基于自适应遗传算法的配电网故障定位研究

在遗传算法研究的基础上,加入了自适应交叉、变异算子,对配电网故障定位的自适应遗传算法进行了分析研究。实验结果表明,改进后的遗传算法收敛速度明显优于基本遗传算法,证明了该算法的可行性。     

具有自适应交叉算子的遗传算法及其应用

简单遗传算法采用常数交叉概率和随机选择交叉点的方式进行交叉操作，这种操作方式带有一定盲目性和随机性，无法保证子代个体一定优于父代个体。为此提出了一个新的自适应交叉算子，依据每代个体的适应值函数来调整交叉位置和交叉概率，使杂交沿着有利于算法收敛的方向进行．为了验证这种自适应交叉算子的有效性和合理性，对一个二维多峰函数的极大值搜索问题，进行了求解．并将新算法进一步应用于离心叶轮的形状优化问题，结果表明具有自适应交叉算子的遗传算法在收敛速度和获得全局最优解的概率两方面都有很大提高。     

改进的遗传算法在复合材料车间计划排产中的应用研究

采用自适应遗传算法使交叉概率和变异概率随种群中个体适应度值的大小进行自动调整,并设计三个体交叉算子保证了子代能够很好地继承父代最优个体的优良特性,根据复合材料车间的生产特点,建立排产的目标函数及适应度函数。通过对遗传算法上述参数的改进,降低算法陷入局部最优解的可能性,大大提高了算法的收敛速度。     

改进遗传算法对实际Job Shop问题的解决

针对标准遗传算法收敛速度慢以及易陷入局部最优的问题,采用基于工序的编码和活动解码方式,采用自适应策略设计交叉算子和变异算子,并将极值优化算法作为一种新的变异算子对标准遗传算法进行了改进,最后通过实验验证了改进后算法的有效性.     

自适应遗传算法在离散结构优化设计中的应用

由于基本遗传算法中的交叉和变异概率是恒定值的局限性,提出了可变概率的交叉、变异算子的针对离散变量结构优化设计的自适应遗传算法.以平面和空间桁架为算例,并将计算结果与其他算法所得结果进行比较,结果表明,这种算法对离散变量的桁架截面优化设计是有效可行的.     

带有缓存约束的作业车间调度求解方法

针对已有的启发式算法在应用于带有缓存约束的作业车间调度时求解精度不高的问题,提出将解决方案从工件层级扩展到工序层级,并采用遗传算法对问题进行求解,以得到精度更高的解.同时,为避免传统遗传算法过早收敛和陷入局部最优,结合自适应交叉变异概率和良种交叉算子对算法进行改进.最后,通过实验计算结果,验证了算法能在同等缓存容量下获得精度更高的解.     

云模型遗传蚁群算法的机器人逆运动学求解

遗传算法具有全局搜索能力强的特点,但易出现"早熟"现象;蚁群算法局部具有搜索能力强的特点.因此将遗传算法与蚁群算法结合,与此同时融合了云模型,提出一种适用于跨越越障式巡检机器人的求逆算法.为了提高算法的局部搜索能力及收敛速度,引入了网格划分策略的连续域蚁群算法;为了避免"早熟",采用了适应度值尺度变换;为了使参数自适应,采用了云模型进行修正.用遗传算法进行全局搜索,用蚁群算法进行局部迭代寻优,用云模型实现交叉算子和变异算子中参数的自适应.并以跨越机器人为对象,开展与遗传算法的对比实验,结果表明:该算法可以在避免局部收敛的基础上保证算法的稳定性以及提高收敛的速度和精度.     

基于多样性增强的自适应遗传算法的开放式车间调度优化

针对开放式车间调度问题,提出了基于多样性增强的自适应遗传算法进行优化求解。设计了多样性判定增强算子、自适应交叉变异算子、多元竞争选择算子等五个算子,以提高遗传算法的进化效率和进化质量;通过分析算法各算子的时间复杂度,发现所提算子并未增加算法复杂度;采用正交试验确定了各算子的最优参数;设计了三组实验,分析了所提算子对算法的影响,结果表明多样性增强算子提高了求解质量,自适应交叉变异算子加快了收敛速度;基于60个标准算例,通过与已有5种算法比较,验证了所提算法的有效性和稳定性。采用100个算例,分析了算例规模对调度性能的影响规律。     

基于人工蜂群-自适应遗传算法的仓储机器人路径规划

为了规划出一条更加节能的拣选路径,针对基本遗传算法的性能依赖于初始种群的质量、遗传算子的选择、交叉和变异操作,提出一种适用于仓储机器人路径规划的人工蜂群-自适应遗传算法。首先通过人工蜂群算法初始化种群以增强种群多样性;将路径长度、转弯次数和机器人运行能耗作为适应度函数的评价指标;然后基于三角函数设计自适应策略调整的交叉、变异算子以提高算法的收敛速度。仿真实验表明,在20×20大小的栅格地图中,本文提出的人工蜂群-自适应遗传算法规划的路径能耗比基本遗传算法减少5.22%;而在40×40大小的栅格地图中,本文提出的人工蜂群-自适应遗传算法规划的路径能耗比基本遗传算法减少9.08%。最后实验表明,采用本文提出的人工蜂群-自适应遗传算法规划的能耗减少7.64%,且规划的路径更平滑,更加适用于仓储机器人的路径规划。     

双阈值控制的遗传算法求解作业车间调度问题

针对作业车间调度问题自身的求解难点和遗传算法的特点,分析了目前遗传调度算子存在的问题,提出了一种双阈值控制的多父辈POX交叉算子,即用父辈相似度阈值调整变异的时间,收敛度阈值调整变异概率,在变异的同时提高交叉性能.利用这种方法求解作业车间调度问题,能防止父个体相似时交叉不能产生新个体,防止交叉产生的优秀个体再变异,并防止早熟现象.仿真实验表明,该算法可以显著提高解的质量和收敛速度.