自适应搜索优化算法

自由搜索算法是一种新的群集智能优化算法,已经成功地应用于函数优化问题.针对该算法所存在的对参数敏感等问题,提出自适应搜索算法.通过自适应实时调整搜索半径、搜索步、灵敏度等参数,提高算法对环境的适应性、鲁棒性和在"探索"和"开发"之间的平衡能力.对典型函数的试验结果证明,新算法不仅降低了对参数的依赖性,而且成功率高、收敛速度快,能有效避免陷入局部次优.     

一种基于实数编码的自适应遗传算法

自适应遗传算法的主要思想是根据具体优化问题的不同,在适宜的范围内,自动调整遗传算法的控制参数(群体规模、杂交率、变异率),以找到优化相应问题的最佳参数值,进而得到适应性较强的最优解.通过对相关实验函数的优化比较试验,结果表明自适应遗传算法比传统遗传算法具有更好的收敛性和更高的精度.     

基于补偿模糊神经网络的制冷系统故障诊断研究

选择反映制冷系统故障状态的热力参数集组成特征向量,并对其进行模糊化处理,利用补偿模糊神经网络建立故障状态与热力参数特征向量之间的映射关系.将神经网络和补偿模糊逻辑相结合, 采用动态、全局优化的运算, 充分利用了相互间的优点.网络不仅能适当调整输入输出模糊隶属函数, 也能借助于补偿逻辑算法动态优化相应的模糊推理.仿真实验证明该模型在智能诊断中具有收敛速度快, 诊断精度高, 而且适应性强等优点.     

基于α(t)调整函数的模糊控制器优化研究

针对使用调整因子α对模糊控制器进行优化时存在不够灵活或难以在线实现的问题,以某一典型非线性被控对象为例,为其设计了α(t)调整函数,提出了一种基于MATLAB的α(t)调整函数实现及其参数优化方法,建立了基于α(t)调整函数的模糊控制系统优化的仿真分析模型.仿真结果表明使用α(t)调整函数来调整模糊规则优化模糊控制器,效果优于使用调整因子α,将α(t)调整函数参数初值α0及调整率η的寻优问题转化为求解非线性规划问题,效果良好,所取得的优选值几乎使系统达到"快速-无超调"的目标.     

极大熵Relief特征加权

Relief特征加权的最新研究进展表明其可近似地表述为一个间距最大化优化问题.尽管该类算法广为应用,但仍然存在一些缺陷.为了提高Relief特征加权的适应性和鲁棒性,融合间距最大化和极大熵理论,并由此探讨了新的鲁棒的具有更好适应性的Relief特征加新方法.首先,构造了一个结合极大熵原理的间距最大化目标函数.对于该目标函数,运用优化理论得到一些重要的理论结果.在此基础上,对于两类数据、多类数据和在线数据,提出了一组鲁棒的Relief特征加权算法.利用UCI基准数据集和基因数据集进行了实验验证,结果表明提出的新Relief特征加权算法对噪音和例外点显示出了更好的适应性和鲁棒性.     

基于模拟退火遗传算法的认知无线电决策引擎

如何根据环境变化和用户需求智能调整无线电参数是认知无线电的基本功能.提出了遗传算法和模拟退火相结合的认知无线电参数调整方法,给出了该方法流程,运用多载波系统对算法性能进行了仿真分析.实验结果表明该方法改进了遗传算法中后期的爬山能力,优化得到的参数比单独使用遗传算法优化所得参数具有更高的归一化目标函数值,而且该方法能够在多个目标函数间进行权衡,参数调整结果与当前对目标函数的偏好一致.     

蚁群参数自适应调整的优化设计*

介绍了蚁群优化算法利用粗搜索及精搜索过程获得多维有约束函数优化的基本思想,分析了影响蚁群优化多维有约束函数问题的关键参数,给出了获得较好的蚁群函数优化性能必须在优化过程中动态的自适应地调整蚁群优化算法的关键参数 及 的指导性结论,且调整的规则是 与 的值由大到小的调整,而 的值将由小到大的调整。建立了 及 的模糊动态调整器,给出了3个模糊控制器的参数调整过程、控制器的执行策略及控制过程。采用起重机主梁优化实例对比验证了蚁群优化算法及蚁群参数自适应调整的优化算法。结果表明,采用蚁群参数自适应调整的优化算法具有求解精度高、优化效率高及参与优化的蚁群数量少等优点,该方法是求解复杂多峰函数优化的一种极好的优化方法。     

