综合改进遗传算法进行齿轮传动优化设计

运用模糊可靠性优化理论,建立了齿轮传动优化数学模型.并在标准遗传算法基础上,通过综合改进遗传算子,提出一种综合改进的遗传算法.该算法通过初始种群选择,最优个体保留,自适应交叉和计算终止等方面进行设计,有效地避免了早熟和近亲繁殖,提高了收敛速度,实现了具有混合设计变量的齿轮传动参数优化.     

基于改进遗传算法的装配线平衡研究

针对第二类装配线平衡问题,提出一种改进的遗传算法以解决经典遗传算法的早熟问题。在改进的遗传算法中,提出并引入基因浓度补偿策略,以保持选择及进化过程中种群的多样性,避免算法过早收敛,提高全局寻优能力。同时采取自适应遗传操作算子,在进化过程中动态调整交叉和变异算子,以提高算法的局部搜索能力及算法的计算速度。最后通过实例验证了此改进遗传算法的可行性,在寻优性能以及运算效率上都优于经典遗传算法。     

基于改进遗传算法的含间隙平面二连杆机器人模型辨识研究

针对含间隙机器人难以建立较准确的数学模型问题,以含间隙二连杆机器人为例,分别运用最小二乘法、传统遗传算法和改进遗传算法对其进行参数辨识;其中改进遗传算法分别从编码方法、交叉算子、变异算子以及交叉概率和变异概率的自适应改进方面对传统遗传算法进行了改进,解决传统算法容易发生"早熟"现象的问题。研究结果表明:利用3种辨识法对含间隙二连杆机器人进行参数辨识时,改进遗传算法辨识精度最高,收敛速度最快。与传统的应用动力学建模相比,应用该辨识方法更方便快速,为构建含间隙机器人系统模型提供了参考。     

基于改进自适应遗传算法的机器人路径规划研究

传统遗传算法的交叉和变异操作为随机操作,虽然简单,但在路径规划中却会产生不可行路径,增加运算量,影响算法的收敛速度。针对这一问题,在传统遗传算法遗传操作的基础上进行了改进,利用先验知识保证遗传操作后的种群个体为可行路径,同时提出了新的遗传参数自适应调整方式与之配合,提高了算法的寻优效率。最后,由于遗传算法容易陷入局部最优,根据模拟退火算法的Metropolis准则对经过遗传操作产生的新个体进行接受判定。通过将改进后的遗传算法与其他文献中的改进遗传算法相比较,结果表明:文中的改进遗传算法在收敛速度、优化效果以及寻优能力上都取得了明显的效果。     

基于遗传算法的多目标车间调度

针对作业车间调度中应用遗传算法求解存在的早熟问题,对其搜索速度、收敛效果和最优解等方面进行分析研究,给出一种新的混合遗传算法。首先对初始种群进行实数编码,增加解空间中可行解的个数;接着根据距离排列,增加种群的多样性;然后采用拉普拉斯交叉算子和逆转变异,改进算法的搜索效率;最后结合模拟退火算法,并在每一代遗传进化中引入局部搜索,提高了算法的全局寻优能力。通过与其他算法的仿真比较,结果表明新的混合算法能提高多目标车间调度问题的求解速度和质量,并能够找到最佳的调度方案。     

基于改进遗传算法零件加工工序优化研究

针对复杂零件加工特征多、加工工艺多样等问题,提出一种基于改进遗传算法的零件加工工序优化方法。该方法利用三维工步矩阵实现制造信息存储和表达,建立工步约束矩阵作为约束条件,以花费成本最低作为目标建立加工工序优化的数学模型;对基因进行分层编码,针对不同的决策层选择对应的交叉、变异算子,引入选择层编码实现加工车间加工方式和制造资源的动态决策;以箱体零件为例进行验证。结果表明：改进后的遗传算法提高了种群质量,加快了算法收敛的速度,得到了符合工序约束的加工序列,验证了改进方法的有效性。     

基于和声-遗传算法的机械臂激励轨迹优化

在使用遗传算法解决激励轨迹优化问题时，经常会遇到陷入局部极值、搜索效率低、不稳定等问题。为此，提出一种改进的和声-遗传算法。该算法采用和声搜索完成对遗传算法种群的初始化；根据进化过程中种群的离散度，确定交叉和变异的执行顺序；根据个体的适应度，以非线性和自适应的方式调整交叉和变异的概率，具有较强的搜索能力和速度。为验证和声-遗传算法的性能，对SCARA型机械臂进行激励轨迹优化。结果表明：和声-遗传算法在求解精度和收敛速度上具有显著的优越性，可为后续机器人的动力学参数辨识提供参考。     

基于熵增强混沌遗传算法的柔性作业车间调度

为使企业获得最优综合调度质量的车间调度方案,研究了多目标柔性作业车间调度数学模型及其求解算法,建立了基于最大完工时间、最大机器负荷差、机器总负荷和调度复杂度4个调度质量指标的多目标柔性作业车间调度问题模型(MFJSP),提出熵增强混沌遗传算法(ECGA)求解该模型,应用伯努利混沌映射公式改进算法选择操作,用高斯云模型改进变异算子和交叉算子,提高算法的全局寻优能力和搜索效率。根据计算的交叉概率和变异概率执行切牌式交叉操作和两基因片段式变异操作提高种群基因的多样性。以M8J12P3调度问题为例验证了MFJSP模型和ECGA算法的有效性。结果表明,与SGA、PSO和ABC相比,ECGA具有更快的收敛速度和更好的全局搜索能力,有助于企业提高生产效率和降低成本。     

基于双种群遗传算法的智能排样系统

研究并改进了基于双种群遗传算法的矩形优化排样问题的求解方法.使用不同方式产生初始种群,对不同个体使用不同的具有自适应能力的交叉算子和变异算子,使算法的全局优化能力得到提高.以该算法为基础开发了一个应用于实际生产的智能排样系统,对比文献中的数据进行验证,结果表明在原材料利用率方面本方法高于其他类似的正交排样算法.     

基于改进遗传算法的孔群数控加工路径优化

针对孔群加工路径优化中遗传算法存在的局部最优和收敛速度慢等问题,提出采用模拟退火算法改进遗传算法进行路径优化。首先根据孔群数控加工的特点建立数学模型,采用遗传算法设计种群编码,建立适应度函数选择优秀种群,并对保留的优秀种群进行交叉、变异等操作,实现种群进化,其次引入模拟退火算法对其适应度函数进行拉伸处理,调整种群进化差异性而加速寻优进度,同时采用改进的Metropolis准则调整接受概率,调节旧种群和新种群的进化程度,增强遗传算法的全局搜索能力。实例表明:改进算法用于某模具的孔群加工,有效克服遗传算法的早熟现象,缩短收敛次数,平均路径缩短比例达6.9%,提高了加工效率,效果良好。