遗传算法的研究和改进

从原理及应用2个方面对遗传算法、蚁群算法、混洗蛙跳算法做了对比分析.针对遗传算法的不足之处,提出了相应的改进方法,并对改进后的遗传算法和经典的遗传算法做了应用比较.结果表明,改进后的遗传算法不仅提高了其收敛概率和收敛速度,而且具有更强的全局搜索能力,适用于求解复杂多峰值函数优化问题.     

建筑结构优化设计的改进进退遗传算法

针对遗传算法在迭代过程中经常出现未成熟收敛、振荡、随机性太大、局部搜索能力差和迭代过程缓慢等缺点.提出一种离散变量结构优化设计的进退搜索算法与遗传算法结合在一起解决问题;并提出一种新的遗传算子———转基因算子,用于对遗传算法的改进.结果表明,这种改进退遗传算法即发挥了进退搜索算法省时、高效、局部搜索能力强的特点,又发挥了遗传算法全局性好的特点;采用的改进措施效果明显,其收敛特性得到很好的改善.该算法是高效的理想工程结构优化设计方法.     

一种快速实现多峰值函数优化的改进遗传算法

针对基本遗传算法具有的收敛早熟、局部搜索能力差等缺点,提出了一种快速实现多峰值函数优化的改进算法。该算法包含并行小生境技术、可疑峰值点判断、引入局部搜索参数等策略,并采用C语言成功编写了通用程序。数值算例表明：该改进算法能有效防止早熟收敛,明显提高遗传算法的收敛效率,快速搜索到目标函数的所有最优点。该算法对求解多峰值函数优化问题具有普适性。     

大型桥梁动力检测测点优化的改进遗传算法及其应用

回顾了基于动力检测的传感器优化布置准则和方法,提出了一种应用改进遗传算法,服务于大型桥梁动力检测的测点优化方法,并将该方法具体应用到了哈尔滨四方台大桥的动力检测中.该算法改进了约束条件,对于传统遗传算法在大型结构应用时收敛慢且易陷入局部最优的缺陷进行了自适应和全面交叉改进,这种改进大大加快了收敛速度,并确保该算法能搜索到最优值.把经典的优化准则———有效独立准则,模态置信准则,模态应变能准则等以适应度的形式嵌入改进遗传算法中,得出各自的优化布置.通过对哈尔滨四方台大桥模型的仿真分析,证明改进的遗传算法在搜索能力、计算效率、可靠性等相对于传统遗传算法有较大的改善,搜索能力明显优于经典的序列法.在此基础上选取三种典型方法应用于哈尔滨四方台大桥的检测中,用实际采样得到的响应数据进行模态参数辨识,得出了该结构的振型,通过实际应用证明了上述方法的可行性.     

森林竞争算法及在超越方程求解中的应用

针对现有的仿生优化算法局部搜索能力差、早熟收敛问题,利用自然树枝条的生长、凋落矛盾统一原理和森林生态系统中竞争排斥原理,建立了森林动态演化的竞争模型,提出了森林竞争优化算法.为验证算法的合理性和有效性,将其应用于超越方程的求解.与标准遗传算法进行对比,该算法运行速度快;与标准粒子群算法进行对比,该算法搜索到全部解的成功率高.该算法为优化设计和计算提供了一种新的方法和思路.     

工程结构优化设计的改进混合遗传算法

根据工程实际以及规范规定的约束条件和各项技术标准要求,建立了离散变量结构优化模型。针对遗传算法在迭代过程中经常出现的未成熟收敛、振荡、随机性太大和迭代过程缓慢等问题,采用一种新的遗传算子即单亲遗传算子对遗传算法进行了改进,并提出了离散变量结构优化设计的三等分割算法与遗传算法相结合的混合遗传算法。优化设计结果表明:改进混合遗传算法的收敛特性得到了很好的改善,既具有三等分割算法省时、高效、局部搜索能力强的特点,又具有遗传算法全局性好的特点,是高效、理想的工程结构优化设计方法。     

基于爬山算子和适应值共享的改进遗传算法

提出了一种基于爬山算子和适应值共享的改进遗传算法,将局部搜索算法与遗传算法有效结合,增强了遗传算法的搜索能力.爬山算子以黄金分割法为基础,依次对个体每一维进行优化.数值实验证明,改进后的新算法优于当前一些较好的遗传算法.新算法既有较快的收敛速度,又能以较大概率搜索到优化问题的全局最优解.     

一种改进的自适应遗传算法

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法.针对传统遗传算法和自适应遗传算法存在"早熟"现象及收敛速度慢的不足,提出了一种改进的自适应遗传算法,并对交叉概率和遗传概率进行改进.仿真结果说明了改进的自适应遗传算法比传统遗传算法和自适应遗传算法在收敛性能和搜索能力上都有很大的提高.     

岩体渗透系数反演的混合优化算法

采用反演的方法确定岩土介质的渗透系数,通过优化模型对渗透系数反演问题进行建模.在具有全局搜索能力的遗传算法的基础上,采用Powell局部搜索算法对遗传算法的变异算子进行改进.基于遗传算法和Powell局部搜索算法的基础上,构造混合优化方法,所提出的算法在保证全局搜索能力的同时,具有较快的收敛速度.结合工程实例检验了所提出算法的全局最优能性和快速收敛性.     

