求解相容非线性方程组拟牛顿和混合计算智能算法

本文针对变量数与方程数不一致的相容非线性方程组（ＣＮＬＥ）,先给出拟牛顿（ＱＮ）法。针对该算法的局部收敛性容易导致求解失败,通过在遗传算法（ＧＡ）中嵌入ＱＮ算子,并定义适当的适应度,从而得支结合ＧＡ和ＱＮ法两者长处,既有较快收敛性,又能以较大概率求解ＣＮＬＥ的混合计算智能算法。计算结果表明本文方法显著优于ＧＡ和ＱＮ法。     

基于GaBP算法的快速潮流计算方法

研究在潮流迭代求解过程中雅可比矩阵方程组的迭代求解方法及其收敛性。首先利用PQ分解法进行潮流迭代求解,并针对求解过程中雅可比矩阵对称且对角占优的特性,对雅可比矩阵方程组采用高斯置信传播算法(GaBP)进行求解,再结合Steffensen加速迭代法以提高GaBP算法的收敛性。对IEEE118、IEEE300节点标准系统和两个波兰互联大规模电力系统进行仿真计算后结果表明：随着系统规模的增长,使用Steffensen加速迭代法进行加速的GaBP算法相对于基于不完全LU的预处理广义极小残余方法(GMRES)具有更好的收敛性,为大规模电力系统潮流计算的快速求解提供了一种新思路。     

三维椭圆问题三次有限元方程的代数多层网格法

通过分析三次有限元空间与线性有限元空间之间的关系,提出了一种求解三维椭圆问题三次有限元方程的两水平方法.然后,通过调用现有的代数多层网格(AMG)法求解粗水平方程,建立了求解三次有限元方程的AMG法,并对其收敛性进行了严格的理论分析.数值实验结果表明,本文设计的AMG方法对求解三维椭圆问题三次有限元方程具有很好的计算效率和鲁棒性.     

并行启发式进化遗传算法

本文通过对遗传算法 (GA)的过早收敛问题及其解决方法的探讨 ,结合种群分布、多种群进化、迁徙及并行启发式结构等思想 ,提出一种求解全局最优解的并行启发式进化遗传算法 (PHGA) ,仿真结果验证了这种新算法良好的全局收敛性性能     

基于Volterra模型的预测控制及应用

由于工业实践的需要,非线性预测控制近年来受到广泛地关注.Volterra模型是一类特殊的非线性模型,非常适合描述工业过程中的无记忆非线性对象.传统的基于Volterra模型的控制器合成法及迭代计算预测控制器法计算量大,且不便于处理控制约束.非线性模型预测控制求解是典型的非线性规划问题,序列二次规划(sequential quadratic program,SQP)算法是求解非线性规划问题常用方法之一.针对Volterra非线性模型预测控制求解问题,本文将滤子法与一种信赖域SQP算法相结合,提出一种改进SQP算法用于基于非线性Volterra模型的带控制约束的多步预测控制求解,并分析了所提方法的收敛性.工业实例仿真结果证实了所提方法的可行性与有效性.     

基于混合遗传算法的自动组卷问题的研究

针对遗传算法(GA)容易出现未成熟收敛和进化后期计算效率低的问题,提出了一种基于混合遗传算法(HGA)的智能组卷算法.将自适应遗传算法(AGA)与位爬山法相结合,提高组卷性能.在进化前期采用AGA进行全局寻优,增强GA的收敛速度同时避免GA的未成熟收敛.在进化后期启动位爬山法增强AGA的局部搜索能力.试验结果表明,HGA相对于AGA在有效性、稳定性和计算效率三方面都有较大提升,更能有效解决自动组卷问题,具有较好的使用性能和实用性.     

遗传算法与最优化

本文概述了遗传算法(GA)的算子.理论基础,用其求解最优化问题时需考虑的若干问题,并以函数最优化为例,说明用GA求解的有效性.     

配送中心选址问题的和谐搜索算法

针对一类配送中心选址问题,建立了问题的数学模型,将和谐搜索算法进行改进并对问题进行求解,最后将此算法与最优保存算法(EGA)和遗传算法(GA)进行比较,验证了算法在计算结果方面的精确性和计算时间上的高效性。     

基于牛顿法和遗传算法求解非线性方程组的混合计算智能方法

本文针对牛顿法的局部收敛性而容易导致求解失败，先讨论在全局空间搜索解的非线性方程组遗传算法（ＧＡ）。然后针对ＧＡ收敛慢，通过定义牛顿算子，适应度函数和选择算子，从而得到结合ＧＡ和牛顿法两者长处，既有较快收敛性，又能以较大概率求解非线性方程组的混合计算智能算法。数值计算表明本文方法显著优于牛顿法和ＧＡ。     

TSP的-种改进遗传算法

旅行商问题(TSP)是研究算法性能的典型算法,具有广泛的应用背景.遗传算法(GA)是由遗传进化理论指导的随机搜索寻优算法.但传统GA的寻优能力与随机搜索能力之间存在着相互制约的关系,所以对地形极其复杂、极无规律的TSP的应用效果并不十分理想.本文通过在传统GA中引入"幼代”及其成长过程,解除了两种能力间的制约关系.实际计算结果表明,求解质量显著提高.     

