基于改进遗传算法的配电网重构研究

为了获取配电网中支路电流并尽可能的降低系统的功率损耗,文中提出了一种基于改进遗传算法的配电网重构方法,建立了以系统功率损耗最小化为目标的配电网重构模型,结合辐射型配电网潮流计算分支电流,并对遗传算法的染色体编码,适应度函数和交叉变异模式进行了改进,避免了计算结果的早熟收敛。结合IEEE-16和IEEE-33的配电网系统进行测试,验证了所提改进遗传算法在配电网重构优化的有效性。     

配电网重构中遗传算法编码策略的研究

遗传算法由于其较强的鲁棒性,在配电网重构中得到了应用。遗传算法的编码策略对整个算法的计算效率有极大的影响,介绍了遗传算法(GA)在配电网重构中常见的几种编码策略,分析了它们的性能,并指出了有待进一步研究的问题。     

多目标优化纺纱工程的遗传算法

介绍了遗传算法的基本流程和Pareto多目标优化的思想，结合纺纱工程实际问题对遗传算法的应用关键做了阐述，并详细描述了算子模型的设计和参数的选择过程。采用了实际生产数据进行实验测试，结果表明该模型具有强大的搜索优化能力和良好的扩展性能，对生产实践具有指导作用和参考价值.     

多目标量子编码遗传算法

如何使算法快速收敛到真正的Pareto前沿,并保持解集在前沿分布的均匀性是多目标优化算法重点研究解决的问题。该文提出一种基于量子遗传算法的多目标优化算法,利用量子遗传算法的高效全局搜索能力,在整个解空间内快速搜索多目标函数的Pareto最优解,利用量子遗传算法维持解集多样性的特点,使搜索到的Pareto最优解在前沿均匀分布。通过求解带约束的多目标函数优化问题,对该文算法的多目标优化性能进行了考察,并与NSGAII,PAES,MOPSO和Ray-Tai-Seows算法等知名多目标优化算法进行比较,结果证明了该文算法的有效性和先进性。     

基于多目标遗传算法的星载天线干扰抑制算法

提出了一种基于多目标遗传算法的星载天线干扰抑制算法,该算法在射频端通过调节权系数进行输出功率判决从而实现波束形成。文中引入多目标优化问题Pareto最优解的概念,采用了无支配性排序遗传算法（NSGA-Ⅱ）来搜索干扰调零权值的Pareto最优解集,充分发挥这种先进多目标遗传算法的高内在并行性、强鲁棒性以及能够不断优化最优解集的优势,较好地兼顾了星载天线干扰抑制时干扰抑制深度与主波束保形这一对矛盾问题。最后提出了归一化双目标函数加权选择最优调零权的方法从Pareto最优解集中选择一组符合决策者偏好的最优调零权。计算机仿真实验证明,文中所提出的算法具有较好的干扰抑制能力和主波束保形效果。     

基于改进BAS算法的配电网多目标优化重构

天牛须搜索（BAS）算法存在早熟收敛、计算效率低下等缺点,文中提出一种改进BAS算法,并应用于解决配电网优化重构问题。首先建立以网络损耗、负荷均衡度、电压偏差以及系统供电可靠性为目标的数学模型;然后针对传统天牛须搜索算法易陷入局部最优,采用模拟退火的蒙特卡洛准则进行改进,提高了算法的稳定性和可重复性,并采用改进后的天牛须搜索算法对数学模型进行迭代求解,给出配电网最优重构方案;最后结合IEEE 69总线系统进行实例仿真分析,与未进行系统重构配置进行对比,所提算法减少了网络损耗,提高了系统运行的经济稳定性。     

基于多目标优化的SoC软硬件划分方法研究

集成电路不断发展,SoC已经成为电子系统设计的主流,软硬件的划分又是其中的一个重要部分。文章采用基于多目标优化的遗传算法,对从任务级进行抽象建模所得到的系统模型进行软硬件划分。将Pareto最优概念与多目标优化问题相结合,应用于遗传算法中,从而实现了兼顾系统面积、功耗、成本等参数的软硬件划分方法。     

多个体参与交叉的Pareto多目标遗传算法

Pareto多目标遗传算法是利用Pareto最优的概念发展出的一种求解多目标优化问题的向量优化方法,能够得到Pareto最优解集.由于采用常规的两个体参与交叉的遗传算法,使整个算法耗费在小生境(Niche)算子上的时间太多,导致算法的效率较低.本文发展出多个体参与交叉的Pareto多目标遗传算法,群体中的个体采用真实值表示,使该算法的速度大大提高,同时证明了相应的模式定理,并提出用方差和熵来分析该算法对解群多样性的影响.最后用算例说明了采用多个体参与交叉的Pareto多目标遗传算法与常规算法比较的结果,证明了本文提出算法的优越性.     

