基于响应面法和遗传算法的多自由度微陀螺性能优化

为了兼顾微陀螺的灵敏度和带宽,实现其性能优化,将特征提取、响应面法与遗传算法相结合,提出了一种基于灵敏度和带宽最优化的优化设计方法。该方法基于特征提取确定设计变量及约束条件。通过BBD(Box-Behnken Design)方法采样,结合最小二乘法构建微陀螺灵敏度和带宽的响应面近似模型,运用多目标遗传算法对响应面模型进行优化。通过计算Pareto前沿最优解获得一系列优化方案,可同时将灵敏度和带宽分别提升19%和12%,也可在灵敏度不变的前提将带宽拓展78%,可根据实际需要选择不同的优化方案。对原设计和优化方案进行仿真对比,验证了优化设计结果的正确性。采用该方法对多自由度微陀螺的性能进行分析和优化,能在大大提高优化效率的同时有效提高灵敏度与带宽,为微陀螺的优化设计提供一种新思路。     

针对多个动力学性能的整车多目标优化

针对难以用传统单目标方法开发综合性能好的汽车的问题,建立整车刚柔耦合多体动力学模型,用车身垂向加速度、前后轮荷标准差和横摆角速度超调量等3个参数表征乘坐舒适性、行驶安全性和操纵稳定性等3方面性能,并采用多目标遗传算法进行优化.从优化得到的一组Pareto解集中选取一个最优解,有效提高汽车的若干性能,证明该方法能有效优化整车动力学性能.     

多目标遗传算法及在过程优化综合中的应用

化工过程的多目标优化综合问题可归结为多目标混合整数非线性规划(MOMINLP)模型的求解,求解方法主要有数学规划法和多目标进化算法。以多目标遗传算法(MOGA)为代表的进化算法被认为是特别适合求解此类问题。遗传算法大多用于单目标问题的优化,近十几年来将遗传算法应用到多目标优化的研究得到了很大的发展。本文对多目标遗传算法的一些重要概念、发展历程进行了回顾。针对化工过程的模型特点,对MOGA在过程综合中的应用研究进行了讨论,并认为混合遗传算法应是求解此类问题的有效算法。     

基于多目标遗传算法的侦察资源优化

基于地理信息系统的侦察资源优化,是个多目标多约束的资源分配问题。文章根据相关知识提出侦察资源优化模型,在地形分析结果基础上利用多目标遗传算法进行求解。算法采用多参数映射编码,通过启发式初始化方法和专门的遗传算子保证初始个体的有效,此外惩罚函数对应问题的约束条件,可以确保适应度函数对算法进化的正确引导。仿真结果证明该方法有效。     

电磁场产生装置的仿真与设计

在电磁场应用问题的研究中为了解决电磁场产生装置在工作点的漏磁感应强度不足,磁感应强度不稳定及其在指定路径上的分布等问题,为了满足磁感应强度稳定性要求,提出了电磁场产生装置的优化仿真设计方法,建立了电磁场计算的数学模型,并采用有限元方法对电磁场产生装置进行计算.建立了以工作点的磁感应强度为目标函数的优化模型,得到磁极气隙宽度的优化值.采用闭环控制系统实时调整线圈供电电流进而保证工作点磁感应强度满足误差要求.经试验测试,并将试验结果与仿真分析结果进行比较分析,试验结果与仿真分析一致,验证了仿真、优化及控制方法的可行性和实用性.     

