遗传算法在汽车起重机行星传动模糊优化的应用

遗传算法是一种模拟生命进化机制的搜索和优化方法，其全局优化和隐含并进性使得遗传算法适合求解大规模的复杂优化问题，在介绍遗传算法的基础上，提出了基于遗传算法的汽车起重机行星传动模糊优化方法，算例计算表明，遗传算法在机械目标优化方面具有较好的应用前景。     

基于ANN-GA的注塑参数优化系统及其应用

在以人工智能技术为基础的注塑工艺参数优化系统的开发方面进行了研究．构建了以混合神经网络与遗传算法方法为基础，并结CAE技术的参数优化系统，编制了应用程序，通过工程实例，将参数优化系统的预测结果与CAE模拟结果进行比较和误差分析，显示出优化系统的稳定性和可靠性；优化结果与CAE模拟结果及实验验证的结果具有一致性，证明优化结果是正确的，表明基于混合神经网络与遗传算法方法的注塑工艺参数优化系统具有工程应用价值。     

遗传算法在油藏数值模拟中的应用

油藏数值模拟中的模型识别问题，可以转化为函数的最优化问题。鉴于遗传算法的特点，将之引入到油藏多相流体渗流的数值解法中，用以解决油藏数学模型的识别问题。在建立油藏数值模拟中模型识别问题的最优化模型后，采取将最优化模型中的目标函数嵌入到遗传算法适应度函数中的方法，实现遗传算法与油藏数值模拟的耦合。基于优化模型和遗传算法的运算过程，编写计算程序，实现油藏渗流数学模型的自动识别。最后通过对一单井开采过程的数值模拟，验证了遗传算法在油藏数值模拟中应用的可行性与有效性。     

遗传算法及其在求极值方面的应用

遗传算法是一种模拟达尔“适生存”进化思想的方法，在求解复杂优化问题方面遗传算法有巨大潜力。本介绍遗传算法的数学基础、遗传算法的特点以及遗传算法与传统算法的区别。     

基于神经网络的遗传算法优化及其应用

遗传算法是１种模拟自然进化而提出的简单、高效的组合优化算法。研究了磷酸羟胺制备过程中羟胺反应效率的优化问题。该过程由于其反应动力的固有复杂性而无法建模。表明结合神经网络理论，遗传算法可以有效地解决这一过程的寻优问题。     

基于自适应遗传算法的模拟电路的优化设计方法

针对在模拟电路设计中参数调整复杂性带来的困难,提出了一种新的针对CMOS模拟运算放大器参数优化方法.其特点是把模拟电路设计知识与遗传算法相结合,通过对遗传算法的自适应改进帮助其解决多目标优化和收敛的问题,并根据不同的性能指标要求,在相同结构下优化出不同用途的运算放大器.实验结果证明,该方法在相同结构下与其他优化方法相比...     

遗传算法在PID控制系统中的应用

遗传算法是一种模拟自然进化而提出的简单高效的组合优化算法．本文研究了PID三个参数Kp、Ki、Kd使系统获得最佳控制效果的优化问题．结果表明,遗传算法可以有效地解决这一过程的优化问题．     

基于遗传算法优化汽车传动系参数的研究

采用遗传算法，以汽车的动力性和经济性最优为目标，对汽车传动系参数进行优化，并在此基础上编制了模拟分析软件，通过实车计算验证了软件的正确性。     

曲线曲面的有限元光顺方法

从采用有限元三角单元划分出发，满足有限元模拟的收敛性的要求，提出了基于点的曲线曲面的有限元光顺模型。在优化计算过程中，避开了一般的优化计算方法的优化计算时问长且要解大型矩阵的缺点，从智能优化角度出发，应用遗传算法来计算，并取得良好的效果。     

遗传神经网络在模拟电路故障诊断中的应用

对模拟电路的故障诊断,本文采用一种将遗传算法和BP神经网络结合的智能诊断方法-GA-BP算法,实现了模拟电路的故障诊断.该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法进行训练.通过仿真结果比较分析,经过遗传算法优化过的神经网络的训练步教大大减少.克服了传统BP算法的收敛速度慢,容易陷入局部极小值的缺点.     

