基于QGA-LS-SVM的超声导波缺陷轮廓重构

超声导波缺陷轮廓重构是指由检测到的缺陷回波信号重构缺陷轮廓及参数,是实现超声导波信号反演的关键.探讨了应用最小二乘支持向量机（Least Squares Support Vector Machine,LS-SVM）对缺陷轮廓进行重构的方法,并利用量子遗传算法（Quantum Genetic Algorithm,QGA）优化LS-SVM及核函数的参数.LS-SVM的输入是缺陷所产生的回波信号,输出是缺陷轮廓数据,建立起由缺陷的回波信号到缺陷二维轮廓的映射关系.训练样本和测试样本由实验数据与仿真数据组成.该方法实现了缺陷的二维轮廓重构,并与BP（Back Propagation）神经网络、GRNN（Generalized Regression Neural Network）神经网络和常规遗传算法LS-SVM三种方法的重构效果进行了比较.结果表明,该方法速度快、精度高,并有很好的泛化能力,是一种行之有效的缺陷反演方法.     

基于改进遗传算法的PID参数整定策略

针对简单遗传算法（SGA）收敛速度慢、易于早熟等缺点,在前人研究成果的基础上,将传统的轮盘赌选择法与最优保留策略结合起来,并采用改进的自适应交叉算子和自适应变异算子,结合兼顾性能指标和响应过程平衡的适配函数,以多种改进方式相结合的遗传算法对PID参数进行迭代寻优整定。仿真试验结果表明改进的遗传算法是一种简单高效的寻优算法,与传统的寻优方法相比可明显地改善控制系统的动态性能。     

机械压力机肘杆传动机构的优化设计

采用复数矢量法建立了机械压力机的运动方程,采用实数编码的遗传算法,并对主要参数的选取方法进行了改进,将违约解转化法和退火惩罚函数法相结合来处理约束函数,用改进后的遗传算法对机械压力机肘杆传动机构进行了优化设计.优化计算结果表明,改进后的遗传算法能够以较快的速度收敛到符合实际生产要求的全局最优解.     

遗传算法在机械工程优化设计中的应用研究

根据遗传算法的基本理论,并结合机械工程优化设计的特点,对传统遗传算法的遗传操作作出改进,提出了一种将柯西机和遗传算法相结合的改进遗传算法,并应用于机械工程优化设计问题的全局最优解求解。计算实例说明,改进的遗传算法不仅增强了传统遗传算法的全局收敛性,能够有效地求得优化问题的全局极小点,而且还提高算法进行后期的收敛速度。     

改进遗传算法的应用研究

针对简单遗传算法在实际应用中存在易产生早熟收敛、得到的结果可能为非全局最优收敛解、适度值计算时间过长以及在进化后期搜索效率较低的缺陷,介绍了四大类改进遗传算法,即小生境遗传算法、自适应遗传算法、并行遗传算法及混合遗传算法的应用情况.     

5通道铁磁探测仪的研发与锅炉管堵塞检测

为了提高航空发动机轴承故障诊断的准确率,提出基于改进遗传算法优化（back propagation,简称BP）网络(modified genetic algorithm to optimize BP,简称MGA-BP)的故障诊断模型。针对传统遗传算法易早熟、易陷于局部最优解等缺陷,利用固定个体选择概率、引入三角函数和高斯变异操作对遗传算法进行改进,并用改进遗传算法优化BP网络的权值和阈值。利用优化的BP网络对滚动轴承正常、内圈故障、外圈故障和钢球故障4种工况进行诊断,并考虑到网络输出模式、诊断样本比例等对诊断精度的影响。为了验证MGA-BP在轴承故障诊断中的有效性,将其他改进遗传算法优化BP网络作为对比算法。分析表明：MGA-BP能够较好地适应网络不同的输出模式、不同的样本比例,其抗噪能力、诊断准确率、误差收敛速度和误差收敛值均优于文中其他对比算法。     

遗传算法在数据挖掘技术中的应用研究

传统的数据挖掘聚类分析算法在很大程度上依赖于初始数据选择,如果选择不合适,函数将不能收敛到全局最优,信息数据将会发生偏移。为了解决上述缺陷,将遗传算法与聚类分析中的k均值算法相结合,可以实现全局优化,可以实时处理数据,避免陷入局部误差中,同时提高了算法的收敛速度和精度。     

应用混合遗传蚁群算法求解柔性车间调度问题

将遗传算法和蚁群算法结合用于作业车间调度.该方法利用了遗传算法快速随机的全局搜索能力和蚁群算法并行分布式正反馈机制,同时避免了蚁群算法因初始信息素缺乏收敛速度慢及遗传算法因缺少反馈机制容易陷入局部最优的缺陷.仿真计算结果验证了该方法的有效性.     

一种求解Job-Shop调度问题的量子遗传算法

提出了一种基于操作方式进行编码和解码的量子遗传算法,并将其用于求解一种典型的NP-hard组合优化问题即Job-Shop调度问题.该算法采用量子比特方式构造染色体,增加了算法的种群多样性和计算并行性;采用量子旋转门操作实现种群进化,有效地提高了算法的收敛速度.用基准调度问题实例对该算法进行的测试结果表明:该量子遗传算法与改进的遗传算法相比较有更好的优化性能.     

