基于自适应遗传算法的企业动态联盟伙伴选择模型

为了提高动态联盟中企业选择联盟伙伴和优化过程中的效率,提出了一种基于自适应遗传算法的企业动态联盟伙伴选择模型.将自适应遗传算法AGA应用于这种模型当中,以提高模型中企业选择联盟伙伴和优化过程中的效率.AGA相对于标准遗传算法SGA在求解问题的时候,可以很好地处理SGA中容易造成的早熟和局部收敛现象.在实验中,分别对2种遗传算法即:SGA和AGA各进行了1 000次的实验.结果表明同样找到最优解的时候,SGA平均需要166次,而AGA平均仅需要145次.这个结果说明,在企业选择联盟伙伴和优化的时候,AGA可以使得企业高效找到最优的联盟伙伴.     

一种竞争环境下基于自适应遗传算法的多边多议题协商

为了提高竞争环境下基于智能体电子商务多边多议题协商当中agent协商的效率,该文提出了一种竞争环境下agent的协商模型,并且将自适应遗传算法AGA应用于该模型当中,来提高模型中agent协商的效率。在实验中,分别对于两种遗传算法即:标准遗传算法SGA和自适应遗传算法AGA各进行了1000次的实验。结果表明同样达到协商满意解的时候,SGA平均需要183次协商,而AGA平均需要152次协商。这个结果说明,在求解竞争环境下多边多议题协商问题的时候,自适应遗传算法AGA可以使得协商当中的agent高效达到协商的满意解。     

基于自适应遗传算法的最优M序列码搜索

编码信号已经广泛地应用于现代雷达系统中,而编码信号的旁瓣抑制一直是雷达信号处理中有待优化的问题。提出一种基于自适应遗传算法（AGA）优化搜索M序列二相码波形的方法。对于M序列,初始寄存器的选择对于主副比是很关键的。自适应遗传算法的遗传算子交叉概率与变异概率可自适应调整。与标准遗传算法（SGA）相比,这种算法能更好地避免＂早熟＂现象,保持了物种样本的多样性,最终能够收敛到脉压特性更好的序列。试验结果证明了该方法的可行性和有效性。     

基于LSTM神经网络算法的超超临界机组负荷优化分配

目前研究的超超临界机组负荷优化分配方法成本较高，分配时间过长，导致节能效果不佳。为此，该文基于LSTM神经网络算法研究了一种新的超超临界机组负荷优化分配方法。利用LSTM中的记忆块、遗忘门、输入门、输出门和记忆单元，实现对递归神经网络的简单处理，建立目标函数，采用正平衡法和反平衡法计算电荷吸收效率，确定超超临界机组负荷优化分配数学模型。针对单元制机组模型和母管制机组模型在忘记阶段、选择记忆阶段与输出阶段进行优化，反复迭代，得到迭代最大次数后停止运行，输出优化结果。实验结果表明，与传统优化方法相比，所设计超超临界机组负荷优化分配方法可将成本降低50%以上，1 000 MW内负荷分配时间低于10 min。     

火电厂机组负荷优化分配的混沌粒子群算法分析

电厂负荷优化以每台机组煤耗性能对其分配负荷,科学合理并能有效降低全厂供电煤耗,能有效提高电厂的经济效益,并响应国家节能减排和可持续发展的战略需求。本文针对火电厂实际的运行情况,考虑阀点效应和实际机组的约束条件,建立了发电机组负荷优化分配模型,并通过罚函数法将其转化为非约束问题求解;通过混沌粒子群算法来优化发电机组的负荷,并通过实例分析证明了算法的可行性。     

基于遗传算法的漫画艺术设计研究与实现

为了提高漫画艺术设计的逼真度及设计效率,将遗传算法运用于漫画设计过程中。将动漫中角色人物造型的组成元素作为遗传算法种群的个体,将多个组成元素采用遗传算法进行数据训练,根据适应度阈值不断进行选择和交叉操作,并加入粒子群优化策略,经过多次迭代计算,得到漫画的角色人物造型。经过实验证明,相比于SGA算法和AGA算法,文中所提算法在漫画设计效率方面优势明显。     