基于Lagrange乘子法的一种新型改进粒子群优化算法

社会和生产实践中抽象出来的模型一般为非线性约束优化,而约束优化一般很难直接求解.首先,我们通过引进增广lagrange乘子法,将约束优化转化为有界约束优化,然后引入粒子群优化算法来进行求解,并且我们提出来一种嵌入了最速下降法的改进粒子群优化算法,以此来解决标准粒子群算法中收敛速度慢和精度低的问题,提高了搜索的效率,特别是局部搜索的效率.改进算法有效地结合了粒子群优化算法比较强的全局搜索能力和最速下降法的精细快速的局部搜索能力,相比于标准粒子群优化算法,克服了收敛速度慢的特点.数值实验表明,通过改进的粒子群优化算法可以找到所求优化问题的全局最优解.     

一种带交叉算子的改进的粒子群优化算法

针对粒子群优化算法(PSO)固有的缺点,在研究标准的粒子群优化算法理论的基础上,提出了一种带交叉因子的改进的粒子群优化算法(MPSO),以解决算法的早熟收敛问题。该算法在搜索过程中引入了交叉因子,增加了粒子的多样性,克服了标准粒子群优化算法易陷入局部极优点的不足,并且算法有较快的收敛速度。该算法有较强的收敛性,还可以引入变异算子。将改进后的算法运用常见的几个测试函数进行了寻优仿真,仿真结果验证了带交叉因子的粒子群算法的可行性和有效性。     

切换统计相关用于位置区优化

针对在位置区规划或优化算法过程中,应用传统的随机概率搜索算法进行最优解的搜索收敛方向难于确定、收敛速度极其缓慢,应用启发式构造算法能及时收敛但不能有效地收敛于全局最优解的问题,提出了位置区元的新概念以及位置区元相关会聚算法. 实验结果表明,该算法能实现对位置区规划或优化解空间进行充分高效的压缩,进而保证在此基础上的随机概率搜索算法能及时有效地逼近全局最优解.     

最小二乘支持向量机的参数优选方法及其应用

参数选择是支持向量机研究领域的重要问题,它本质上是一个优化搜索过程.以遗传算法和粒子群算法为基础探讨了基于两者的混合智能算法,将杂交操作、变异操作引入PSO算法中,同时,在种群随机搜索过程中嵌入确定性的模式搜索,使得算法可以在任何阶段进行精细搜索;在此基础上,提出了基于混合智能的最小二乘支持向量机方法(LS-SVM),以最小化k-fold交叉验证误差为评价函数,利用混合智能算法优化LS-SVM参数.最后结合实例对该方法进行了实证检验,并对结果进行分析.     

一种求解Job-shop问题的混合排序遗传算法

利用遗传算法和模拟退火算法的优点,提出一种新的基于工序的混合排序遗传算法(HSGA).新算法具有优秀的全局搜索能力和避免陷入局部极小的特性,有很高的收敛精度.对Job-shop调度问题进行仿真试验,结果优于其他同类算法,验证了HSGA的可行性和高效性.     

改进粒子群优化算法及其在4G网络-基站选址中的应用

针对粒子群优化算法搜索精度不高、整体上容易陷入局部最小的不足,提出了一种改进的粒子群优化算法.该算法一方面在速度更新式中用粒子群中粒子个体极值的加权值替代粒子的个体极值,另外通过使用两种非线性递减函数对惯性权重进行调整,这种改进有效地提高了粒子群优化算法的收敛速度和全局寻优能力.然后,通过对4个基准函数的仿真,验证了本文改进算法的全局收敛寻优能力.最后,将本文改进算法应用于珠三角地区某市4G网络基站选址优化中.仿真和应用的结果表明,改进后的粒子群优化算法具有更高的收敛速度和全局寻优能力.     

非线性不等式组的最小二乘解

本文给出了求非线性不等式组最小二乘解的一种方法。它是S.P.Han的工作[1]的一种推广。算法在每步迭代中利用广义逆矩阵来确定搜索方向。我们讨论了算法的收敛性,给出了所提出算法的收敛性定理。     

免疫蚁群算法在电力系统无功优化中的应用

将人工免疫算法和蚁群算法相结合形成免疫蚁群算法,运用免疫机理提取疫苗获得初始解,通过免疫操作加快算法收敛速度,并用基于浓度的选择机制抑制算法的＂早熟＂.将该算法用于求解电力系统无功优化问题进行仿真,结果表明它的收敛速度和计算精度都有较大提高.     

基于改进的自适应粒子群算法的给水管网优化设计

针对粒子群算法在优化给水管网设计时易陷入局部最优难以寻找到最优解的问题,提出改进的动态自适应粒子群算法(modified dynamically adaptive particle swarm optimization,M-DAPSO).定义趋同因子和参数调整函数,使算法能根据种群内部信息自适应调整参数,提出自适应变异策略增加种群多样性.最后,将M-DAPSO算法应用到Hanoi管网优化中,仿真结果表明:该算法能以最小的计算代价求得最优的工程造价;与其他优化算法相比,M-DAPSO算法具有较强的全局搜索能力和较快的收敛速度.