小算法搜索空间。通过对4m鞭状天线进行调谐仿真,验证了遗传算法作为调谐算法的有效性,同时改进后的算法在调谐速度和匹配精度上获得了明显的改善。     

一种改进的静态资源优化利用路由算法

提出了一种基于遗传算法的静态资源优化利用路由算法,该算法在考虑网络资源消耗的基础上,以网络负载平衡为优化目标,从而达到合理利用网络资源,增强网络生存性的目的。最后给出了仿真实验结果,并对结果进行了分析。     

基于遗传算法的多分层滑窗检测器优化设计

在讨论多分层滑窗检测器处理与寻优评价指标的基础上,研究用改进的跗算法对其第一门限和第二门限进行优化设计的问题,得到了有用的结果。     

一种基于遗传算法的快速景象匹配算法

常规的归一化灰度互相关匹配算法是搜寻区域上的所有点,效率较低,在实时图存在旋转时,会影响匹配的精度。为此,在对典型的基于灰度的景象匹配算法进行分析的基础上,结合遗传算法和分层搜索策略设计了一种快速匹配算法。算法在匹配过程中考虑了存在旋转变化实时图像的处理,从而省去了图像对准的预处理,节省了时间。遗传算法和分层搜索策略的...