联合运行冷水机组负荷分配的多目标优化研究

根据冷水机组的性能系数（COP）和能耗与其部分负荷率（PLR）的特性,提出了同时考虑性能系数和能耗最优的机组负荷分配多目标优化模型。基于改进的非支配解排序的多目标遗传算方法（NSGAⅡ）,求出Pareto最优解。采用理想点方法得到最优折中解。文中给出了4台机组运行的优化算例。     

含风力发电的电网无功优化

将改进后的PBIL算法运用到含风力发电机组的IEEE30节点系统的无功优化计算中,并对多次独立计算的结果做了统计和分析,与采用标准的遗传算法（SGA）的计算结果的比较,请明该算法在此类无功优化问题中有效性和可靠性。     

基于单一机组功率输出波动的风电场负荷分配优化策略

随着风电并网技术不断发展,风电场内负荷分配问题亟待解决,如何优化连续周期内风电场内各机组的负荷分配问题,是增加控制系统平稳性的关键所在。风电场内机组数量大地理位置分散,传统负荷分配模型维数过高易陷入"维数灾难难"困境中,针对这一问题,提取机组负荷特征值,利用模糊C均值方法对风电场内机组进行聚类分析,不同群组设置不同负荷分配优先级以降低维度;在风功率预测准确与机组全程功率可控的基础上,引入模糊函数作为权重系数建立目标函数,运用粒子群算法求解模型。所建立模型减少了连续周期内风电场单一机组功率输出的波动,并解决了负荷分配方案维数过高的问题。通过对某45MW风电场机组负荷分配问题的算例分析,验证了本方案的可行性及有效性。     

基于混合布谷鸟——遗传算法的虚拟仿真实训室资源动态调度研究

针对高职院校建设越来越多虚拟仿真资源对外开放使用,存在虚拟仿真实训室资源分配和授课动态调整的问题,分别就课程占用资源静态分配最优化,新增、停课维护虚拟仿真实训资源,新增课程或中止正在进行的实训等实际排课调度问题提出布谷鸟-遗传算法的混合调度算法。以资源分配的最大时间最小化作为优化目标,建立实训基地和实训资源的性能评价指标,改编ft06等测试集仿真验证,将混合布谷鸟-遗传算法（hCSGA）、遗传算法（GA）、混合人工蜂群-遗传算法（hABCGA）进行性能比较。实验结果表明,混合布谷鸟-遗传的算法求解此类问题可行。     

基于免疫克隆选择算法的天线方向图综合技术研究

方向图综合技术是智能天线中的一项重要技术。由于采用遗传算法存在着易于早熟和局部寻优能力不足等缺点,为此,文中提出一种基于免疫克隆选择算法的阵列方向图综合技术。仿真结果验证了免疫克隆选择算法相对于标准遗传算法来说更容易找到全局最优解,不易陷入局部极值,且收敛速度快,实际应用表明,基于免疫克隆选择算法的方向图综合技术是切实可行的,且具有很好的推广潜力。     

激光熔覆配油盘零件工艺参数优化研究

大功率激光熔覆配油盘零件工艺参数的优化,是现代表面强化技术研究的一个重点。文章阐述了求解激光熔覆最优工艺参数时遗传算法策略的选取办法,用神经网络方法建立了以激光功率(P)、扫描速度(V)、送粉速率(G)、扫描间距(D)和层厚(ΔZ)等工艺参数与配油盘零件性能之间定量关系模型,通过对参数编码方式、初始群体设定、适应度函数设计、遗传操作设计得到了遗传算法控制参数的最佳配置方案。在MATLAB环境中用遗传算法工具箱得到了适合于激光熔覆配油盘零件的最优工艺参数,实现了配油盘零件性能的优化目标。实践证明由遗传算法得到的最优工艺参数是正确的,对生产实践有很好的指导作用。     

