基于遗传算法的可进化模拟滤波器的实现

以遗传算法和可编程模拟器件ispPAC80为评估手段和载体，实现了可进化的模拟滤波器的设计，将遗传算法和可编程模拟器件相结合，可在无须改动硬件的情况下。实现转折频率和阻带衰减等滤波参数的变换(即可进化性)，其性能达到甚至超过经典的同阶滤波器。     

一种新型的单芯片级可进化硬件系统

针对可进化硬件（EHW）系统的需求,设计实现了FDP-2-SOPC芯片,芯片中嵌入了CPU和FPGA两种IP核,可实现硬件电路的重构和进化;以该芯片为系统核心建立了一种新型的软硬件结合的单芯片级EHW系统.为了提高电路重构速度,设计了针对EHW需求的快速局部重配置技术;为提高遗传算法的执行速度,设计了专用的随机数产生器...     

基于并行搜索遗传算法的AGV自适应集群调度

针对现行自动导引车(AGV)系统研究中过分依赖匀速运动和忽略通信时长等模型理想化假设条件及转弯惩罚和拥堵惩罚因子等仿真修正参数的缺点,提出一种面向真实场景的自适应集群调度策略．首先分析了AGV集群系统的地理特征并得到运动约束,然后对于现行的A~*算法进行改进,实现加速计算．针对遗传算法适应性有待改善的问题,在融合A~*算法的基础上提出了基于动态适应度函数的改进遗传算法,所提出的方法不再须要针对新的环境修改遗传算法结构,只须将约束添加至A~*算法工作的地图中．给出了双向A~*算法下的多AGV调度的实验结果,分析表明：本研究的双向A~*算法在路径求解速度上有明显的优势,且能够适应不同数量的障碍,为AGV集群调度方法在真实作业场景中的开发应用提供了参考．     

多方式进化遗传算法及其优化波纹薄壁管的耐撞性

 通过提出一种多方式进化遗传算法的途径改进了遗传算法,并用于求解汽车新型波纹薄壁管耐撞性优化问题。文中采用响应面法近似建立金字塔形波纹薄壁管的优化模型,在多方式进化遗传算法中采用多种编码方式、选择策略、交叉和变异操作,同时还设计了类似遗传学中染色体结构变异的倒位操作,有效改善了群体多样性。对于函数实例测试的结果显示,该算法克服了遗传算法有时局部收敛的缺陷,提升了收敛速度。在波纹薄壁管耐撞性优化问题上的应用研究表明了本算法在求解此类优化问题上的有效性和方便性。优化后波纹管吸能提高40%以上,显著改进了初始设计,进一步验证了多方式进化遗传算法求解此类优化问题的实用性。     

基于适应度评价扩展自适应遗传算法的门级电路进化设计

针对遗传算法适应度评价阶段指定输出单元容易丢失潜在解的问题,该文提出了一种基于适应度评价扩展的电路进化设计方法.该方法将每个逻辑单元的输出都视为一个潜在的解处理,得到一个最优适应度评价值,避免了潜在解的丢失,有效地提高了自适应遗传算法的性能.通过多种电路的进化设计实验比较了该文方法与传统自适应遗传算法设计的性能,结果表明,该文方法具有收敛速度快、迭代次数少、获得最优解成功概率高的优点.     

基于可拓学的设计方案进化推理方法

在分析现有概念设计求解策略的基础上，提出了基于可拓学理论与遗传算法相结合的概念设计求解模型。利用遗传算法模拟物元变换过程，建立了产品方案物元描述的内部模型和外部模型，探讨了内、外模型的转换关系并通过关联函数将内、外部模型联系起来。根据内部模型给出了遗传算法的编码形式以及与之相适应的交叉、变异策略，并通过可拓评价方法建立了遗传算法的适应值函数，基本解决了产品概念设计中的知识组合爆炸和矛盾冲突问题。最后通过求解减速器方案验证了该方法的可行性。     

基于收缩精度的遗传算法逐级进化策略

为了有效克服传统遗传算法主观设定进化代数的弊端并提高算法进化期间的搜索效率,根据控制论中的反馈控制机理,通过适应度函数值的分散程度定义了收缩精度,并按照收缩精度将算法的进化期划分为不同的3个时期。在不同的进化期,采用不同形式的适应度函数以加大种群内个体之间的差异度。对交叉算子进行了改进,采用相关性配对交叉与改进的自适应交叉概率相结合的交叉算子,使算法达到较快的收敛速度。最后的算例表明,改进的遗传算法科学有效。     

改进进化方向的遗传算法与结构遗传设计

基于Ｙａｍａｍｏｔｏ提出的一种新的进化策略,得到一种改进进化方向的遗传算法。该法用于桁架结构遗传设计,不仅能够提高收敛速度,而且提高桁架遗传设计精度,与梯度下降进化方向遗传算法相比,计算时间大大减少。     

可重复自然数编码遗传算法的最优群体规模

研究了可重复自然数编码遗传算法的最优群体规模，证明了最优群体规模存在性，并给出了最优群体规模的一个下限值．本文对研究自然数编码遗传算法具有一定的意义．     

快速可重组制造系统的可诊断性设计原理

为保证快速可重组制造系统的工作质量 ,给出了其可诊断性的定义 ,在快速可重组制造系统结构模型的基础上提出了系统运行过程中的可诊断性的概率模型和矩阵模型 ,根据矩阵模型得出保证快速可重组制造系统具有完全可诊断性时系数矩阵应为满秩矩阵 ,并进行了论证。实践证明这个方法能快速地用于快速重组系统的可诊断性估计     