基于GA-NN的复杂工艺生产过程多目标优化研究

在复杂非线性多目标优化问题求解中,非线性模型结构很难事先给定,需要检验的参数也非常繁多,应用传统的建模方法和优化模型已难以解决更为复杂的现实问题。人工神经网络技术为解决复杂非线性系统建模问题提供了一条新的途径。将神经网络响应面作为目标函数或者约束条件,加上其他常规约束条件进行系统模型的建立,再应用遗传算法进行优化,从而实现设计分析与设计优化的分离。以某化工企业的生产过程优化问题为例,利用BP神经网络建立了工艺参数与性能目标之间的模型,然后利用遗传算法搜索最优工艺参数,获取了用于指导生产的样本点数据。研究结果表明,该方法能够获得高精度的多目标优化模型,从而使优化效率大为提高。     

基于双层规划的多供应商物料配送期量优化

为有效解决多供应商单制造商构成的二级供应链中供应商配送批量不经济、配送时间无序导致物流成本高和卸货拥堵等问题,建立多供应商配送期量的双层规划模型.上层模型从库存与配送联合优化视角,考虑供应商配送批量经济性,以供应链物流总成本最低为目标,确定最优配送批量;下层模型基于上层优化结果,考虑制造商生产时序性,以供应商时间惩罚成本最小化为目标,确定供应商配送时间序列.采用遗传算法和动态规划相结合的方法求解上下层模型,得到供应商最优配送期量标准.通过实例运用,验证了模型与算法的有效性及可行性.     

基于双层规划的多供应商物料配送期量优化

为有效解决多供应商单制造商构成的二级供应链中供应商配送批量不经济、配送时间无序导致物流成本高和卸货拥堵等问题,建立多供应商配送期量的双层规划模型.上层模型从库存与配送联合优化视角,考虑供应商配送批量经济性,以供应链物流总成本最低为目标,确定最优配送批量;下层模型基于上层优化结果,考虑制造商生产时序性,以供应商时间惩罚成本最小化为目标,确定供应商配送时间序列.采用遗传算法和动态规划相结合的方法求解上下层模型,得到供应商最优配送期量标准.通过实例运用,验证了模型与算法的有效性及可行性.     

基于改进型遗传算法的能源模糊优化的研究

将模糊优化的概念引入能源模型中,将多目标能源模型中的能源、经济和环境3个目标函数的约束条件模糊化,并定义了由惩罚函数和目标函数组成的新目标函数.针对该模糊多目标优化模型,采用改进型遗传算法进行求解,在适应度函数以及其它遗传操作的设计上做了改进.实验表明,这种遗传算法是一种性能优良的解决能源优化问题的启发式搜索算法,可以快速有效的求得能源优化问题的最优解,进而得到能源的最佳配置.     

面向多星任务规划问题的改进遗传算法

卫星数量的快速增加为管控卫星的工作增加了很大的难度,如何有效地进行任务规划,有效管理卫星资源,成为了卫星领域的一个重要问题.针对此问题,本文构建了多星任务规划的数学模型,将最大化任务收益作为优化目标.本文分析了问题的难点并提出了一种包含两种优化策略的改进遗传算法,包括全局优化和局部优化两部分.全局优化和局部优化根据种群改进情况进行自适应切换.通过两种优化方法的结合可以提升任务规划的效果.本文还提出了一种任务规划算法,用于为改进遗传算法得到的任务序列选择合适的任务执行时间.仿真实验证明本文提出的改进遗传算法可以很好地解决多星任务规划问题,与对比算法相比可以得到更优的规划结果.改进遗传算法有很好的工程应用前景.     

Improved auto control ant colony optimization using lazy ant approach for grid scheduling problem

An auto controlled ant colony optimization algorithm controls the behavior of the ant colony algorithm automatically based on a priori heuristic. During the experimental study of auto controlled ACO algorithm on grid scheduling problem, it was observed that the induction of lazy ants not only reduces the time complexity of the algorithm but also produces better results on the given objectives. Lazy ants are basically a mutated version of active ants that remain alive till the fitter lazy ants are generated in the successive generations. This work presents an improved auto controlled ACO algorithm using the lazy ant concept. Performance study reveals the efficacy and the efficiency achieved by the proposed algorithm. A comparative study of the proposed method with some other recent meta-heuristics such as auto controlled ant colony optimization algorithm, genetic algorithm, quantum genetic algorithm, simulated annealing and particle swarm optimization for grid scheduling problem exhibits so.     

