基于灵敏度分析的改进遗传算法

基本遗传算法局部寻优效率低,而且易于早熟,因此提出了一种基于灵敏度分析的改进遗传算法,该算法利用目标函数的导数信息指导个体向更优解进化;同时在算法中结合了小生境技术,既保证了种群中个体的多样性以克服早熟,又能够保留下最优解;最后对Shubert函数进行仿真试验,对曲柄摇杆机构进行实例优化,结果表明该算法能有效地提高搜索能力和解的精度,加快收敛速度。     

遗传蚂蚁算法在几何约束求解中的应用

约束问题可以转化为优化问题.引入GAAA(遗传蚂蚁算法)解决几何约束问题.为了充分利用遗传算法的快速性,随机性和全局收敛性,在算法的前期采用遗传算法.它的结果是产生信息素的初始分布.算法的后期采用蚂蚁算法.因为有初始信息素的分布,具有并行、有反馈性和高效的求解效率.由于在遗传算法中使用随机的种群,这样不仅能够提高蚂蚁算法的速度,而且在求精解的时候能够避免陷入局部最优解.算法具有良好的优化性能和时间性能.     

改进的遗传算法在结构动力模型修正中的应用

结构动力模型修正是一个复杂的非线性优化问题,常规优化算法都存在优化效率低或容易进入局部最优的问题。基于微种群遗传算法和模拟退火算法提出了一种改进的微种群遗传算法,算法采用父代参与竞争的联赛选择方式,同时引入模拟退火优选机制实现个体的选择,并使用最优保存策略来保证群体的高适应度和基因的多样性。实例将改进的算法应用到结构动力模型修正问题,结果证明算法在保证修正精度的同时,收敛速度得到明显提高,验证了改进的遗传算法的有效性。     

基于改进遗传算法的电极优化方法的研究

针对经典遗传算法在实际优化计算中由于早熟导致种群中个体样本多样性下降,影响优化进程及最优解质量等弊端,提出改进的遗传算法。通过引入种群秩的定义,从而实现对种群多样性的定量评估。通过综合判断函数的引入,实现了对早熟的准确判断。通过优秀个体选择策略及对种群等参数进行合理的处理,实现了优化效率的整体提升。通过电极优化的实例验证,证明该算法的正确性、可行性。     

基于微遗传算法的低比转速泵叶轮的优化

提出一种解决加大流量设计对低比转速泵叶轮进行水力设计易出现驼峰,轴功率易产生过载现象的直接优化设计方法,得到综合性能较好的叶轮。其优化设计方法:通过加大流量设计理论设计初始叶轮,将得到的初始叶轮个体与随机个体作为微遗传算法的初始群体中的染色体,并以效率、消除驼峰、气蚀余量最小为分目标函数建立多目标规划作为适应度,进行微遗传操作。最后,结合设计实例进行验证。研究结果表明,将微遗传算法和加大流量设计理论相结合,直接对叶轮进行优化的方法,提升了低比转速泵的综合性能。     

基于动态径向基函数代理模型的优化策略

针对飞行器多学科设计优化中传统的静态代理模型方法全局近似精度难以保证与计算效率较低的问题,提出一种基于动态径向基函数代理模型的优化策略.通过Maximin拉丁超方计算试验设计在设计空间中选择初始样本点,构造径向基函数代理模型,并通过全局优化算法对当前代理模型进行优化获得原优化问题的可能最优解,根据已知信息构造重点采样空间,在优化过程中逐步更新重点采样空间并在其内部增加样本点,并更新代理模型以提高代理模型在全局最优解附近的近似精度,直至优化迭代收敛.将本优化策略应用于数学测试算例和NASA减速器优化设计中,优化结果表明,使用本优化策略可以获得分析模型的全局最优解.与直接使用遗传算法相比,计算分析模型的次数减少了95%,相比于传统的静态径向基函数代理模型方法,计算分析模型的次数减少了50%.     

具有自适应交叉算子的遗传算法及其应用

简单遗传算法采用常数交叉概率和随机选择交叉点的方式进行交叉操作，这种操作方式带有一定盲目性和随机性，无法保证子代个体一定优于父代个体。为此提出了一个新的自适应交叉算子，依据每代个体的适应值函数来调整交叉位置和交叉概率，使杂交沿着有利于算法收敛的方向进行．为了验证这种自适应交叉算子的有效性和合理性，对一个二维多峰函数的极大值搜索问题，进行了求解．并将新算法进一步应用于离心叶轮的形状优化问题，结果表明具有自适应交叉算子的遗传算法在收敛速度和获得全局最优解的概率两方面都有很大提高。     

基于Matlab遗传算法工具箱的圆柱螺旋弹簧模糊可靠性优化设计

模糊可靠性计算问题最后也要转化为常规可靠性优化来进行计算,但目前所用的手段多基于传统的最优化理论中优化算法:如复合型法、惩罚函数法等,这些方法存在局部极值和对目标函数的可微性有严格要求的苛刻条件,并且优化结果与初始值有较大的相关性等难以克服的缺点.在Matlab环境下,应用GA工具箱,对圆柱螺旋弹簧进行优化设计,旨在克服常规算法的缺点,得到全局最优解.研究应用结果表明在Maltab环境下,遗传算法工具箱使用简单方便,可直接应用库函数文件,且能根据不同的优化指标、计算精度寻找出最佳结果,充分体现了遗传算法的全局搜索性能.该优化方法具有计算可靠,快捷高效和图形结果可视化等特点,并具有广阔的应用前景.     

基于遗传算法的最大似然参数优化估计

用最大似然法进行参数优化估计时,为了避免常规优化算法由于受迭代初值的影响不易收敛到全局最优解的缺点,文中采用遗传算法,不再需要估计优化变量的初始值即可获得全局近似最优解。建立以似然函数为目标,求其极大值点即可确定参数最优解的优化模型。为了更好地确保遗传算法获得全局最优解,在传统遗传算法的基础上采用尺度变换适应度函数、并行操作、保留最优个体等方法,进一步保证方程解的精度。最后以威布尔分布为例进行参数估计,结果表明,改进的遗传算法可以在求解效率和收敛性能上达到较好的平衡,能更好地将优化方法与最大似然估计法相结合。     

基于混合二进制粒子群-遗传算法的测试优化选择研究

测试优化选择是一个组合优化问题.通过对测试选择的目标和约束条件进行深入分析, 建立了其数学模型, 并提出了一种混合粒子群-遗传算法用于求解满足测试性指标要求的最小完备测试集.该算法将遗传算法中的遗传算子引入到二进制粒子群算法中, 既避免陷入局部最优和早熟收敛现象, 又提高了搜索效率.大量实验证明, 对于测试优化选择问题, 混合粒子群-遗传算法能够快速有效的获得全局最优解.