基于粒子群算法的PID控制器参数优化研究

PID参数优化一直是自动控制领域研究的重要问题,PID的控制效果取决于比例、积分和微分三个参数取值.传统的PID参数多采用试验加试凑的方式由人工进行优化,难以满足控制的实时要求.为了解决控制参数优化选择问题,改善系统性能,提出一种基于粒子群算法的PID参数优化策略.通过建立粒子群优化的PID控制器参数模型,在控制过程中将PID参数(比例、积分、微分)作为粒子群中的粒子,采用控制误差绝对值时间积分函数作为优化目标,在控制过程中动态调整PID的三个控制参数,从而进行PID控制参数的实时优化,最后将优化方案应用于中央空调温度控制系统.仿真应用研究表明,PID参数优化策略具有很强的灵活性、适应性和鲁棒性,进而验证了优化方案的可行性和有效性.     

融入动态学习与高斯变异的自适应秃鹰搜索算法

针对标准秃鹰搜索算法寻优时存在的初始种群分布不均匀、个体适应性差和易陷入局部最优等问题,提出一种改进的秃鹰搜索算法应用于求解函数优化问题。首先,引入Circle混沌映射丰富初始种群的多样性,在搜索空间阶段引入一种非线性权重自适应地调整算法搜索与开发的能力;其次,令螺旋搜索过程中秃鹰领导者个体向具有代表性的秃鹰个体进行动态学习,产生出适应性强的秃鹰个体;最后,对最佳搜索位置的秃鹰个体执行高斯变异策略,根据个体适应度大小择优更新曲线俯冲过程中的秃鹰领导者个体,种群中多数秃鹰个体的适应性得到增强,能够一定程度上避免算法在函数寻优时出现的停滞局面。通过在若干基准测试函数与部分CEC2017函数的对比实验验证了本文算法的优越性。     

某型飞机模糊极限状态限制器的设计

本文提出了一种基于模糊控制的某型飞机极限状态限制器的设计方法。该方法将模糊控制函数的优化和模糊控制系统增益自适应调整集中于一体,可大大改善系统的品质和适应能力。在系统设计中,比例因子的最小二乘法估计用于优化控制规则,论域的在线自调整可以消除模糊化过程中所导致的信息丢失,积分抑制策略则是为了提高稳态精度、增强适应性和进一步抑制超调。在全飞行包线的数字仿真结果表明,本文提出的模糊控制方法获得了良好的控制效果。     

遗传程序设计(GP)的适应性函数设计

适应性函数是遗传算法和遗传程序设计得以实现的关键因素,是评价个体好坏的定量表述,决定着演化过程中群体选择复制及群体整体性的质量。该文叙述了适应性函数的设计方法,解释各设计方法的原因,并提出根据树型遗传算法的个体特点通过控制适应性函数大小对个体进行奖励惩罚。     

一种基于改进遗传规划的泛函网络结构逼近模型

基于泛函网络的结构特点和遗传规划的全局搜索能力,提出了广义基函数概念,通过改进遗传规划的编码方式对广义基函数进行学习,用最小二乘法设计适应度函数,从而确定泛函网络的最佳逼近结构模型。最后,4个数值仿真实例表明,该方法是有效可行的,具有较强的泛化特性。     

求解GTSP问题的自适应遗传算法

利用传统遗传算法的基本思想,针对GTSP问题,提出了一种改进的自适应遗传算法。通过个体编码方法,将GTSP转化为多段图最短路径问题,采用动态规划算法求解;根据多段图最优子结构性质设计了个体适应度评价函数,加快了算法的运行速度。实验测试的结果表明,新算法比传统的遗传算法具有更快的收敛速度和更优的解质量。     

一种基于CHC算法的自动组卷方法*

利用改进的遗传算法——跨世代异物种重组大变异(cross generation heterogeneous recombination cataclysmic mutation,CHC)算法提出了一种自动组卷方法。初始种群即初始试卷集利用具有启发式信息的搜索算法产生;适应度函数是用户指定的试卷总体指标与试卷实际指标绝对误差的加权和;选择操作群体为当前群体与上世代群体的群体总和,因为大个体群操作可以更好地保持遗传多样性;交叉操作采用单点交叉方法。变异操作的步骤是：从上世代个体中挑选适应度较差的个体,对其中的     