非标轴承设计要求下的实验工作站系统设计

近年来,工业设计在非标轴承产业中的应用越来越广泛,而工业设计在非标轴承实验领域的应用也是工业设计中的一个重要课题。我们通过设计人性化的非标轴承实验平台,使得非标轴承实验报告更加符合客户的需求,对于提升非标轴承生产企业的整体形象、降低非标轴承生产实验过程中的实验成本、增进非标轴承实验质量、实现非标轴承生产企业核心竞争力的提升,都有着较为实际的意义。     

基于Fisher准则的自适应遗传算法在图像分割中的应用

为了确定图像分割的最佳阈值,提出了一种基于自适应遗传算法的图像分割方法.自适应遗传算法能够在保证种群多样性的同时保证算法的收敛性,克服了基本遗传算法的收敛性差、易早熟问题.以二维Fisher准则作为图像分割的评价标准,利用自适应遗传算法对其进行优化,得到最佳分割阈值.实验结果表明,与基本遗传算法相比,该算法不仅能够保证图像分割的精度,而且分割速度提高了约30%.     

基于分时电价和用户侧储能的配电网调度优化策略

针对分布式电源接入及负荷波动引起配电网线路损耗增加的问题,文中提出将分时电价机制协同用户侧储能参与配电网的优化运行模型。基于分时电价建立用户负荷响应模型,构建以用户日用电成本、配电网网损最小为目标函数的配电网运行优化模型。采用评价函数法将多目标转化成单目标,并在传统遗传算法中引入模拟退火Metropolis准则对用户侧储能充放电策略寻优。仿真结果证明了文中所提策略能有效降低配电网网损及用户用电成本,所提算法寻优速度较快,收敛性能较好。     

微量遗传算法在波导短匹配负载设计中的应用

介绍了微量遗传算法(MGA)，并将之与小生境(Niche)技术及洗牌(Shuffle)技术相结合，优化选择遗传算法(GA)的初始群体，明显地减少了内存需求及运算工作量。从它和基本遗传算法(SGA)的比较结果可以看出，在计算精度基本相当的情况下，其计算时间比SGA明显减少，计算效率大为提高。并应用MGA对波导短匹配负载进行了优化设计，结果表明效果良好。     

一种改进变异算子的混合遗传算法

分析了遗传算法传统变异算子的缺陷,为解决遗传算法搜索效率低下及早熟收敛的问题,设计了一种融合遗传搜索和模式搜索的混合遗传算法。理论分析与实验仿真结果表明,所给出的混合遗传算法是有效的,在收敛速度、精度和稳定性方面均有明显的提高。     

初始条件优化的近似指数序列灰色建模方法

灰色GM（1,1）预测方法仅针对累加生成满足近似指数特点的原始序列建立预测模型。为了拓宽传统灰色预测模型的应用范围,设计了通过优化初始条件提高灰色 GM（1,1）预测精度的新方法——DGM（1,1,c,β）模型。对满足近似指数的原始序列建立DGM（1,1,c,β）模型,利用粒子群算法求解模型参数。最后,通过实例验证了所提出的DGM（1,1,c,β）预测模型的有效性和实用性。     

基于强化学习的虚拟机资源自动配置

虚拟机技术允许多个虚拟机在同一台物理主机上共享资源.为了响应应用需求的变化或者是资源供应的变化,分配到虚拟机上的资源应该能够动态的重新配置.为此,本文提出了一个基于强化学习的算法来自动处理配置进程,即（Standard Reinforcement Learning Auto-Configuration）. 强调了基于算法的模型来解决在资源管理系统的稳定性和适应性问题.这里通过在一个云环境仿真软件CloudSim在基于虚拟机的云测试床实施具有代表性的服务器负载的实验,结果证明了的有效性.这个方法可以在小规模系统里发现最优（或接近最优）的配置策略,并且表现了很好的稳定性和适应性.