利用遗传算法搜索寻优图形化模型参数的研究

提出一种图形化建模加遗传算法寻优的新型控制系统设计策略.采用Simulink建模,实值多种群遗传算法进化迭代寻优图形化模型参数,利用模型的仿真输出计算目标函数.利用该策略成功求解了一个非线性速度反馈校正系统的最优控制问题.有关研究成果在解决实际工程问题时简便、高效且实用.     

一种多策略并行遗传算法研究

针对传统遗传算法工程应用性能不足的特点,提出一种多策略并行遗传算法以增加算法的群体多样性及提高算法的鲁棒性;采用8个不同策略为并行遗传算法的分支遗传操作进行群体寻优,并将分支的群体采用自适应迁移策略实现最优个体的合理迁移,以分支群体的适应度为算法终止条件,实现群体寻优;利用连续单峰函数、连续多峰函数等多个函数进行平均收敛代数等参数进行算法测试,结果表明算法的鲁棒性、收敛性、稳定性及优化能力较传统遗传算法有较大的提高,该算法具有较强的工程应用性能.     

基于一种新的基因操作策略的改进遗传算法

提出一种新的基因操作策略,该策略利用单纯形法的思想产生新样本,将遗传处法寻优的随机性与传统算法寻优的方向性有机地结合在一起。仿真结果表明,将改进的遗传算法用训练神经网络辨识器,可提高收敛速度和模型拟合精度。     

基于遗传算法和直接搜索策略的PID整定研究

该文在详细分析遗传算法和直接搜索法优缺点的基础上提出了一种基于遗传算法和直接搜索策略的混合优化算法。该算法既具有遗传算法的全局寻优能力,又具有直接搜索法的局部寻优能力。可大大提高寻优的精度和速度。该混合算法先用遗传算法对给定区域进行全局的粗略搜索,然后用直接搜索法对其中部分较优个体进行局部的精细搜索。应用于PID自整定的仿真实验表明：该算法可节约绝大部分的进化代数,极大地提高寻优的速度,同时,PID整定的参数一致性好,具有比遗传退火策略更一致的寻优精度。     

基于混合蛙跳的量子遗传算法

量子遗传算法的早熟问题影响算法的求解性能,为提高算法能力,提出基于混合蛙跳的量子遗传算法。算法引入混合蛙跳和模拟退火准则,采用量子变异策略;利用组内寻优和整体寻优,减少算法整体迭代次数。将改进后的量子遗传算法应用于函数优化方面,用测试函数的寻优来评价算法性能,实验结果表明,该算法有效提高了算法性能,能求解出符合要求的全局最优值,改善了早熟收敛的问题。     

改进的遗传算法求解旅行商问题

提出一种解决旅行商问题的改进遗传算法.在传统遗传算法的基础上,引入贪婪算法进行种群初始化;从遗传进化代数和个体适应函数值两个方面实现遗传参数自适应调节,在加快寻优速度的同时防止寻优陷入局部最优;采用基于贪婪方法的启发式交叉算子优化交叉结果;对交叉前后的种群分别实施精英个体保留策略,保证最优基因结构得以延续.实验结果分析表明,改进的遗传算法可以在种群规模较小的情况下具有更可靠的寻优能力.     

一种多策略并行遗传算法研究

针对传统遗传算法工程应用性能不足的特点,提出一种多策略并行遗传算法以增加算法的群体多样性及提高算法的鲁棒性;采用8个不同策略为并行遗传算法的分支遗传操作进行群体寻优,并将分支的群体采用自适应迁移策略实现最优个体的合理迁移,以分支群体的适应度为算法终止条件,实现群体寻优;利用连续单峰函数、连续多峰函数等多个函数进行平均收敛代数等参数进行算法测试,结果表明算法的鲁棒性、收敛性、稳定性及优化能力较传统遗传算法有较大的提高,该算法具有较强的工程应用性能。     

基于改进遗传算法的非线性PID控制器

基于PID控制器各增益参数与偏差信号之间呈现非线性关系,该文提出了一种非线性PID控制器.同时,针对经典遗传算法收敛速度慢、易于早熟、局部寻优能力差等缺点,在前人研究成果的基础上,改进了传统的遗传算法,并将其应用于非线性PID控制器参数寻优.仿真结果表明,基于此遗传算法寻优设计的非线性PID控制器可以极大地提高寻优的速度,同时兼顾系统的动态和静态性能.     

