混合NSGA-Ⅱ和DE的优化算法及应用

遗传算法NSGA-Ⅱ在引入快速非支配排序算法、拥挤度算子以及精英策略后重复个体产生的概率明显上升,降低了帕累托效率。针对这一缺陷进行了改进,去除了重复个体并保持种群数量不变。根据遗传算法基因交叉变异的方法和差分进化算法DE的思想,将改进后的NSGA-Ⅱ算法与DE算法进行有效混合构建一种新的多目标优化算法。通过MATLAB对优化后的算法进行验证,结果表明优化后的算法在分布性和收敛性上都有所提高,搜索解的能力也有所提升。然后利用优化后的算法完成对μC/OS-Ⅱ任务管理部分的软硬件划分。     

高维多目标问题的排序新方法

针对高维多目标优化问题,提出了一种新的排序方法．它通过产生近似最优目标向量来增加种群的规模,从而达到对真实个体的有效排序．首先构造一个理想的帕累托前沿面,然后将这个理想的帕累托前沿面分成若干个网格,使每个个体都对应惟一的一个网格,通过这个网格上的节点来判断这个体是不是非支配解．数值实验表明,即使对于50维目标的问题,收敛性度量值也小于1．此外,与当前的两种最具代表性的松弛的帕累托占优方法比较,该方法能同时保持解的多样性和收敛性．     

基于自适应遗传算法模糊PID控制器参数优化

该文针对自适应模糊控制器的多参数优化问题,提出一种自适应遗传算法同时优化模糊规则和隶属函数的方法.先对隶属度函数和控制规则进行联合编码,遗传进化前期采用锦标赛精英保留,后期采用基于轮盘赌的非线性选择方法,保留了种群中较优个体,提高种群的多样性.采用一种自适应交叉变异算子,使交叉变异概率根据进化过程不断自动调整,避免算法...     

基于正态分布和自适应变异算子的ε截断算法

针对约束优化算法不能很好协调收敛性及分布性的问题,提出一种基于正态分布和自适应变异算子的ε截断算法。将正态分布引入模拟二进制交叉算子中,使算法可搜索的空间范围更广,更易跳出局部最优;利用自适应变异算子,将种群个体当前信息与变异算子结合起来,引导种群向真实的Pareto前沿进行进化;结合自适应的ε截断策略,保留Pareto最优解和一定数量的不可行解,同时利用不可行解的信息,加大对搜索空间的探索力度,从而提高种群多样性。采用3种标准测试函数对算法进行测试,试验结果表明:本研究所求解集能够很好的跟踪真实的Pareto解集。该方法可以有效地协调算法的收敛性及分布性。     

CAI中基于遗传算法的智能组卷设计与实现

分析了几种智能组卷算法的优缺点,并选择使用遗传算法作为CAI系统自动组卷算法.在组卷中,随机生成初始种群,对种群个体进行按题型分区域编码,并按适应度值进行排序选择最优个体,在遗传过程中通过交叉概率Pc和变异概率Pm来控制交叉和变异操作,直到达到设定的遗传代数,并选择种群最优个体作为最终试卷的组成.     

SWISS整流器多目标优化

针对SWISS整流器的性能问题,采用基于NSGA-II算法的多目标优化方法.以离散的直流电感、IGBT、Diode以及输出电容参数建立的元器件数据库为约束条件,以效率、功率密度以及输出纹波模型为目标函数,通过NSGA-II算法进行优化,并给出了帕累托最优解集和帕累托最优前沿,根据目标的优先级合理选择方案,从而选择相应器...     

递归神经网络的进化机器人路径规划方法

针对机器人递归神经网络控制器在进化优化过程中存在的问题,利用改进的进化算法对递归神经网络控制器进行优化设计,提出了一种基于递归神经网络的进化机器人路径规划算法,该算法利用高斯变异和柯西变异相结合的方式进行变异操作,利用个体适应度和种群多样性指标使交叉概率和变异概率进行自适应调整.给出了算法的具体步骤,并与基于标准前馈网络的路径规划方法进行了比较.仿真结果表明递归神经网络控制器对动态未知环境具有更好的适应性.     