基于粒子群优化算法的线圈系统设计

采用磁变模拟法,模拟舰艇在海洋上航行进行旋转和摇摆,在地磁场的作用下产生的涡流磁场,来实现对舰艇涡流磁场的测量.为了更精确地模拟地球磁场,首先需要创造一个均匀度相对较高的磁场空间.基于此目标,采用粒子群优化算法,以线圈系统的均匀度为目标函数,通过迭代的方式,对线圈系统的位置参数和匝数参数进行优化计算找到最优解.依据最优解,结合实验场地的特点和实际线圈系统的搭建情况,对线圈系统产生的磁场的均匀度进行了模拟仿真,建立了一个在中心区域均匀度高于95％ 的相对均匀的磁场空间.     

Solution of multiobjective optimization problems: coevolutionary algorithm based on evolutionary game theory

When attempting to solve multiobjective optimization problems (MOPs) using evolutionary algorithms, the Pareto genetic algorithm (GA) has now become a standard of sorts. After its introduction, this approach was further developed and led to many applications. All of these approaches are based on Pareto ranking and use the fitness sharing function to keep diversity. On the other hand, the scheme for solving MOPs presented by Nash introduced the notion of Nash equilibrium and aimed at solving MOPs that originated from evolutionary game theory and economics. Since the concept of Nash Equilibrium was introduced, game theorists have attempted to formalize aspects of the evolutionary equilibrium. Nash genetic algorithm (Nash GA) is the idea to bring together genetic algorithms and Nash strategy. The aim of this algorithm is to find the Nash equilibrium through the genetic process. Another central achievement of evolutionary game theory is the introduction of a method by which agents can play optimal strategies in the absence of rationality. Through the process of Darwinian selection, a population of agents can evolve to an evolutionary stable strategy (ESS). In this article, we find the ESS as a solution of MOPs using a coevolutionary algorithm based on evolutionary game theory. By applying newly designed coevolutionary algorithms to several MOPs, we can confirm that evolutionary game theory can be embodied by the coevolutionary algorithm and this coevolutionary algorithm can find optimal equilibrium points as solutions for an MOP. We also show the optimization performance of the co-evolutionary algorithm based on evolutionary game theory by applying this model to several MOPs and comparing the solutions with those of previous evolutionary optimization models. This work was presented, in part, at the 8th International Symposium on Artificial Life and Robotics, Oita, Japan, January 24#x2013;26, 2003.     

改进神经网络在粮油配送中心选址中的应用

在建立以控制成本为核心的粮油配送中心选址模型的基础上,分析了选址过程中的影响因素;结合人工神经网络与选址影响因素之间的特点,引入了经遗传算法优化的神经网络模型。为解决遗传算法易陷入局部最优的问题,提出了一种在变异算子中增加禁忌表的方法。实例求解表明,与专家评审的选址决策相比,该算法能够有效解决粮油配送中心的选址问题。     

C‑V2X车联网中基于模拟退火算法的任务卸载与资源分配

网联车辆节点产生的不同属性的大数据流量计算任务进行传输并卸载时,通常引起通信系统中时延抖动、计算能耗与系统开销大等问题,因此,根据实际通信环境,提出一种C-V2X车联网（IoV）中基于模拟退火算法（SAA）的任务卸载与资源分配方案。首先,根据任务处理优先程度,对处理优先程度较高的任务进行协同卸载计算处理;其次,通过全局搜索最优卸载比例因子的方式,制定了一种基于SAA的任务卸载策略,且分析并优化了任务卸载比例因子;最后,在任务卸载比例因子更新过程中,将系统开销最小化问题转化为功率和计算资源分配凸优化问题,并利用拉格朗日乘子法获取最优解。通过对所提算法与本地卸载、自适应遗传算法等作比较可知,随着计算任务的数据量不断增加,自适应遗传算法比本地卸载的时延、能耗、系统开销分别降低了5.97%、49.40%、49.36%,在此基础上基于SAA的方案较自适应遗传算法的时延、能耗、系统开销再降低了6.35%、92.27%、91.7%;随着计算任务CPU周期数不断增加,自适应遗传算法比本地卸载的时延、能耗、系统开销分别降低了16.4%、49.58%、49.23%,在此基础上基于SAA的方案较自适应遗传算法的时延、能耗、系统开销再降低了19.61%、94.39%、89.88%。实验结果表明,SAA不仅能降低通信系统时延、能耗及系统开销,还可以使结果加速收敛。     

