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.     

嵌入演化策略的双种群遗传算法及其应用

针对标准遗传算法的局限搜索能力差、解的精度低等一些不足,提出了一种嵌入演化策略的双种群遗传算法,即用自适应遗传算法进行种群寻 ,用演化策略优化小种群。将该方法应用于非线性约束优化问题中,结果表明,该算法的局部搜索能力、精度和计算速度较改进前有明显提高。     

混沌-克隆进化算法

将混沌优化机制和免疫克隆进化算法有机结合,用混沌浮点数编码代替克隆选择算法的二进制编码,利用混沌随机序列产生初始种群,保证初始种群的多样性。对高亲和度抗体采用混沌扰动策略,对抗体根据其亲和度大小加以不同的混沌扰动;混沌扰动系数随进化代数而变化,进化前期加速搜索,进化后期加速收敛。对低亲和度抗体采用混沌再生策略,保持种群多样性。对5个复杂函数的优化试验结果表明,该算法优于混沌优化算法和克隆选择算法。     

免疫遗传算法小波神经网络控制器设计

小波神经网络在处理具体问题时需要对其各个参数进行优化训练,才能成为一个要处理具体问题的小波神经网络,针对小波神经网络的参数优化训练问题,提出了免疫遗传算法,对比引入小生境技术的改进遗传算法,它利用了生物免疫系统的浓度抑制规律,有效的提高了种群的多样性,加忆了收敛速度,有更好的计算稳定性,同时提出了线性递减策略的遗传变异方式,使变异操作更加科学.将改进的免疫遗传算法用于小波神经网络的参数优化训练,通过具体的实现数据,证明了免疫遗传算法在解决小波神经网络的参数优化训练问题方面的优良效果.最后通过二级倒立摆仿真实验,验证了所设计的控制器优良的控制效果.     

求解舰艇抗损性优化的改进变尺度混沌遗传算法

为满足舰艇抗损性优化的需要,构建了优化的数学模型;针对以往该类问题求解算法时间长、易早熟的不足,对传统的遗传算法进行了改进。首先通过适应度函数的标定,自适应的调节了个体选择的概率;然后对交叉概率和变异概率进行了动态修正;不仅如此,利用变尺度混沌优化算法对种群中的较优个体进行了混沌搜索,避免了陷入局部最优解。案例优化结果的对比表明,改进的遗传算法能够快速地搜索到全局最优解,特别是避免了不成熟的收敛,较好地指导了抗损性的优化设计。     

Tent混沌和变邻域局部搜索优化的GSA

针对引力搜索算法存在的易陷入局部最优、精度有待提高等问题,提出一种Tent混沌和变邻域局部搜索优化的引力搜索算法。首先改进Tent混沌,利用其遍历均匀性、随机性初始化种群,增强算法的全局搜索能力;然后改进粒子速度和引力系数公式,加快算法的收敛速度;最后设计一种基于莱维飞行的变邻域局部搜索策略,引导种群脱离局部最优,提高寻优精度。仿真结果显示,新算法能有效地抑制局部最优,相较其他测试算法有更好的寻优精度和稳定性。利用新算法优化径向基函数神经网络,对非线性系统的辨识结果证明,改进后的径向基函数神经网络比标准径向基函数神经网络和反向传播神经网络具备更好的模型逼近能力和泛化水平。     

触觉传感器非线性补偿仿生算法

为解决触觉传感器非线性误差大的问题,本文提出了一种基于动态密度聚类改进的自适应多种群遗传算法(IMPGA)。IMPGA算法通过对个体相似度的动态聚类分析生成多个子种群,各子种群采用自适应交叉、变异概率并行进化,提高了搜索全局最优解的效率。通过动态邻域搜索策略提高算法局部搜索的能力,通过移民算子保持每个种群的多样性和进化动力。实验表明通过IMPGA算法优化的BP神经网络能够有效减小触觉传感器非线性拟合误差,鲁棒性能好。     

基于神经网络与遗传算法的结构优化设计方法

从神经网络和遗传算法的原理出发,利用遗传算法和神经网络相结合的策略对结构参数进行优化.在确定结构优化的目标函数和设计变量集合的基础上,用神经网络学习算法建立货架结构设计参数与结构重量、结构最大应力、最大位移等的非线性全局映射关系,获得遗传算法求解结构优化问题所需的目标函数,用遗传算法进行优胜劣汰的寻优搜索运算,从而求出所需最优解.以货架结构的优化为例说明了上述方法的应用.遗传算法和神经网络的优化结果是在正交设计法确定的训练样本足够大的基础上得出的,具有较强的可靠性.     

一种改进的基于进化阶段的自适应遗传算法

为改善遗传算法的优化性能,延长种群搜索过程,对基于进化阶段的自适应策略遗传算法进行了改进．改进的自适应策略不仅基于进化阶段,同时基于个体,特别是采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解．实验结果表明,该改进的算法确实延长了算法的搜索阶段,提高了算法的性能．     

一种改进的基于进化阶段的自适应遗传算法

为改善遗传算法的优化性能,延长种群搜索过程,对基于进化阶段的自适应策略遗传算法进行了改进.改进的自适应策略不仅基于进化阶段,同时基于个体,特别是采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解.实验结果表明,该改进的算法确实延长了算法的搜索阶段,提高了算法的性能.