基于遗传算法的移动机器人路径规划及人机协同控制研究

在分析传统遗传算法在路径寻优时易过早出现"最优解"及易陷入局部最优等不足,本文提出了一种改进的遗传算法.在生成初始种群时,产生可行且较优的父代,同时为了减小传统遗传算法在随机交叉和变异时引起的不稳定性,设计自适应交叉、变异概率,以提升算法效率,然后引入灾变算子防止算法陷入局部最优,过早得到"最优解".最后设计了移动机器...     

一种结合混沌搜索的自适应遗传算法

在系统分析和研究自适应遗传算法特点的基础上,提出了一种新颖的混合软计算:结合混沌搜索的自适应遗传算法.一方面,算法将具有对初值敏感、易跳出局部极小、搜索速度快和计算精度高的混沌优化算法引入到自适应遗传算法中,以平衡其"开发"和"探测"之间的性能;另一方面,算法设定群体早熟收敛的量化计算公式和判定阈值,并引入了一组新的自适应交叉率和变异率的计算函数,从而有效防止了算法陷入局部最优的缺点.通过对4个基准测试函数的仿真计算,证明该算法能有效提高全局寻优的性能,且鲁棒性好.     

基于遗传和改进布谷鸟算法的BP神经网络建模

针对现代工业系统具有高度非线性的特点,以及采用BP神经网络对非线性系统建模易出现局部最优、过拟合或欠拟合的问题,提出采用遗传算法(GA)和改进布谷鸟算法(CS)优化BP神经网络建模的方法(GACSBP算法)。首先利用遗传算法自适应、全局搜索的特点优化神经网络拓扑结构,避免神经网络建模出现过拟合或欠拟合的问题;然后采用改进布谷鸟算法优化BP神经网络权值,加入惩罚项进一步防止神经网络建模时陷入局部最优。对NACA0012翼型自噪声数据进行建模,仿真结果表明,与BP神经网络相比,提出的GACSBP算法避免了局部最优,明显提高了模型预测精度,且所需迭代次数和时间均明显减少。     

混沌遗传算法优化管网状态神经网络模型

针对BP算法易陷入局部最优，提出将一种新的混沌遗传算法（CGA）用于全局优化给水管网状态神经网络模型的初始权阈值.该算法将混沌搜索与自适应遗传算法相结合，根据混沌运动的初值敏感性、内在随机性以及遍历性的特点，通过混沌映射搜索自适应遗传算法的较优初始种群，并利用自适应遗传算法进一步寻优，对混沌映射和遗传进化进行循环计算直至达到最大进化代数，最终获得BP模型的较优权阈值.实例分析结果表明，与自适应遗传算法（AGA）相比，该算法搜索稳健，全局搜索能力强，并且新算法优化模型具有更高的预测性能.     

遗传算法在结构优化中的应用

主要介绍了遗传算法的特点和实现方法.针对遗传算法在优化进程中易陷入局部最优解的弱点,通过桁架优化设计实例证明,采用保护优良个体和改变参数设置的措施,可以使遗传算法的搜索速度和获得全局最优解的可靠性大为提高.     

遗传算法在BP网络权值学习中的应用

针对BP算法学习神经网络权值收敛速度慢、易陷入局部最优等缺点,采用遗传算法学习BP网络的权值;并给出了“异或”（XOR）问题的仿真示例,通过比较,发现遗传算法不会陷入局部最优,有效地改善了收敛速度。     

基于遗传算法的多项目资源约束优化问题研究

对于有资源约束的多项目优化问题,传统方法易出现局部最优解的情况.而遗传算法可以克服传统优化方法的缺点,故将改进遗传算法引入到该问题中来很有必要.通过实例的计算可以看出,简单遗传算法经常出现早熟,且没有搜索到最优值,而自适应遗传算法则可以搜索到相对较优值,所以自适应遗传算法相对于简单遗传算法要更好一些.因此,改进的遗传算法对于在资源约束下的多项目优化问题具有实用价值.     

基于局部搜索机制快速求解TSP问题的自适应遗传算法

提出了一种基于局部搜索机制快速求解TSP的遗传算法.基于局部搜索机制,自适应地将标准遗传算法与局部启发式算法结合,使得局部启发式算法只在有效改善种群个体质量的情况下才允许执行,有效地避免了因局部搜索次数过多而引起的陷入局部最优和计算负担过重现象的发生.仿真结果表明,该算法具有较强的全局优化能力及较快的收敛速度,在求解TSP问题时有较高效率.     

基于改进遗传算法的机器人路径规划方法

针对基本遗传算法在机器人路径规划中存在收敛速度慢、易陷入局部最优解的问题,提出一种改进的遗传算法. 在适应度函数中增加带有惩罚项的平滑度函数; 引入精英保留机制,保留每一代最优个体; 自适应调整交叉概率和变异概率,使交叉概率和变异概率随进化次数变化而变化. 利用MATLAB在两种障碍物地图中与其他两种算法进行仿真对比分析,实验结果表明,改进后的算法在路径规划的应用中有效减少了机器人的转弯次数,提高了逃离局部最优路径的能力,寻优能力更强.     

一类模拟退火算法与遗传算法混合优化策略

提出一类模拟退火算法（GA）和遗传算法（SA）的混合策略。算法结构上,提出模拟退火算法与遗传算法相结合,既发挥模拟退火算法搜索面广、遗传算法收敛快的优点,又克服前者收敛速度较慢而后者收敛容易早熟的问题。在算法操作细节上,加入杰出个体保护策略及自适应调整的遗传操作,以及增加记忆功能的模拟退火操作与收敛准则。从而既防止算法陷入局部最优,又提高收敛速度及搜索效率。