基于免疫遗传算法的不规则件排样优化问题求解

基于遗传算法难以保持群体的多样性及存在易早熟、效率低的缺陷,提出免疫遗传算法应用于不规则零件排样的优化方法。该算法在遗传算法的全局随机搜索基础上,借鉴了人工免疫系统中的免疫记忆和浓度机制。通过疫苗接种实现种群个体中基因位的局部调整优化,并将其优良个体保存于免疫记忆库中,提高了算法的搜索速度。同时浓度机制保证了遗传交叉和变异过程中生成下代种群个体的多样性,扩大了搜索空间,更利于最优解的获取。该方法在开发的不规则件排样系统中进行了实算求解,通过与标准遗传算法的实验结果比对,板材的利用效率得到显著提高。     

一种混合智能排样优化算法的应用研究

基于智能优化方法的混合机理,将并行进化机制引入遗传算法和粒子群算法,提出一种混合智能优化排样方法(HGPA)。该算法依据个体适应度值的大小和相似性对整个种群进行合理划分,在每次迭代中,个体适应度值较好的子种群利用遗传算法进化,个体适应度值较差的子种群则利用粒子群算法处理,实现优化方法的优势互补和信息增值。同时通过设置多样性度量标准来控制种群特征信息和搜索空间。在求解不规则件排样问题的算例表明:该算法可平衡控制个体种群进化中的局部寻优和全局搜索,为智能优化的混合机理研究提供了一个新的思路。     

机构综合的混沌搜索自适应入侵遗传算法研究

将生物系统中"入侵"的概念引入遗传算法,提出机构综合排斥二周期点优化求解的一种基于混沌搜索自适应入侵遗传算法.该算法动态地引入入侵种群,并利用混沌搜索产生入侵个体.入侵种群的扩散使优良基因得以在个体中传播,优化了种群的基因构成,能够促使种群跳出局部最小,并向全局优化方向进化,从而有效避免了遗传算法的早熟现象.将该算法应用排斥二周期点优化求解,实例表明该算法具有较快的收敛速度和较强的寻优能力,能够快速求出机构综合问题非线性方程组全部解.     

求解作业车间调度问题的多种群杂交遗传算法

提出了多种群杂交改进遗传算法,在约束条件处理中引入可能解空间概念;设计了机床编号可变的基于工序的编码。父代个体和交叉变异得到的个体在选择操作中具有同等选择机会,保证最优个体保留到下一代,又能保持子代的多样性。在遗传过程中引入修正种群,实现多种群杂交,以保持种群的多样性。应用实例分析和工程实践表明,算法稳定可靠,运行效率大大提高。     

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。     

基于机器学习的多策略并行遗传算法

为了改善遗传算法的性能,提出一种基于机器学习的多策略并行遗传算法,使用机器学习方法改善遗传算法性能.首先,利用并行思想加速遗传算法进化过程,使用K均值聚类算法将初始种群划分为多个簇,然后将相似个体均匀分配给不同的子种群,保证子种群的多样性和均匀性;同时,在进化过程中,使子种群间相互通信,使用优秀个体替换其他种群中的较差个体,提升种群整体质量.然后,引入能自主感知环境的强化学习,实现遗传算法中重要参数交叉概率的自学习,使交叉概率根据经验适应进化过程.最后,通过函数实例测试验证了基于机器学习的多策略并行遗传算法的优越性和稳定性.     

基于混合遗传算法的混合装配线排序问题研究

为使混合装配线有效运作,研究了混合装配线的生产排序问题。以装配线上各种零部件消耗速率均匀化和最小生产循环周期最短为优化目标,描述了多目标排序问题,并建立了优化模型。针对基本遗传算法在求解排序问题时的早熟收敛问题,提出一种改进混合遗传算法。该算法借助模拟退火算法思想对适应度尺度进行调整,使遗传进化初期削弱种群中个体适应度差异,而在遗传进化后期强化种群中个体适应度差异,以提高对最优解的搜索能力。同时,根据个体适应度自动调整遗传操作参数,既保存了种群中的优良个体,又不失个体的多样性。最后通过案例分析验证了算法的有效性。     

遗传算法早熟收敛和搜索精度的改进策略

遗传算法是一种应用广泛的优化搜索方法。文中对早熟收敛现象和搜索精度问题进行了分析,提出了优良基因块引入机制、正态多次搜索以及可变长浮动点倒序编码等新策略,并且引入了转基因新算子。算例表明在不同种类的个体之间采用注入新基因片段的方法,加快了优良个体的产生,加快了算法的收敛速度,通过增加群体信息的多样性,减少了早熟发生的可能。文中提出的策略易于操作实施,且有效。     

基于改进遗传算法的自由曲面测量路径优化

为提高三坐标测量机对自由加工曲面的测点检测效率,针对传统遗传算法收敛速度慢且易陷入局部最优解的问题,引入自适应调节机制,从种群个体的适应度分布情况与个体适应度值两个方面实现交叉与变异概率的自适应参数调节,提高了算法效率,降低了早熟概率;采用贪婪交叉算子与贪婪倒位变异算子,加快了算法的收敛速度。实验结果表明,改进的遗传算法能够更高效且优质地完成自由曲面测量路径优化。     