多子群协同进化的多目标微粒群优化算法

微粒群优化(PSO)算法是一种非常有竞争力的求解多目标优化问题的群智能算法,因其容易陷入局部极值,导致非劣解集的收敛性和正确性不理想。为此提出一种基于多目标分解进化策略的多子群协同进化的多目标微粒群优化算法(MOPSO_MC),算法中每个子群对应于一个多目标分解之后的子问题,并构造了一种新的速率更新策略,每个粒子跟踪自身历史最优值、子群最优值和子群邻域最优值,从而在增强算法的局部寻优能力的同时,也能从邻域子群获得进化信息,实现协同进化。最后通过仿真实验,与现在主流的多目标微粒群算法在ZDT基准测试函数上比较,验证了算法的收敛性,解分布的均匀性和正确性。     

基于CPSO的无线传感器网络路由优化

研究无线传感器网络路由优化问题,由于无线传感器节点的能量受到限制,通信过程能量损耗,影响网络的性能。传统粒子群算法难以获得最优网络路由方案。为延长网络生存时间,结合粒子群的快速性和混沌的遍历性优点,提出了一种混沌粒子群(CPSO)的无线网络路由优化方法。通过粒子群算法的自组织、动态寻优能力,并通过混沌机制对粒子群进行混沌扰动,增加多样性,加快最优路由优化速度,使网络最优路由和能量消耗间尽量平衡。仿真结果表明,相对于传统优化算法,CPSO提高了无线传感器网络路由优化速度,减少网络能量消耗,有效延长了网络生存时间,为提高整个网络通信效率提供了参考。     

基于对立策略的螺栓遗传算法

为进一步提高螺栓遗传算法的优化效率,加速寻优过程,提出基于对立策略的螺栓遗传算法。该算法在种群初始化阶段和变异阶段均用对立取代随机方式,提高产生解的质量。利用测试函数对算法的效率进行检验,将其与差分算法、遗传算法、粒子群算法和螺栓遗传算法进行对比,结果表明,新算法具有更快的收敛速度和更高的求解精度。     

改进的蚁群遗传优化算法及其应用

针对当前移动机器人的一些路径规划算法存在的局限性,提出了一种基于改进蚁群优化和遗传优化的融合算法。利用改进的信息素更新技术和路径节点选择技术使算法尽快找到优化路径,来形成融合算法的初始种群,机器人每前进一步,蚂蚁就对局部路径重新搜索,并处理随机出现的障碍物;然后利用遗传算法(GA)对种群个体进行全局优化,从而能使机器人沿一条全局优化的路径到达终点。仿真结果表明了该融合算法的可行性和有效性。     

一种求解典型JSP的改进离散粒子群优化算法

针对NP-hard性质的作业车间调度问题, 设计了一种改进的离散粒子群优化算法。引入遗传算法交叉算子和变异算子来实现粒子的更新, 并将变异思想和模拟退火算法思想融入该算法中对全局最优粒子的邻域进行局部搜索, 很好地防止了算法出现早熟收敛。通过将该算法和标准粒子群优化算法用于求解典型JSP, 计算结果对比表明, 改进的算法具有很强的全局寻优能力; 就综合解的质量和计算效率而言, 改进算法优于标准粒子群优化算法。同时, 将该算法结果与文献中其他相关算法结果进行比较, 验证了该改进算法的有效性。该算法能够有效地、高质量地解决作业车间调度问题。