一种基于改进遗传算法的路径测试用例生成方法

采用遗传算法求解路径覆盖的测试用例生成问题是软件测试自动化的研究热点。针对传统标准遗传方法搜索测试用例易产生早熟收敛和收敛速度较慢的不足,设计了自适应的交叉算子和变异算子,提高了算法的全局寻优能力。基于动态生成算法框架,通过程序静态分析,考虑了分支嵌套深度的影响,结合层接近度和分支距离法,提出一种新的适应度函数。实验结果表明,该算法在面向路径的测试用例生成上优于传统方法,提高了测试效率。     

基于改进遗传算法的测试数据自动生成的研究

测试数据自动生成是软件测试的基础,也是测试自动化技术实现的关键环节。为了提高测试自动化的效率,在 结合 测试数据自动生成模型的基础上,提出一种 传统遗传算法的改进算法。该算法使用了自适应交叉算子和变异算子,并引入模拟退火机制对其进行改进。同时,该算法还对适应度函数进行了合理的设计,以加速数据的优化过程。通过三角形程序、折半查找和冒泡排序程序,与基本遗传算法、自适应遗传算法进行了比较与分析,并且对改进算法做了性能分析。实验结果表明了该算法的实用性以及在测试数据生成中的可行性和高效性。     

多下层分式双层规划问题的改进遗传算法

针对一类具有多个线性下层问题的分式双层规划, 提出一种基于新编码方式的遗传算法。 首先,利用对偶理论,将问题化为单层非线性规划;接着,利用下层对偶问题的可行基编码,针对任意编码个体,解出对偶变量值,使得单层规划变为线性分式规划;最后,求解产生的线性分式规划,其目标值作为个体的适应度值。 这种编码方式及适应度的计算有效提高了遗传算法的效率。 通过对4个算例的计算,验证了算法的有效性。     

Bayesian Methods for Efficient Genetic Programming

A Bayesian framework for genetic programming (GP) is presented. This is motivated by the observation that genetic programming iteratively searches populations of fitter programs and thus the information gained in the previous generation can be used in the next generation. The Bayesian GP makes use of Bayes theorem to estimate the posterior distribution of programs from their prior distribution and likelihood for the fitness data observed. Offspring programs are then generated by sampling from the posterior distribution by genetic variation operators. We present two GP algorithms derived from the Bayesian GP framework. One is the genetic programming with the adaptive Occam's razor (AOR) designed to evolve parsimonious programs. The other is the genetic programming with incremental data inheritance (IDI) designed to accelerate evolution by active selection of fitness cases. A multiagent learning task is used to demonstrate the effectiveness of the presented methods. In a series of experiments, AOR reduced solution complexity by 20% and IDI doubled evolution speed, both without loss of solution accuracy.     

育种遗传算法及函数优化应用

提出一种新的育种遗传算法.采用在解空间产生均匀分布初始种群和最优值保留策略.每代个体依优劣按比例分成雌雄两性.随机产生一部分雌性个体直接进入下一代种群.按照育种学理论,一个雄性与多个雌性进行级进杂交,雄性进行自交.初始种群的规模和两性比例调控全局搜索能力,杂交时雌雄双方遗传比例调控收敛速度.函数优化实验表明,本算法具有强鲁棒性,种群进化快,能快速收敛到最优解.     

基于标准差的自适应激素调节遗传算法

基于生物内分泌系统的激素调节原理,提出了一种新的自适应遗传算法。该算法以内分泌激素调节的H ill函数下降形式为基础,设计了自适应交叉算子和自适应变异算子,使交叉率和变异率在遗传算法迭代过程中,能够根据函数适应度值的标准差进行自适应调节,使得整个进化过程中将种群多样性维持在合理水平,从而保证算法的正常进化。4种测试函数及三维人脑图像分割的实验结果显示,提出的自适应遗传算法可较好地保持种群多样性并克服早熟现象,性能优于其他3种自适应遗传算法及传统遗传算法。