基于PSO信息传递模式的混合算法

粒子群优化算法（Particle Swarm Optimization，PSO）是一种基于群智能（Swarm Intelligence）的随机优化计算技术。PSO和遗传算法这两种算法相比较，PSO收敛快速准确，但编码形式单一，局限于解决实优化问题，而遗传算法编码形式灵活，解决问题广泛，但执行效率低于PS00。将粒子群算法的信息传递模式与遗传算法的编码和遗传操作相结合，提出一种混合算法。并推导了两个算法之间的密切联系。并通过组合优化和函数优化的基准测试集对算法进行测试，试验结果表明，该算法在收敛精度和速度优于传统遗传算法。同时，也观察到该算法取得了与粒子群算法一致的收敛现象。     

用于间歇化工过程最优设计的遗传算法

间歇化工过程的最优设计问题是一类复杂且难以求解的组合优化问题。通过把这类问题分解为只包含离散变量的主导问题和只含连续变量的子问题,把遗传算法和线性规划法结合起来对其进行求解。并在算法中引入了一类新的算子,显著地提高了收敛概率、算例表明,该方法可以避免直接求解过程的复杂性和困难,并且具有很好的全局收敛性。     

动态系统的演化建模

针对采用传统方法解决动态系统的微分方程建模问题所遇到的困难和存在的不足,语文中设计了将遗传程序设计与遗传算法和相嵌套的混合演化建模算法,以遗传程序设计优化模型结构,以遗传算法优化模型参数,成功地实现了动态系统的常微分方程组建模过程自动化。     

量子遗传算法在指纹图像分割中的应用

提出了一种基于量子遗传算法(QGA)的指纹图像分割改进方法.这种方法利用量子遗传算法种群多样性好,收敛速度快的特点,将基于量子遗传算法的阈值分割方法与方向图法相结合对指纹图像进行分割.实验结果表明,QGA在指纹图像阈值分割中的速度和精度优于改进的自适应遗传算法和其它一些传统算法,是一种有效的图像分割方法.     

基于混合遗传算法求解非线性方程组

将非线性方程组的求解问题转化为函数优化问题,且综合考虑了拟牛顿法和遗传算法各自的优点,提出了一种用于求解非线性方程组的混合遗传算法。该混合算法充分发挥了拟牛顿法的局部搜索、收敛速度快和遗传算法的群体搜索、全局收敛的优点。为了证明该混合遗传算法的有效性,选择了几个典型的非线性方程组,从实验计算结果、收敛可靠性指标对比不同算法进行分析。数值模拟实验表明,该混合遗传算法具有很高的精确性和收敛性,是求解非线性方程组的一种有效算法。     

一种解决TSP的改进遗传算法

旅行推销员问题TSP(Traveling Salesman Problem)问题是组合优化中的经典NP难题,一些典型的遗传算法(GA)在求解TSP问题时的性能并不理想.提出基于"最小邻域接入法"CBMC(Connecting Based on Minimum Circle)思想的改进的遗传算法,并在算法中增加一些控制策略,与其他算法相比,获得了更好的性能和收敛速度.通过用中国33个省会的TSP问题对提出算法进行实验验证,结果证明了改进后的算法在收敛速度和收敛到最优解的概率都优于其他遗传算法.     

GENETIC ALGORITHM MODEL FOR PROFIT MAXIMIZATION OF GENERATING COMPANIES IN DEREGULATED ELECTRICITY MARKETS

In deregulated and rapidly changing electricity markets, there is strong interest on how to solve the new price-based unit commitment (PBUC) problem used by each generating company to optimize its generation schedule in order to maximize its profit. This article proposes a genetic algorithm (GA) solution to the PBUC problem. The advantages of the proposed GA are: 1) flexibility in modeling problem constraints because the PBUC problem is not decomposed either by time or by unit; 2) smooth and easier convergence to the optimum solution thanks to the proposed variable fitness function which not only penalizes solutions that violate the constraints but also this penalization is smoothly increasing as the number of generations increases; 3) easy implementation to work on parallel computers, and 4) production of multiple unit commitment schedules, some of which may be well suited to situations that may arise quickly due to unexpected contingencies. The method has been applied to systems of up to 120 units and the results show that the proposed GA constantly outperforms the Lagrangian relaxation PBUC method for systems with more than 60 units. Moreover, the difference between the worst and the best GA solution is very small, ranging from 0.10% to 0.49%.     

一种适用于状态方程求根的高阶收敛迭代算法

本文提出一种具有三阶收敛速度的一元方程迭代求根算法。该算法尤其适用于状态方程求根。其优点在于可避免误求出不合物理意义的增根，收敛范围广，收敛速度快，在二重根附近仍有二阶敛速，并且方法简单，编程容易。     

基于遗传BP网络的快速分类算法的构建

为获取能快速分类的智能算法,在分析BP算法原理与缺陷的基础上,首先对标准的BP算法进行了改进,然后利用已改进的BPX算法优化遗传算法选优过程,提出了GA＆BP混合算法,该算法兼顾了GA算法的全局收敛特性和BP算法快速的局部收敛能力,使算法既有较快的收敛速度又不易陷入局部解。仿真结果表明GA＆BP混合算法的收敛速度、误差精度等主要性能指标有明显改善。