基于双链量子遗传优化的分类规则挖掘算法

针对采用传统智能优化算法挖掘分类规则时易出现分类精度不理想、噪声容忍度差等情况,提出一种基于双链量子遗传优化分类规则挖掘算法.采用双链量子位对分类规则进行实数编码,通过解空间变换将量子位概率幅映射到相应实数集,根据目标函数梯度变化确定量子旋转门转角,并利用量子非门进行个体变异.选取UCI数据库中9组分类数据集对所提出算法分类性能进行测试,结果表明,所提出算法具有较好的分类精度和噪声容忍度.     

遗传算法在关联规则挖掘的应用

由于频繁集的求解是关联规则发现的瓶颈,因此提出利用遗传算法来求固定项数的频繁集.根据该问题的特点,采用均匀设计方法产生初始种群,同时对交叉率和变异率进行了调整.利用随机产生的2 000条记录对算法进行了试验,证明了算法的有效性.     

自适应两阶段大规模约束多目标进化算法

针对求解大规模约束多目标优化问题时遇到的收敛速度慢和可行解难以找到的困难,提出了一种自适应两阶段大规模约束多目标进化算法。首先,算法在第一阶段根据决策变量的性质,自适应地选择部分变量进行优化,且不考虑任何约束使种群快速跨过不可行区域,逼近无约束帕累托前沿。其次,算法在第二阶段考虑全部的约束,利用ε约束处理技术对变量进行整体优化;同时,利用存档将进化过程中获得的可行且非支配的解保存并更新,以不断地提高种群的收敛性与多样性。最后,将所提算法与其他6种算法在37个测试函数上进行实验对比,结果表明：所提算法在25个函数上取得了最佳结果,且分别至少在31个函数上优于对比算法;所提算法在90%以上函数中的可行率都能达到100%,可以有效地解决大规模约束多目标优化问题。     

启发式自适应免疫克隆算法

基于克隆选择学说,采用浮点数编码,提出了一种新的克隆选择算法.定义了精英克隆变异和启发式交叉2种主要算子;对高亲和度抗体实施小幅变异策略以进行局部搜索,对中等亲和度抗体群实施与高亲和度抗体群进行启发式交叉的策略以加快全局搜索,低亲和度抗体则死亡再生以保持种群多样性;为防止进化停滞,自适应地调整亲和度尺度变换参数.对4个复杂函数的测试结果表明该算法有效地克服了早熟问题,收敛速度快,性能稳定,精度高.     

基于FGA的模糊规则自动生成

解决遗传算法优化自动生成的模糊规则时,可能存在局部解以及规则种群的收敛速率过慢等问题,该文提出了一种基于模糊遗传优化的模糊规则自动生成算法。该算法基于模糊逻辑,利用规则种群的收敛速率和多样性来自适应调整遗传算法的交叉率和变异率,从而实现遗传模糊系统的控制规则的自动生成。给出了控制系统的性能指标,以及如何设定遗传算法的适应度函数。最后通过仿真试验,验证了算法的可行性和有效性。     

基于自适应遗传算法的粗糙集属性约简方法

针对遗传算法在全局优化问题中出现的早熟收敛和后期收敛速度较慢的现象,提出了一种基于自适应遗传算法的粗糙集属性约简方法。该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,优化了各个个体被选择的概率。实验表明,该方法能够明显地改善全局寻优能力,并大大加快了收敛速度。     

基于遗传模拟退火算法的结构可靠性分析

为了克服一次二矩法在迭代求可靠性指标时可能不收敛或收敛于局部验算点的缺点以及现有遗传算法局部搜索效率不高的问题,提出了采用混合模拟退火与遗传算法计算结构可靠性的新方法.先采用遗传算法开始随机搜索,通过选择、交叉、变异等遗传操作产生新的个体,再对这些个体分别进行模拟退火,以其结果作为下一代群体中的个体.结合有限元计算,给出了船舶三维空间梁板结构的功能函数,并采用遗传模拟退火算法求结构可靠性指标.算例分析表明该方法计算精度高,为求解结构可靠性指标提供了一种新的思路.     