一种快速收敛的遗传算法及其应用

为了解决遗传算法的收敛速度和全局收敛性之间的矛盾,提出了一种快速收敛的遗传算法,即“适应度缩放”加“有偏外来移民”的遗传算法。将该方法应用于柔性结构振动主动控制中的作动器／传感器位置及反馈增益的优化,其优化效果明显优于传统的优化算法。数字仿真结果表明,对于复杂非线性约束优化问题,该遗传算法具有较好的快速收敛性和全局收敛性,由优化了位置的作动器／传感器和优化增益的控制系统具有良好的减振效果。     

基于聚类划分子种群的多种群遗传算法

标准遗传算法存在易于早熟,容易陷入局部最优的缺点,同时标准多种群遗传算法存在进化后期种群同质化严重的缺陷。针对这一问题,将聚类思想引入到多种群遗传算法的子种群划分中,提出了一种使用聚类方式划分子种群的多种群遗传算法,使得种群划分不再只是单纯的随机行为,而是将满足约束条件的个体根据其特征划分到不同子种群中,从而解决种群同质化问题,避免所有子种群陷入局部最优。最后,通过测试两个典型函数,验证了该算法的有效性,为多种群遗传算法提供了一种新的研究方向。     

基于改进遗传算法的Flow Shop调度算法研究

给出了Flow Shop调度问题的数学模型,介绍了三种用于求解该问题的启发式算法,根据普通遗传算法与启发式算法的互补特性,提出了结合两者各自优势的改进遗传算法．通过两个不同规模的经典算例对算法的优化性能进行了对比分析,结果表明,采用了保优策略的改进遗传算法的搜索能力优于启发式算法及普通遗传算法,并具有较强的鲁棒性．     

基于遗传算法的船舶分段堆场调度研究

针对船舶分段移动计划主要依靠经验以及缺乏有效调度的现状,研究建立以分段移动度最小为目标的优化模型,综合考虑了分段在堆场中的停放位置及进、出场路径.通过遗传算法选择分段在堆场中停放位置的最优方案,并构建启发式规则确定分段在堆场中的最优进、出场路径, 从而实现对模型的求解.最后以某船厂实际数据为例,对模型在堆场调度问题中的应用进行了实例验证,结果表明, 所研究方法可求解得出较优的堆场作业计划,并实现堆场资源的高效利用.     

基于相似个体拥挤与Fibonacci法的遗传算法

由于传统遗传算法在应用中会出现"早熟",局部寻优能力较差,求解结果精度不高等缺点,提出了相似个体排挤方法和Fibonacci算子,给出了用相似个体的拥挤与Fibonacci算子相结合的改进遗传算法.数值仿真表明改进后的算法优于传统遗传算法和当前一些改进遗传算法,提高了遗传算法的局部搜索能力和收敛速度,并且能以较大概率搜索到优化问题的全局最优解.     

基于启发式遗传算法的公交车智能排班研究

采用基于启发式遗传算法进行公交车辆智能排班的研究,且对遗传算法的各个算子进行了专门化处理．该方法充分利用遗传算法的智能化特征,有效地改善了公交车辆的智能排班,提高车辆运营效率,避免了单一遗传算法的早熟问题,提高了遗传算法的收敛性和优化质量．     

兼顾最优个体的模拟退火分层遗传算法

针对传统分层遗传算法存在"发散"、收敛速度慢和最优解易丢失等缺陷,本文提出了一种改进的分层遗传算法,采用基于模拟退火思想的底层交叉和变异算子,避免底层算法的"发散"、提高收敛速度;设计了一种兼顾最优个体的高层选择算子,防止最优个体丢失。求解SAT问题的比较实验结果表明:求解成功率与收敛速度等算法性能均有较大提升。     

基于多种群免疫遗传算法的配电网网架规划

配电网网架规划是一个复杂的组合优化问题,传统的优化方法往往难以解决此类问题.提出一种多种群的免疫遗传算法进行配电网网架优化规划,采用多个种群针对优化目标的不同方面进行优化搜索.在遗传进化过程中,借鉴生物免疫机制对每个种群的染色体进行免疫算子操作,种群之间通过优秀个体转移进行交互,有效防止了种群退化,提高了种群的多样性和遗传算法的全局寻优能力.以网络年费用最小为优化目标建立配电网网架规划的数学模型,利用多种群免疫遗传算法求得优化解,通过具体实例验证了该算法的有效性.     

基于AdaBoost和遗传算法的快速人脸定位算法

针对采用AdaBoost算法构建人脸检测器时存在的特征冗余问题,提出了一种新的快速人脸定位算法.首先用AdaBoost算法选取类Haar小波特征(称作AdaHaar特征),然后用遗传算法在低维的AdaHaar特征空间进一步优选,消除冗余并得到相应的权系数,最终的人脸检测器由这些优选的弱分类器及其相应权系数线性组合而成.实验结果表明,采用文中算法训练的人脸检测器在检测正确率、检测速度及占用内存等方面的性能都得到了改善.     

基于遗传算法和Best-First图搜索的约减集求解算法

提出了两种新的约减算法,分别运用遗传算法和Ｂｅｓｔ－Ｆｉｒｓｔ搜索方法求约减集,前者利用了遗传算法的寻优特性从种群中获得一最优及一组次优个体,进而获得一组约减;后者采用Ｂｅｓｔ－Ｆｉｒｓｔ搜索方法,相对于Ａ算法可扩大搜索空间,并可从ｏｐｅｎ表前部获得一最优及一组次优的状态节点,进而获得一组约减。实验结果表明,文中提出的算法是有效且合理的。