基于量子遗传算法的多峰函数优化研究

针对标准遗传算法在多峰函数寻优中出现的局部收敛性及精度不高等问题,提出了一种基于量子遗传算法的多峰函数优化算法.该算法融合了量子计算和遗传算法的思想,通过量子比特编码和量子旋转门调整策略更新种群.仿真结果表明该优化算法收敛速度快,能跳出局部最优,在多峰函数寻优中具有有效性和可行性.     

基于量子遗传算法的轴向柱塞泵故障特征选择

为了进一步减少特征维数、缩短运算时间、提高分类正确率等,提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法,该方法采用量子位进行染色体编码,利用量子门更新种群。首先,对轴向柱塞泵振动信号进行小波包变换,提取出原始信号和各个小波包系数的统计特征;然后,利用量子遗传算法从原始特征集中选择出最优特征集;最后,以神经网络为分类器(其输入为最优特征集),对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择,试验结果表明,与普通遗传算法相比,量子遗传算法可以更有效地减少特征维数,提高分类正确率。     

嫁接遗传算法及其在车间作业调度问题中的应用

分析了现有遗传算法在解决车间作业调度问题时局限产生的原因 ,提出了一种既能加快进化速度 ,又能提高抗早熟能力的嫁接遗传算法 ,并将其成功应用于车间作业调度问题。最后的实例测试表明了新算法的有效性和优越性以及它在调度领域的应用可行性。     

机械手逆运动学神经网络算法研究

提出一种基于模糊遗传算法的机械手逆运动学神经网络建模方法。该方法采用3层前向神经网络建立机械手逆运动学模型，应用模糊遗传算法训练神经网络的权系数。此算法可根据种群进化情况，对交叉概率和变 异概率进行在线模糊控制，加快了算法的搜索过程，有效地避免了简单遗传算法中容易出现的初期收敛问题。仿真结果表明，本方法提高了求解精度和收敛速度，不但有效克服了简单遗传算法常出现的初期收敛和BP算法求解精度低、容易陷入局部极小等缺点，而且避免了计算Jacobian矩阵的伪逆，结构简单、容易实现。     

遗传参数自适应调整算法及其在液压动力系统优化控制中的应用

针对固定参数的遗传算法容易陷入过早收敛,进入局部最优状态等问题,建立了交叉概率及变异概率的模糊逻辑控制器以实现遗传算法策略性参数的自适应调整,从而提高优化算法的收敛速度及获得全局解的能力。运用常规优化方法及改进优化算法对永磁电机驱动的液压系统流量进行优化控制和对比,仿真和实验结果表明：采用遗传参数自适应调整算法优化控制器,可使系统在典型工况下,保持良好的控制性能,并且具有高于常规优化方法的控制精度和鲁棒性。     

混合遗传算法在桥式起重机结构优化中的应用

针对工程中的变量离散化问题，提出了一种将遗传算法和模拟退火算法相结合的混合算法。该算法发挥了遗传算法和模拟退火算法的优越性，避免了遗传算法的早熟收敛问题，增强了算法的全局收敛性，并提高了算法的收敛速度。通过对桥式起重机金属结构进行优化，其结果与MDOD和改进遗传算法2种的结果进行比较，表明此算法能够很好处理工程离散化问题。     

桥式起重机箱型主梁的改进遗传算法优化设计

在遗传算法原理的基础上,首先对遗传算法中的选择算子进行改进优化,将优胜劣汰的思想融入到遗传算法中,从而保障最优基因能迅速地遗传到后代,加速收敛。然后通过时刻改变惩罚项和障碍项动态调整适应度函数,避免算法止于局部最优。最后,将改进的遗传算法应用于桥式起重机箱形主梁的优化设计中。     

一种基于改进遗传算法的神经网络优化算法研究

遗传算法是目前优化搜索算法中应用比较广泛的一种,但基本遗传算法存在收敛速度慢、易于陷入局部最优等缺点。针对上述问题对遗传算法(GA)的选择算子进行改进,在最优保存策略的基础上将每代种群按照适应度由小到大排序,平均分成前中后3段,按照0.6、0.8、1的比例进行选择;从尾段中随机抽取个体来补足种群由于选择操作而损失的个体;既利用了最优保存策略的全局收敛特性同时也保持了种群的多样性;用改进的遗传算法调整神经网络的权值形成了新的改进遗传算法优化BP神经网络(IGA-BP);通过与选择算子为适应度比例选择算子的GA-BP网络进行比较,结果表明算法改进后缩短了收敛时间同时减少了运行误差;最后将该改进算法应用于水泥回转窑的故障诊断中,验证了算法的可行性。     

嫁接共生遗传算法及其在作业调度中的应用

针对现有遗传算法在解决复杂车间作业调度问题时存在早熟和进化速度缓慢的缺点，提出了一种改进的算法——嫁接共生遗传算法。嫁接种群的引入和种群间交叉的策略，可以明显加快进化速度；双交叉算子的采用和共生阶段的进化，则可增强算法搜索新解的能力，进而提高解的精度。上述所有措施均可增强算法抗早熟能力。通过与现有遗传算法的比较，突出显示了该算法的优越性，证明了它在现代网络化生产中的应用价值。     

多种群遗传算法在数字散斑相关搜索中的应用

数字散斑相关方法中,搜索算法对计算速度有着重要的影响。遗传寻优算法的全局性非常适合散斑相关搜索。然而,作为一种智能算法,算法参数对于遗传算法的计算稳定性和效率都有着重要影响。同时,不成熟收敛也是不可忽视的问题。本文将多种群遗传算法应用于数字散斑相关方法中,在避免了不成熟收敛问题的同时,提高了计算稳定性和效率。