基于模糊遗传算法的配电网无功补偿

文中首先介绍了通过模糊理论改进的遗传算法,然后建立了多目标配电网无功优化模型。遗传算法[1]的改进具体在选择操作上考虑了个体在种群中的浓度,在变异操作上加入了防止陷入局部最优的检验操作,有效解决了遗传早熟等缺点。用改进遗传算法求得补偿点的最优配置[2],从而在多种负荷[3]下运行的综合满意度达到最大。并将改进后的算法运用在具体的10 kV某一支路上,取得了非常好的实际应用效果。     

基于Pareto多目标优化的光纤Bragg光栅传感网络的波长分配

针对现有波分复用(WDM)的光纤Bragg光栅(FBG) 传感网络的复用瓶颈,运用Pareto多 目标优化理论,建立了基于带宽重叠技术的FBG传感网络优化模型。通过非支配排序遗传算 法Ⅱ(NSGA-Ⅱ)进化算法求解Pareto 最优曲线,为网络中的每个FBG传感器合理地分配Bragg波长的工作范围,以最小的光谱重叠 程度换取 光源带宽资源的最大节约。仿真和实验结果表明,得到Pareto最优曲线为不同程度的光 谱重叠找到了最优的Bragg波长配置方案,有效地提高了FBG传感网络的WDM能力。     

小生境进化RBF网络在信道均衡中的应用

基于RBF网络的信道均衡器,其性能取决于神经网络的隐层参数.文中采用判决反馈均衡器的结构,RBF网络隐层的结构和参数则由基于小生境技术的混合递阶遗传算法来确定.仿真结果表明,这种RBF网络均衡器性能优良.     

混沌遗传算法在配电网无功优化中的应用

配电网无功优化可以有效地降低网络有功损耗,并提高系统的电压合格率,从而降低网络年运行费用,提高供电质量。为了提高配电网无功优化的收敛速度,文中对常规的遗传算法进行了改进,利用混沌优化算法加速了适应值较低的个体的淘汰,提高了每一代个体的平均适应值水平,从而显著提高了常规遗传算法的收敛速度。通过实际算例计算,验证了该算法能有效地提高配电网无功优化的收敛速度和优化效果。     

传感器网络中基于树的感知器分布优化

无线传感器网络中,感知节点的合理分布对于提高网络的感知能力和信息收集能力以及提高网络的生存期限都具有重要的作用。对于随机分布方式产生的感知网络,可以利用节点的移动性对特定感知节点的位置进行调整从而改善网络整体的感知覆盖范围。为此,利用 Voronoi 图以及相关 Delaunay 三角网定义了传感器网络中以sink 节点为中心的伸展树,并提出了基于遗传算法的感知节点分布优化算法。仿真结果表明,算法能够以较小代价对传感器网络进行节点的分布优化,从而有效提高网络整体的感知能力。     

基于遗传算法优化BP神经网络的风电功率预测

随着大量风电开始并入电网,风电场输出功率预测对接入大量风电的电力系统的运行有重要意义。针对神经网络在风电功率预测中结构和权值参数难以确定,预测精度不高等问题,提出利用遗传算法对神经网络的拓扑结构和网络权值进行优化,并将其应用于风电场功率预测,研究表明预测精度有一定程度的提高。     

一种基于自适应遗传算法的BP网络的应用

针对遗传算法和BP网络各自的优缺点，探讨了两算法结合的必要性、可能性以及结合方法，提出了一种改进的自适应遗传算法，并把该算法用于优化BP网络的权值。把经优化后的BP网络作为汉字识别的分类器，实验结果验证了所述方法的有效性。     

基于量子遗传算法的传感器网络拓扑结构控制.

目前传感器网络的应用有2个趋势:支持多业务和提供服务质量保障。出于低耗能、高连通性等目的,对网络的拓扑结构进行控制较为关键。对此进行了研究,提出了基于量子遗传算法的网络拓扑结构控制解决方案。仿真实验表明量子遗传算法在求解性能上优于常规遗传算法,达到了低耗能和高连通性的目标。     

无线传感器网络中的最优感知节点分布及分布优化算法

无线传感器网络中，感知节点的合理分布以及网络拓扑的动态调整对于更加有效地进行信息收集以及提高网络的生存期限都具有重要的作用。为此，针对传感器网络的初始规划提出了一种基于遗传算法的最优分布。仿真结果表明，算法能够针对特定的目标区域获得较好的节点分布。在最佳分布的基础上，结合传感器网络的拓扑管理和节点定位，引入了一种有效的传感器网络拓扑和节点分布优化方法，为传感器网络的拓扑性能管理提供了有效的算法保证。     

配电网络重构及智能优化算法在其中的探究

提高供电的质量,保证其在供电过程中的稳定性以及运行的安全,就需要进行配电网络重构。解决这个问题所涉及的方面非常复杂,需要一系列的非线性优化组合,并且这些组合的优化过程也是一个非常庞大的工程。本文对配电网重构的相关问题进行了介绍,同时对智能优化算法在配电网重构中的相关运用也进行了详细介绍,提出了在对电网进行重构过程中需要注意的一些问题。     

基于遗传神经网络的入侵检测模型

这篇文章提出了一种基于遗传神经网络的入侵检测模型-进化神经网络入侵检测系统(ENNIDS),模型的核心模块利用遗传算法优化神经网络来实现,结合了误用检测和异常检测技术,并从理论上分析了该模型各个模块的功能和实现技术.我们在UCI机器学习数据库的入侵检测数据集上进行了实验,实验结果表明:该模型在检测正确率、误警率等方面能获得校好的性能。