一种改进的自适应遗传算法

为了提高遗传算法的搜索效率，引进了父子竞争机制，采取一多点交叉操作技术，提出了一种改进的自适应遗传算法，并通过一个多元多峰数学函数对最佳个体保留遗传算法(Elitist-Reserved GA，EGA)、自适应遗传算法(Adaptive GA，AGA)以及文中提出的改进算法(Multi-point Crossover Adaptive GA，MAGA)进行比较评估，验证了该方法的合理性和可靠性。     

基于改进权重自适应GA的冷连轧轧制规程多目标优化

针对聚合多目标优化方法的权重难以确定的问题, 提出了一种改进的权重自适应方法, 并以遗传算法为基础对冷连轧轧制规程进行多目标优化. 首先, 结合某冷轧厂实际的轧制规程优化过程, 选取等功率裕量、轧制能耗及带钢打滑概率作为优化目标, 建立了冷连轧轧制规程的多目标优化模型. 然后将改进的权重自适应遗传算法(GA)应用于不同规格的带钢轧制规程多目标优化中, 结果表明, 与实际应用的轧制规程相比, 该方法有效的降低了3个目标函数的值; 与权重自适应GA相比, 改进的权重自适应GA的针对性更强, 同时重要性高的目标收敛速度更快.     

改进权重自适应GA及冷连轧轧制规程多目标优化

针对聚合多目标优化方法的权重难以确定的问题,提出了一种改进的权重自适应方法,并以遗传算法为基础对冷连轧轧制规程进行多目标优化.首先,结合某冷轧厂实际的轧制规程优化过程,选取等功率裕量、轧制能耗及带钢打滑概率作为优化目标,建立了冷连轧轧制规程的多目标优化模型.然后将改进的权重自适应遗传算法(GA)应用于不同规格的带钢轧制规程多目标优化中,结果表明,与实际应用的轧制规程相比,该方法有效的降低了3个目标函数的值;与权重自适应GA相比,改进的权重自适应GA的针对性更强,同时重要性高的目标收敛速度更快.     

基于改进自适应遗传算法的物流配送路径优化研究

针对物流运输中带软时间窗车辆路径优化问题,提出一种改进的自适应遗传算法。为消除遗传算法初始种群随机性强,个体分散的缺陷,采用精英保留选择方法,加快算法的收敛速度,同时提出了交叉概率和变异概率自适应调整的交叉和变异方法,进化过程中交叉概率和变异概率根据适应度、进化代数和进化过程中个体未改变数目个数来自适应变化,提高算法的局部搜索能力,有效避免了算法出现未成熟收敛的情况。将新的自适应遗传算法(New Improved Adaptive Genetic Algorithm,简称NIAGA)应用于该路径优化问题的求解,实验结果表明改进后的自适应遗传算法在求解物流配送路径优化问题上有明显优势。     

嵌套式模糊自适应遗传算法

针对简单遗传算法(SGA)收敛速度慢和早熟收敛现象,将模糊逻辑理论应用于遗传算法,并采用两级嵌套的遗传算法,随主遗传算法GA1求解优化问题的进化进程用模糊控制的方法自适应地调整遗传算法的交叉概率和变异概率;利用另一个遗传算法GA2优化模糊规则库,实现了一种嵌套式模糊自适应遗传算法(NFAGA)。仿真结果表明,这种算法的全局搜索收敛速度和解的质量明显优于SGA和一般的自适应遗传算法(AGA)。     

融合遗传算法和关联规则的数据挖掘方法改进

提出了一种融合改进遗传算法(Genetic algorithm, GA)和关联规则的数据挖掘方法,首先将GA交叉算子和变异算子进行自适应改进,使其在迭代过程中能够根据函数适应度值自适应调节;然后将改进后的自适应GA融入到关联规则中,充分利用GA良好的全局搜索能力,提高处理海量数据关联规则的挖掘效率。为了避免无用规则,减少不相关性的存在,在此基础上融入亲密度以提高关联规则的可靠性。在Hadoop大数据平台上通过分析交通数据验证优化后的算法,与传统方法相比,该方法提高了算法的收敛速度和鲁棒性。     

基于模拟退火的混合差分进化算法及其在联合补货-配送集成优化中的应用

针对差分进化 (Differential evolution, DE)算法搜索效率较低和容易陷入局部最优的缺点,设计了基于SA的混合差分进化算法(SA-based Hybrid DE, SAHDE),以提高DE算法的全局寻优能力。该算法采用自适应变异算子和交叉算子,并结合模拟退火(Simulated Annealing, SA)算法的Metropolis 准则。首先通过标准测试函数对改进的SAHDE进行性能测试,证明了该算法比DE、自适应混合DE (Adaptive Hybrid DE, AHDE)和遗传算法(Genetic Algorithm, GA)更有效。进而将该算法运用到联合补货-配送集成优化(典型NP-hard)问题的求解中,通过大规模的算例分析,证实SAHDE在解决联合补货-配送优化问题比DE、AHDE和GA更有效。     

基于遗传退火算法的飞机定检原位工作流程优化

将遗传算法(GA)应用于飞机定检原位工作流程优化中。首先,建立原位工作流程优化模型;其次,提出"排序调整法"来保证个体对应解符合工序约束;最后采用精英选择算子。模拟退火算子和自适应机制对基本遗传算法(SGA)进行改进。仿真结果表明,改进遗传算法在最优解搜索能力上较SGA有明显提高,克服了其容易"早熟"的不足;优化后原位工作完成时间较优化前缩短19.78%,验证了GA在解决定检工作流程优化问题上的适用性。     

基于改进遗传算法的给水管网最短路径求解

研究城市供水系统问题,为降低城市给水管网扩建成本,提高城市给水管网通过水质量的安全性,提高综合效益,研究了网络地理信息系统(WebGIS)中的遗传算法(GA),针对遗传箅法在寻优过程中存在的问题,提出了一种隔离小生境自适应与遗传算法结合,设计自适应交叉函数和自适应变异函数,自适应调整交叉率和变异率策略,克服了简单遗传算法易陷入局部极小和早熟收敛的缺陷,并经过仿真表明,提高了算法的搜索效率、精度和稳定性,对于求解城市给水管网最短路径问题效果有明显的改进.     

风电机组轴承早期故障特征提取研究

针对风电机组滚动轴承早期故障振动信号微弱、强干扰、非平稳、非线性的特点,提出基于自适应噪声完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)-排列熵(Permutation Entropy,PE)-遗传算法(Genetic Algorithm, GA)的特征提取方法。方法先计算振动信号经CEEMDAN分解得到多个本征模态函数(Intrinsic Mode Function,IMF)的排列熵值和方差贡献率,剔除虚假、低贡献率分量;根据识别误差最小和特征子集数目最少两个目标,构造了适应度函数,通过GA进行特征选择选出最优特征子集。仿真分析,上述方法能够快速有效提取不同故障的振动信号特征指标,为故障模式识别问題提供良好的思路和方法。