基于动态蚁群遗传算法的士兵个性化学习

面对士兵学历层次,知识理解能力和掌握速度参差不齐的现状,千篇一律的士兵职业技能教育体制已不再适应网络化时代发展和信息化部队建设的需要.文章在分析了当前士兵职业技能教育存在的问题以及蚁群算法和遗传算法各自的特点之后,提出了根据最佳融合点交叉调用蚁群算法和遗传算法的策略,以使蚁群算法的寻优结果作为遗传算法的种子来优化其初始种群,并模仿TSP问题将士兵的个性化学习过程成功地转化为一个典型的组合优化问题,以此来寻找适合每位士兵的个性化学习路径.实验结果表明,改进后的蚁群遗传算法的收敛速度和寻优能力大大提高.     

遗传算法在森林防火预警网络中的应用

将遗传算法进行改进并应用于无线传感网络的优化设计中,根据森林的实际环境建立合适的数学模型,并在此基础上给出适应度函数和传感器网络的组网策略.当有异常情况发生,能够准确及时的发出警报,并发出位置信息.针对遗传算法容易进入局部最优解的误区,把模拟退火算子加入遗传算法,同时基于以往的交叉概率和遗传概率的选取不当给寻优结果带来...     

全局数值寻优的一种混合遗传算法

提出一种与单纯形法相结合，用于解决全局数值优化问题的混合遗传算法. 在该混合方法中，采用了非线性排序选择、多个交叉后代竞争择优、变异尺度自适应变化变异算子和适应性阶段进化策略等改进的遗传机制，并采用精英个体保留策略、修改的单纯形策略及改进的遗传策略共同产生下一代群体. 数值结果表明提出的该方法的有效性.     

混合遗传算法在WSNs定位中的应用

定位是无线传感器网络(WSNs)的应用支撑,针对用最小二乘法处理DV—Hop算法第三阶段误差过大、定位精度差的问题,提出了遗传算法(GA)+单纯形法的混合GA后期优化处理DV—Hop算法。其中,DV—Hop定位算法第一,二阶段用跳距估计出信标节点与未知节点间的距离,再用GA(建立了代价函数与惩罚函数结合的适应度函数)与单纯形法(作为遗传算子增加了算法的局部搜索能力)结合的混合GA采用保优原则优化未知节点的坐标。通过仿真可知:该算法的定位精度高、网络覆盖率大,适合WSNs的定位。     

基于遗传算法和模拟退火算法的TDOA定位技术

提出一种基于遗传算法与模拟退火算法的TDOA定位估计算法,该算法通过对求解定位坐标计算时的最大似然函数进行求解,实现了利用所有TDOA测量值对移动台的定位估计。该算法采用实数编码,自适应交叉率和变异率实现遗传算法的全局搜索,引入模拟退火的Boltzmann机制,解决遗传算法容易陷入局部最优的问题。实验结果表明,该算法定位精度高、收敛速度快。     

基于粒子群优化和遗传算法的协同聚类算法

为充分发挥粒子群优化算法和遗传算法各自的优势,提出一种新的基于粒子群和遗传算法的协同进化算法,并将其应用于聚类分析。通过构建2个相互竞争的种群,采用相对适应度度量方法,在一个纯自举的过程中产生最优竞争个体。在现实世界数据集上的仿真实验表明,该算法在收敛精度方面优于基于遗传算法的聚类方法和基本粒子群优化聚类算法。     

基于Fisher准则的自适应图像分割算法

为了克服基本遗传算法收敛性差、易早熟的问题,针对阈值分割算法的实时性和准确性的要求,基于Fisher评价函数较强的分类效果和遗传算法的强大空间搜索能力,提出了改进的自适应分割算法,引入Fisher评价准则函数作为适应度函数,运用自适应的遗传算法确定图像分割的阈值,实现二者的有效融合,获得了比较满意的结果。实验表明,通过与已有的算法进行比较,改进的算法在分割效果和寻优效率上,都有了显著的改善。证明该优化算法的正确可靠性。     

A hybrid approach to modeling metabolic systems using a geneticalgorithm and simplex method

One of the main obstacles in applying genetic algorithms (GA's) to complex problems has been the high computational cost due to their slow convergence rate. We encountered such a difficulty in our attempt to use the classical GA for estimating parameters of a metabolic model. To alleviate this difficulty, we developed a hybrid approach that combines a GA with a stochastic variant of the simplex method in function optimization. Our motivation for developing the stochastic simplex method is to introduce a cost-effective exploration component into the conventional simplex method. In an attempt to make effective use of the simplex operation in a hybrid GA framework, we used an elite-based hybrid architecture that applies one simplex step to a top portion of the ranked population. We compared our approach with five alternative optimization techniques including a simplex-GA hybrid independently developed by Renders-Bersini (R-B) and adaptive simulated annealing (ASA). Our empirical evaluations showed that our hybrid approach for the metabolic modeling problem outperformed all other techniques in terms of accuracy and convergence rate. We used two additional function optimization problems to compare our approach with the five alternative methods.     