[供应链调度]装卸一体化车辆路径问题的自适应并行遗传算法

为了同时实现总配送成本最低、车辆行驶距离最短、车辆数最小等目标,综合考虑车辆指派成本及运输路径成本,建立了装卸一体化车辆路径问题的混合整数规划模型。针对该问题搜索空间的离散性和求解算法的局部收敛性,提出了一种自适应并行遗传算法。算法以C-W节约法为基础,设计了三种基于双重需求的启发式种群初始化方法,缩小搜索空间并优化初始解;引入多样性种群和高质量种群的双种群并行策略,实现深度与广度的同步搜索;设计自适应交叉变异操作,改善高质量种群个体搜索停滞,并针对全局最优个体采用特殊变异的后优化操作以进一步提高全局优化性能。采用标准数据集作为算例进行寻优测试,验证了所提算法的可行性和有效性。     

基于遗传算法的SFAM训练样本序列的确定

训练样本集输入序列的确定直接关系到简单自适应谐振匹配网络(SFAM)作为分类器的执行性能,已有确定算法包括随机序列仿真算法、投票决策算法和最大-最小序列算法。基于遗传算法作为一种全局搜索算法的特点,本文提出用遗传算法实现SFAM训练样本集最优输入序列确定的方法,并以加州大学Irvine分校机器学习数据库作为实验样本库,实验结果表明,该算法比投票决策算法和最大-最小序列算法对提升SFAM网络分类器的分类精度和降低训练时间更为有效。     

基于自适应蚁群优化算法的数据挖掘模型研究

在Ant-Miner算法框架中通过对启发式因子、信息素更新及路径选择概率等策略的改进,提出基于自适应蚁群优化算法的分类挖掘模型,并进行实验分析,与基本Ant-Miner算法相比较,表明这一算法在规则质量及运行时间上都有很大的优势.     

改善遗传神经网络性能的研究

本文设计了一种基于非近亲配对的遗传算法,该算法在对当前种群进行遗传选择操作时,选用了非近亲配对的选择方法,从而避免了个体单一导致早熟的现象。并将该算法用来优化前馈神经网络的连接权值。通过对异或问题的前馈神经网络的性能测试,证明了基于非近亲配对遗传算法的神经网络的性能是优于基于传统的比例选择遗传算法的神经网络的。     

面向产品配置设计的改进交互式遗传算法

针对传统的交互式遗传算法不能很好地减少用户疲劳的问题，对其进行了优化。通过对变异个体和遗传操作的改进设计，对其进行了优化，并将其应用到多功能液压千斤顶的配置设计中。将所得到的产品配置结果与传统交互式遗传算法的结果进行比较，发现新的交互式遗传算法不仅可以有效地减少用户疲劳，还可以更快地配置出令用户满意的产品。     

基于外形特征的三维模型聚类方法研究

针对实际应用中三维模型数据集的模型分类管理、检索聚类预处理等聚类问题,提出了一种基于划分方法的无监督聚类模型。该模型通过以傅里叶矩不变算法为基础的特征提取算法,综合运用了现有聚类算法,将特征提取和聚类计算有效结合起来,充分考虑了聚类模型数据格式的敏感性问题。计算结果表明,该方法对有一定类结构的数据集在有整体聚类效果的情况下有一定的局部最优性。     

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。     

基于RBF神经网络的人脸识别

介绍了RBF神经网络在人脸识别中的应用;通过理论分析和实验效果突出了RBF神经网络在机器学习中的优势。实验结果证明:RBF神经网络具有运算速度快、识别率高、算法简单等特点。在训练样本减少的情况下,该学习机的分类性能没有明显退化。因此,RBF神经网络是一种性能优异的学习机。     

基于基因优化的脑电信号特征选择

针对脑机接口( BCI)研究中脑电信号的特征选择问题,提出了一种基因优化算法(GO).GO算法在变异的基础上实现自下而上、由微观到宏观的自组织优化,可以在提高分类精度的同时很大程度上节省在线数据处理的时间.为检验提出方法的有效性,将其与基于AGA的特征选择方法以及基于Fisher距离的滤波选择方法进行了比较,实验结果表明基于GO的分类精度明显高于其他方法,获得了最好的模式识别性能.     

基于改进自适应遗传算法求解机床制造企业立体仓库堆垛机路径优化问题

以机床制造业为背景,以存放机床零部件的自动化立体仓库为基础,重点分析自动化立体仓库堆垛机的路径分析.通过对遗传算法进行自适应改进,算出能够随时适应的遗传算子,克服了传统遗传算法的早熟收敛问题.通过运用序号法设定各货位在立体仓库中的位置,建立堆垛机拣选作业的数学模型,运用改进自适应遗传算法对初始路径进行改进,得出最优解,并运用Matlab遗传算法工具箱对此进行仿真,实验结果表明,此方法收敛速度快,可以获得全局最优解,其堆垛机路径规划更加快速和有效.     

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。