预测混合生物质灰熔点的CV-GA-SVM模型

为了更加快速、精确地对混合生物质灰熔点进行预测,利用交叉验证(cross validation,CV)方法进一步优化了前人提出的经遗传算法(genetic algorithm,GA)优化的支持向量机(support vector machine,SVM)回归模型。以灰成分作为输入量,灰熔点为输出量,以单生物质数据训练该模型,对混合生物质灰熔点进行了预测;并与仅经GA优化模型的预测结果进行了比较。研究结果表明:经GA与CV优化的SVM模型对混合生物质灰熔点进行预测,平均绝对误差为25。0℃,平均相对误差为2。7％,比仅经GA优化的SVM模型预测结果更为精确;适当地设置相关参数可以节省程序运行时间。     

基于遗传算法的码本设计及其在说话人识别中的应用

矢量量化方法是与文本无关的说话人识别系统中广泛应用的建模方法之一.在矢量量化过程中,经典的LBG算法收敛速度快,但极易收敛于局部最优点,无法保证根据有限样本数据得到最优码本,并最终影响系统识别性能.本文提出了一种基于遗传算法并结合LBG算法的码本设计方法.该方法通过遗传操作获得全局优化的说话人模板,把新的识别算法应用于说话人识别的实验.结果显示,对于一个小的码本集,新的码本算法比经典的LBG算法具有更好的识别性能.     

基于可变种群遗传算法的MIMO直接盲多用户检测

本文研究了遗传算法在MIMO系统中直接盲多用户信号检测问题,通过分析遗传算法种群的构成对算法收敛速度和性能的影响,本文提出了一种基于可变种群的改进遗传算法,测试函数的计算表明,与传统的遗传算法相比,改进的算法能够以比较快的速度收敛到全局最优解,利用改进的算法对MIMO系统的直接盲多用户信号检测的仿真结果也进一步表明了算法的有效性。     

可重构线天线的快速优化设计

将遗传算法与矩量法相结合,对可重构线天线的开关状态进行优化设计．将可重构天线的开关作为加载来处理,并利用Sherman-Morrison-Woodbury公式加速矩量法中阻抗矩阵方程的求解．优化结果表明遗传算法与快速矩量法结合对可重构线天线的优化设计非常有效,优化设计的速度提高了3~4个数量级．     

解空间种群均匀化自适应遗传算法的应用

提出了一种新型解空间种群均匀的自适应遗传算法，并采用随机方法对初始种群加以改进，使初始种群均匀分布于解空间之中.在优化进程中，引入自适应算法，使交叉的变异算子具有自适应性；将自适应调节机制引入适应值函数中，使适应值函数同样具有自适应性.为证实所提出的改进遗传算法的可行性和有效性，对几种典型的多峰值函数进行了寻优测试.优化测试结果与解析解及标准遗传算法优化结果相对比，证明改进遗传算法的全局搜索能力和收敛性都远优于标准遗传算法.     

带有成长算子的遗传算法

提出了伪极值点的概念,举例说明了由于遗传算法随机性强使得二进制码遗传算法极易陷入伪极值点,致使算法收敛速度缓慢的问题,设计了一种适合于二进制编码遗传算法的成长算子,该算子的引入,加强了算法的方向性,有效地防止了算法陷入伪极值点,从而大大提高了算法的收敛速度。     

基于遗传模糊高斯混合模型的训练方法

为了解决传统高斯混合模型GMM(Gaussian m ixture model)的训练方法对模型初值十分敏感、在实际训练中极易得到局部最优模型参数的问题,提出了一种GMM模型参数训练的新方法。将遗传算法与基于模糊聚类分析的GMM参数估计相结合,形成一种新的混合算法,对模型参数进行全局优化,提高了参数估计的准确性。采用自适应交叉和变异算子,同时利用模糊最小目标函数FMOF(FuzzyM inimum Objection Function)准则对模型参数进行重估,提高了算法的搜索效率,加快了算法的收敛速度。使用PKU-SRSC语音数据库进行了与文本无关的说话人辨认实验。实验表明,与传统的GMM训练方法和最大似然估计方法相比,本文方法可以得到更优的模型参数,同时识别率也有所提高。     

基于遗传算法的PID参数寻优

针对工业过程中常见的二阶大滞后对象的PID参数调节问题,采用具有全局优化能力的遗传算法对PID参数调节和优化,并同单纯形算法作了比较。仿真结果表明了遗传算法应用于控制器参数优化的可行性和有效性     

基于遗传算法优化的神经网络PID控制器

提出了一种新的改进遗传算法优化的神经网络PID控制器。该方法设计了基于性能指标的适应度函数、自适应的交叉概率、变异概率,引入移民的遗传算法,从而有效地抑制了早熟和维持种群多样性,保证了得到的优化参数为最优参数。该方法为非线性被控对象的控制提供了一种最优参数控制器设计途径。仿真结果证明:利用改进遗传算法设计的控制紧闭环性能优越,鲁棒性强。