多目标P系统仿生优化算法

为了更加高效地求解多目标优化问题,提出了一种基于P系统的仿生优化算法。算法结合P系统的动态膜结构以增强算法的适应性,同时结合经典的NSGA-II拥挤距离选择策略和膜内仿生自噬机制提高算法所得最优Pareto解的多样性。此外,算法内循环中的动态变异、交流及交叉等规则使得所提算法获得的Pareto最优边界与真实Pareto最优前沿的逼近度更高。仿真实验结果表明：该算法处理多目标优化问题时所得解集具有更好的收敛度和多样性。将该算法应用于非最小相位对象的PID控制器的多目标优化设计,获得了较好的系列非劣控制器组,基于搜索结果的PID切换控制策略具有满意的控制效果。     

一种高效综合的遗传算法

在比较、分析、综合现有的一些改进方法的基础上，对简单遗传算法提出了一系列的改进措施,形成了一 种高效综合的遗传算法。该法在引入经验的同时对搜索空间 均匀产生初始种群，能对适应度值进行自适应求取，采用复合的方法进行交叉操作，能对变异率和交叉率进行动态自适应调整，并可对搜索区间进行自适应收缩，最后通过两个算例验证了该算法的有效性。     

一种基于特殊个体的改进遗传算法

提出了一种不需要变异操作,只由交换操作就能遍历搜索空间所有状态点的改进遗传算法。这种算法通过在种群中增加两个特殊个体,就足以提供交换所需的基因材料。在计算量上这种算法比简单的遗传算法明显要小,仿真结果证明了这种算法的可行性     

站间操作者不同的并行拆卸线平衡问题优化

针对现有并行拆卸线对各拆卸线任务定义不明确且数学模型均为概念模型,考虑站间操作者不同,构建以最小化工作站数目、机器人数量、拆卸成本和空闲时间均衡指标为优化目标的并行拆卸线平衡问题的混合整数规划模型. 提出适应该问题的改进头脑风暴优化算法,该算法通过双层编码构造可行拆卸序列,离散化原始操作,设计单个个体和2个个体产生机制的变异交叉方式. 为了增加种群个体的多样性,设计四点交叉的操作策略. 针对优化目标的多重性,引入Pareto解集思想和拥挤距离筛选多目标非劣解. 应用CPLEX和LINGO求解小规模算例精确解,与算法求解结果对比,验证了该模型的正确性与算法的有效性. 应用该算法求解P25经典算例,与现有的多篇文献结果对比,验证了该算法求解性能的优越性. 将所建模型和所提算法应用于电视机与电冰箱的并行拆卸线实例中,通过不同的对比实验验证了所提算法的优越性.     

基于遗传算法的锅炉对流受热面优化设计

为优化结构以降低锅炉制造成本,建立以关键结构参数作为决策变量的锅炉对流受热面优化设计模型.提出采用遗传算法进行锅炉对流受热面优化设计的方法,实现完成既定传热任务而减小传热面积的优化目标.选择整数编码形式,并引进变量约束条件、显式函数约束条件和隐式函数约束条件来控制对流受热面结构参数并保证性能指标.利用锅炉设计案例库,采用案例检索与随机生成相结合的方法产生设计方案的初始群体,有效结合设计经验与遗传算法的搜索功能.采用均匀交叉与算术交叉相结合的交叉操作,以及均匀变异产生新个体.采用比例选择与精英保存结合法促进遗传算法向全局最优方向发展.计算结果表明：该方法适用于锅炉对流受热面结构优化设计,能够有效提高设计质量.