一种基于“探测"与“开采"的多目标进化算法

针对实践中多目标优化问题(MOPs)的Pareto解集(PS)未知且比较复杂的特性,提出了一种基于"探测"(Exploration)与"开采"(Exploitation)的多目标进化算法(MOEA)——MOEA/2E。该算法在进化过程中采用"探测"与"开采"相结合的方法,用进化操作不断地探测新的搜索区域,用局部搜索充分开采优秀的解区域,并用隐最优个体保留机制保存每一代的最优个体。与目前最流行且有效的多目标进化算法NSGA-Ⅱ及SPEA-Ⅱ进行的比较实验结果表明,MOEA/2E获得的Pareto最优解集具有更好的收敛性与分布性。     

基于空间交配遗传算法的收敛性分析

基于空间交配遗传算法(GASM)采用空间交配遗传算子,有效克服早熟收敛问题,但缺少相关理论分析。文中采用马尔可夫链分析基于空间交配遗传算法的收敛性。证明采用最优个体保留机制的GASM,可收敛到全局最优解。同时证明在没有变异算子的情况下,GASM以概率1收敛到全局最优解。通过4个测试问题(其中3个为多峰值复杂问题)的对比实验,结果表明,GASM在求解多峰值复杂问题时,比采用最优个体保留机制的经典遗传算法,具有更好的收敛性。同时也与快速蜂群优化算法进行比较实验。     

傅里叶空间变换处理带噪声进化算法的研究

鉴于进化算法处理实际优化问题时受到的噪声干扰,提出了一种新的数学去噪方法（Fourier Space Transform,FST）。建立噪声环境下进化计算中新的适应函数计算模型;对该模型下计算所得的个体适应值进行傅氏空间变换,运用滤波方法处理;通过傅氏逆变换得到处理后的适应值,通过比较它们模值的大小,选出优秀个体。实验结果表明,FST方法不仅对噪声处理有很好的效果,而且计算代价低,稳定性好。     

光纤光栅补偿偏振模色散研究

研究了近年来光纤光栅作为偏振模色散补偿器件的成果,对基于线性和非线性啁啾光纤光栅的PMD补偿方案和补偿效果作了较全面的总结、分析和比较.     

地基增强系统(GBAS)飞行验证方法研究

为改善终端区导航服务性能,支持 GPS 差分精密进近和着陆,国际民航组织提出了地基增强系统(GBAS)。为验证地基增强系统是否满足民用航空运行标准,需要对其进行飞行验证。本文详细讨论了对 GBAS 系统的飞行验证过程,包括地面子系统和机载子系统的平台建设, 以及飞行验证方法。试验结果表明被测 GBAS 系统符合国际民航组织颁布的 GBAS 运行标准,满足一类精密进近要求。     

基于ACF的小波域数字图像水印算法

设计了一种基于自相关函数（ACF）的盲检测小波域数字图像水印算法,提取原图像小波分解的高频细节分量信息,并增强其相关性后,对水印信息进行调制掩盖。经过处理的掩藏了水印的高频细节分量与原图像的逼近分量再合成,得到含水印的图像。水印检测时,将含水印图像小波分解,分析其细节分量的ACF峰值,对图像的几何攻击进行估计及校正,以取得水印同步,再通过水印相关性进行检测评价,实验表明,该方法可行,具有较强的抗剪切、几何攻击性。     

基于最小生成树NSGA-2算法的改进

多目标进化算法（MOEA）的一个关键就是保持解的分布度,提出了一种用最小生成树的边的权值来表示个体聚集距离的方法,并且对NSGA-2的交叉算子和变异率进行了改进。实验结果表明,与NSGA-2相比该方法（MST-NSGA-2）在解的分布度上有较大的提高,并且有着良好的收敛性。     

中长齿轮轴的成形新工艺

在国内,许多齿轮轴的少无切削加工技术已经成熟并被广泛使用,例如精锻、冷镦、冷挤压、摆碾等这些先进加工工艺的高质高效已被我国机械行业普遍认可,但它们对中长齿轮轴的加工却显得力不从心。[1] 中长齿轮轴的成形工艺方案中长齿轮轴因其结构特点不仅使这些先进技术的加工效率明显降低,而且废品率高,模具使用寿命短,加工成本大大提高,没有充分发挥少无切削加工的优势。我们在本单位变速箱产品中的中长齿轮轴(如图所示)的生产中,根据零件的结构特点、强度要求以及现有加工设备的生产能力,采用了摩擦焊接技术和齿轮精锻相结合的新工…     

韶冶锌精馏炉二期工程的节能实践

本文对精馏炉二期工程的节能实践进行了认真总结,重点介绍了二期工程的节能新技术应用效果,节能管理措施,并对存在问题进行了认真分析,提出了进一步提高能源利用率的研究方向和措施。     

进化高维多目标优化研究综述

高维多目标优化问题(many-objective optimization problems, MaOPs)已经普遍存在于工业和科学领域中,这类问题的目标数一般超过3个且目标之间存在冲突性。进化算法作为一种基于种群的元启发式搜索方法已经被证实能够有效求解MaOPs。近二十年来,高维多目标进化算法(many-objective evolutionary algorithms, MaOEAs)研究已取得了长足发展。现对进化高维多目标优化(evolutionary many-objective optimization, EMaO)的研究进展进行全面的综述,具体包括：(1)描述了EMaO的相关理论背景;(2)分析了EMaO面临的挑战;(3)详细讨论了Ma OEAs的发展概况;(4)归纳了Ma OPs以及性能指标;(5)介绍了面对高维目标空间的可视化工具;(6)总结了Ma OEAs在一些领域的应用;(7)剖析了进化算法在解决MaOPs时所面临的问题和挑战,并给出未来研究方向的建议。