基于自适应模拟退火遗传算法的传感器优化配置研究

针对传感器优化配置组合优化问题,提出了一种基于模态置信度准则MAC的优化算法——自适应模拟退火遗传算法。以模态置信度MAC矩阵的最大非对角元的值极小为目标函数,针对满足传感器数量不变的约束条件问题,提出了二重结构编码遗传算法,并将传统的模拟退火算法改良后,作为一个独立的算子置于遗传算法进化过程中;为了避免出现过早收敛的现象,引入了自适应交叉和变异概率。算例结果表明该混合算法对传感器数目与位置同时实现了优化,得到了满足不同精度要求的传感器优化配置方案。     

A genetic algorithm for spectrum assignment in cognitive radio networks based on constraint templates

对遗传算法用于解决认知无线电网络频谱分配中的无干扰约束条件问题进行分析,提出一种基于约束模板进行认知无线电网络频谱分配的遗传算法模型,该模型以系统效用最大化为目标求得无干扰的约束模板,利用约束模板的标号组合构成染色体,再通过遗传算子的进化选择适应度函数更大的约束模板组合,最终得到无干扰的可行分配策略.仿真结果表明,该算法可以避免利用传统遗传算法进行频谱分配的模型在进化过程中对种群中染色体重复性的无干扰约束处理,及由于无干扰约束处理引起的适应度函数减小等问题,可获得更高的系统效用.     

基于离散差分进化算法的随机车辆路径问题

针对差分进化算法求解组合优化问题存在的局限性,引入计算机语言中的2种按位运算符,对差分进化算法的变异算子进行重新设计,用来求解不确定需求和旅行时间下同时取货和送货的随机车辆路径问题（SVRPSPD）。通过对车辆路径问题的benchmark问题和SVRPSPD问题进行路径优化,并同差分进化算法和遗传算法的计算结果进行比较,验证了离散差分进化算法的性能。结果表明,离散差分进化算法在解决复杂的SVRPSPD问题时,具有较好的优化性能,不仅能得到更好的优化结果,而且具有更快的收敛速度。     

几种优化算法在浅海匹配场反演中的性能比较

在分析模拟退火算法、遗传算法、差异进化算法、下山单纯形差异进化算法的优化机理的基础上,定量比较了上述算法在浅海匹配场反演中的效率差异。模拟退火算法与遗传算法只使用目标函数值信息在参数空间搜索全局最优值,效率低且易受参数间耦合的影响。差异进化算法使用种群中个体间的距离与方位信息在参数空间中搜索全局最优值,优化效率随着优化过程的进行而下降。下山单纯形差异进化算法将下山单纯形算法融入差异进化算法,增强了差异进化算法的寻优能力,混合算法对目标函数梯度信息敏感的特性使得这一算法具有较强的解耦能力。浅海匹配场反演仿真算例从最优参数反演结果、最终目标函数值、反演时间等方面检验了上述算法的反演效率。     

基于差分进化算法的供水系统节能调度研究

针对当前供水系统节能降耗的需求,根据供水系统运行特点,利用合理划分调度期的方式,建立了以节能为目标的优化调度模型;采用差分进化算法对模型进行求解,应用实数编码将决策变量表示为进化种群中的个体;运用罚函数法对约束条件进行转换,并使用加法和乘法的形式进行组合,构建了适应度函数;采用标准差分策略进行变异操作;以天津市中心城区供水系统为例,验证了模型与差分进化算法的有效性,并与遗传算法进行了对比,显示出前者在求解该模型上具有一定的优势。     

机械优化设计遗传算法在机加中的应用

在科学技术迅速发展的今天,多学科相互交叉、相互渗透和相互促进已成为当今科学发展的显著特征。通过学者们的不断努力将生物自然选择和遗传进化与计算技术相结合,创立了生命科学和工程学可相互渗透的优化算法----遗传算法。由于遗传算法对非线性不连续多峰函数和无解析表达式的优化问题有很强的通用性,对目标函数具有全局优化性和稳定性,他的搜索是多途径的进行,所以其运算并行性好、直观简单、可操作性强。鉴于比传统优化算法更为突出的优越性,所以广大学者对遗传算法的研究仍然是方兴未艾。但仅遗传算法是为智能的新颖优化算法之一,在优化技术领域有这及其广阔的应用前景。本文将根据机械加工过程中的实际应用来体现遗传算法的显著的特点和优点。     

基于遗传算法的传感器优化配置

讨论了以损伤诊断为目标的传感器优化配置问题,以模态置信度MAC矩阵的最大非对角元为目标函数,将目标函数的极小化问题转换为适应度函数的最大化问题,采用遗传算法对传感器的配置进行组合优化,针对满足组合优化中的约束条件问题提出了二重结构编码遗传算法,取得了满意的优化结果。算例表明,该方法应用于海洋平台模型损伤诊断的传感器优化配置是可行的,其结果优于序列法。     

基于粒子群遗传算法的泊车系统路径规划研究

针对智能停车库自动导引运输车(automated guided vehicle,AGV)存取车路径规划问题,提出了一种基于粒子群和遗传算法的动态自适应混合算法.在标准粒子群算法和遗传算法的基础上,通过引入动态自适应调整策略分别对惯性权重系数、学习因子以及交叉变异概率公式进行了优化.在进化初期,通过在惯性权重系数和学习因子之间建立动态联动关系来实现对粒子速度和位置的实时有效更新;在进化后期,通过引入自适应遗传算法的交叉、变异操作来增强混合算法的全局搜索能力,提高算法的进化速度和收敛精度.为验证混合算法的可行性和有效性,选用MATLAB软件对其进行仿真测试.仿真测试结果显示,与禁忌搜索算法、蚁群算法以及遗传算法相比,混合算法表现出较强的全局搜索能力和较好的收敛性能,表明混合算法可行和有效.     

基于遗传算法的光纤光栅横向均匀受压谱型识别技术的研究

采用遗传算法对光纤光栅横向均匀受压的谱型识别技术进行了研究,建立了系统的优化数学模型,确定了对应的目标函数,分析了种群规模、进化代数、交叉率、变异率等参数选值对算法运行结果的影响,并选取了算法的运行参数组合。构建了光纤光栅横向均匀受压传感系统,完成了相关的仿真与实验。结果表明,用遗传算法实现的光纤光栅横向均匀受力系统应力测量的实验精度可达到0.86%。     

基于改进遗传算法的水轮发电机振动荷载参数识别

根据水轮发电机现场振动测试实验数据,采用改进的遗传算法研究了水轮发电机运行过程中振动荷载反演问题。与传统的参数反演方法相比,遗传算法并不是基于对目标函数梯度方向搜索,而是在解的整个区域随机搜索.将遗传算法与模拟退火算法相结合,提高了种群在进化过程中个体多样性,可以有效地防止简单遗传算法早熟问题。同时,将遗传算法与梯度优化方法相结合,使得混合型遗传算法有效地解决了梯度算法局部极小问题和简单遗传算法的收敛速度慢问题。工程实际应用表明,采用本文所建立改进遗传算法所反演的水轮发电机振动荷载参数,预报其它振动观测点的位移具有较高的预报精度。