基于多尺度并行免疫克隆优化聚类算法

针对无监督分类问题,提出一种多尺度并行免疫克隆优化聚类算法.算法中,进化在多个子群之间并行进行,不同子群的抗体根据子群适应度采用不同变异尺度.进化初期,利用大尺度变异子群实现全局最优解空间的快速定位,同时变异尺度随着适应值的提升逐渐降低;进化后期,利用小尺度变异子群完成局部解空间的精确搜索.将新算法与其他聚类算法进行比较,所得结果表明新算法具有较好的聚类性能和鲁棒性.     

求解车间调度问题的2阶段混合粒子群优化算法

针对车间调度问题,提出了一种2阶段混合粒了群算法(TS-HPSO).该算法在第1阶段为每个粒子设置较大的惯性系数w,同时去掉了粒子的社会学习能力,从而保证每个微粒在局部范围内充分搜索.第2阶段的混合粒子群算法以第1阶段每个粒子找到的最好解作为初始解,同时以遗传算法中的变异操作保证粒了多样性;为保证算法的寻优能力,对全局gbest进行贪婪邻域搜索.计算结果证明了本算法的有效性.     

MAGA-WNN模型在明胶浓度软测量中的应用

胶液浓度的测量在明胶的生产过程中是一项很重要的任务,为解决明胶浓度胶液手工检测中存在的滞后时间长、测量误差大等实际问题,将软测量技术应用到明胶的浓度测量中。通过对明胶生产工艺的分析,采用小波神经网络建立软测量模型,利用混合变异自适应遗传算法对模型参数进行优化。用现场采集并归一化后的120组数据做仿真实验,其中80组作为训练,40组作为预测。仿真结果表明,该算法迭代67次后误差平方和低于0.01并趋于稳定。证明混合变异自适应遗传算法可增强小波神经网络模型的鲁棒性和提高收敛速度。所以该算法用于明胶浓度的软测量中是可行的。     

基于PSO的配网重构与电容器投切综合优化算法

配电网络重构和电容器投切是配电网络优化的两个重要内容,简单地迭加难以反映二者之间的联系和影响,不能到达整体最优的目的。将二者融为一体,提出了一种基于PSO的综合优化算法。算法借鉴了遗传算法的变异思想,对具有集聚倾向的粒子进行速度变异,避免了“早熟”现象;并结合配电网络综合优化问题的特点,适当地改进更新规则来同时处理不同类型的变量,引入“飞回”策略处理越限问题。算例结果表明所提算法不依赖于网络的初始状态,不易陷入局部最优,优化效果好。     

带变异算子的PSO算法在配电网状态估计中的应用

根据配电网中的一些设备如分布式发电机的非线性特性和配电网的量测配置特点,并结合粒子群优化(PSO)算法的特点,提出了采用带变异算子的PSO算法进行配电网状态估计。该算法解决了配电网状态估计中的非线性特性,算法中引入变异算子,增强了全局搜索能力,克服了基本PSO算法容易陷入局部最优点的缺点,而且收敛速度和精度都很理想。算例证实了算法的有效性,通过和基本粒子群算法比较显示其优越性。     

基于小波的奇异信号检测

介绍了小波变换的基本理论、奇异信号的特性及小波变换用于奇异信号检测的基本原理．并在Matlab下进行奇异信号的仿真试验，取得了理想的效果．实验结果表明，小波变换在奇异信号的检测中是有效的。     

一种维持种群多样性的遗传算法变异算子的研究

本文针对二进制编码遗传算法中，由于传统变异算子随机地选取基因位置而对搜索全局最优的不利影响，分析了变异位置对种群多样性的影响．提出了一种新的维持种群多样性的变异算子，其变异概率和变异位置由种群基因位的多样度和个体适应度值自适应决定．经变异后优秀的个体得以保存，且在种群中每一基因坐上两种基因的比例控制在期望的范围内．本文最后用实验验证了该算于维持种群多样性的有效性．     

一种基于退化混沌变异算子的改进遗传算法及其应用

针对标准遗传算法收敛性较差的缺点，利用混沌变量优化中的随机遍历性，构造出一种随进化代数而退化的变异因子，代替标准算法中的变异算子，以克服标准遗传算法在多峰函数优化中的早熟现象，对三个测试函数的仿真试验表明，改进的算法收敛性优于标准遗传算法．     

基于改进粒子群算法的电力系统无功优化

电力系统无功优化问题是一个多变量、多约束的混合非线性规划问题。提出了一种改进粒子群算法用以解决这一复杂优化问题。在改进的算法中,首先结合混沌优化思想对粒子群进行初始化,减轻了粒子初始位置的选择对算法优化性能的影响;在进化过程中引入了自探索行为,使得粒子的搜索过程更加符合实际;引入了变异机制及3种判断陷入局部最优的标准,当发现粒子群陷入局部最优时,通过变异,帮助粒子跳出局部陷阱,增加发现最优解的机会。给出了问题的求解方法,并对IEEE 6、14节点系统进行了仿真计算,实验数值对比表明了算法的可行性和有效性。     

求解一般车辆优化调度问题的一种改进遗传算法

文章在对一般车辆优化调度问题(VRP)进行分析的基础上,为之建立了数学模型;提出了一种求解该问题的改进遗传算法,并通过实例验证了该算法具有优良性能。