统计遗传算法

本文讨论了遗传算法中框架定理的不足之处，并对之进行了改进，然后分析了遗传算法与Ａ算法的相似性，以及遗传算法的概率性质．由此联想到它与ＳＡ算法的相似性，在此基础上，作者将原先发展的一套ＳＡ算法的理论移植到遗传算法中来，建立一个新的算法，称之为统计遗传算法（简记为ＳＧＡ算法）．为适合于优化计算，作者引入最大值统计量及其对应的ＳＡ算法（简称为ＳＭＡ算法），并将ＳＭＡ算法与ＧＡ算法相结合（记为ＳＧＡ（ＭＡＸ）算法）．新的算法不仅提高了算法的精度和降低了计算的复杂性，而且能克服ＧＡ算法中出现“早熟”的现象以及提供进行并行计算的可能性．更主要的是新的方法为ＧＡ算法的精度、可信度和计算复杂性的定量分析提供了理论和方法上的有力工具.     

Hybrid simplex genetic algorithm for blind equalization using RBF networks

The purpose of this paper is to derive a hybrid simplex genetic algorithm for nonlinear channel blind equalization using RBF networks. Most of the algorithms for blind equalization are focused on linear channel models because of their simplicity. However, most practical channels are better approximated by nonlinear models. In order to find an effective method for nonlinear channel blind equalization, here, the equalizer based on RBF networks which is constructed from channel output states instead of the channel parameters is considered. Using the Bayesian likelihood cost function defined as the accumulation of the natural logarithm of the Bayesian decision variable, the problem becomes to maximize the Bayesian likelihood cost function with the dataset which composes the RBF equalizer’s center. For this high dimensional complex optimal problem, the proposed hybrid simplex genetic algorithm solves it by incorporating the simplex operator with GA, and obtains a good convergence characteristic and satisfied equalization result.     

A hybrid multi-loop genetic-algorithm/simplex/spatial-grid method for locating the optimum orientation of an adsorbed protein on a solid surface

Atomistic simulation of protein adsorption on a solid surface in aqueous environment is computationally demanding, therefore the determination of preferred protein orientations on the solid surface usually serves as an initial step in simulation studies. We have developed a hybrid multi-loop genetic-algorithm/simplex/spatial-grid method to search for low adsorption-energy orientations of a protein molecule on a solid surface. In this method, the surface and the protein molecule are treated as rigid bodies, whereas the bulk fluid is represented by spatial grids. For each grid point, an effective interaction region in the surface is defined by a cutoff distance, and the possible interaction energy between an atom at the grid point and the surface is calculated and recorded in a database. In searching for the optimum position and orientation, the protein molecule is translated and rotated as a rigid body with the configuration obtained from a previous Molecular Dynamic simulation. The orientation-dependent protein-surface interaction energy is obtained using the generated database of grid energies. The hybrid search procedure consists of two interlinked loops. In the first loop A, a genetic algorithm (GA) is applied to identify promising regions for the global energy minimum and a local optimizer with the derivative-free Nelder-Mead simplex method is used to search for the lowest-energy orientation within the identified regions. In the second loop B, a new population for GA is generated and competitive solution from loop A is improved. Switching between the two loops is adaptively controlled by the use of similarity analysis. We test the method for lysozyme adsorption on a hydrophobic hydrogen-terminated silicon (110) surface in implicit water (i.e., a continuum distance-dependent dielectric constant). The results show that the hybrid search method has faster convergence and better solution accuracy compared with the conventional genetic algorithm.     

基于改进遗传算法的PID控制器设计

针对一般遗传算法存在的不足，提出一种改进的遗传算法，并将其应用于PID控制器参数设计。该方法采用实数编码，是为了操作方便、提高精度和收敛速度，且能克服传统PID参数整定的费时性。仿真结果表明，基于改进遗传算法设计的PID控制器获得了良好的控制效果，其控制性能优于常规的PID控制器。