混合教与学算法在空间直线度评定中的应用

在最小区域准则条件下,为了提高空间直线度的评定精度,将教与学算法运用于空间直线度的误差评定中。汲取混合蛙跳算法的种群分组策略、洗牌策略和局部更新策略等算法思想,并将其引入到教与学优化算法(TLBO)的班级初始化与教学阶段之中,从而设计了一种混合教与学算法(HTLBO),用以增加学生个体间的信息交互能力和局部搜索能力,进一步增强算法的寻优能力。最后,通过采用两组空间直线度误差算例对HTLBO算法进行实例验证,并将实验结果与其他常用算法计算结果进行了对比,结果表明:HTLBO算法在空间直线度误差评定过程中,搜索能力强,收敛速度快,能够对空间直线度进行较高精度的评定。     

改进的思维进化算法在阵列天线综合中的应用

思维进化算法(Mind Evolutionary Algorithm,MEA)采用趋同和异化操作,通过模仿人类思维进化的过程进行寻优,克服了早熟现象,提高了算法的搜索能力.针对基本思维进化算法中产生初始种群的盲目性、补充淘汰临时子群体的单一性以及现有搜索方式易陷入小区域局部收敛的问题,提出了一种多混沌思维进化算法.该算法采用两种不同的混沌序列,提高了种群的多样性,扩大了搜索范围.将多混沌思维进化算法应用于等间距直线阵列天线综合.良好的仿真结果表明了多混沌思维进化算法在阵列天线综合的优越性.     

三维脑部电阻抗成像技术研究

电阻抗成像(electric impedance tomography,EIT)是利用测量得到边界电压重构内部电导率分布的技术.通过在ANSYS中建立三维头球模型并注入电流,采用自适应局部增强微分进化算法进行逆问题重构.首先对EIT的基本原理进行阐述,其次介绍微分进化算法在电阻抗成像中的应用,最后通过在头球模型上进行仿真实验,针对基本微分进化算法及其改进算法进行逆问题重构.仿真结果表明,改进的算法较微分进化算法在时间上有显著提高,适应性与牛顿-拉斐逊算法相比明显提高.     

基于文化基因算法的开放车间调度问题研究

针对开放车间调度问题,运用了文化基因算法进行优化求解。在文化基因算法的框架中,既有种群中的全局搜索,又包含针对问题自身特点的局部搜索,为解决开放车间调度问题提供了一种新的算法。按照文化基因算法的思想和特点,将爬山法作为局部搜索策略加入到全局搜索策略所用到的遗传算法中,通过对开放车间调度问题的邻域结构进行研究,加入爬山搜索法进行优化求解。基于40个标准算例,通过与下界值的比较,验证了所提算法在解决具有较大搜索空间的调度问题时,其拥有更出色的算法性能。     

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。     

基于微分进化的EIT图像重建控制参数研究

微分进化算法主要有三个随机参数:种群大小(NP),缩放因子(F),交叉因数(CR).这些参数的取值对EIT图像重建效果的好坏起着重要的作用.但当前微分进化算法参数选择具有随机性,大多数的参数研究是通过标准测试函数进行,没有具体到特定的领域.针对这些问题,文章以头部EIT图像重建为例,在给定目标函数和终止条件的基础上,通过大量的仿真实验,分析了各个参数对图像重构结果的影响,并给出了这些参数的合理选取区间,从而为微分进化算法在EIT图像重建中的应用提供了有效的依据.     

基于改进遗传爬山算法的篦冷机熟料换热二次风温故障诊断

提出一种利用改进遗传算子优化爬山的算法,能自动调整交叉概率和变异概率,自动选择交叉方式和变异方式,利用改进的交叉算子和变异算子替代爬山算法中的减边算子来扩展其全局寻优能力,利用最大支撑树限制搜索空间来提高搜索效率。仿真实验证明,与爬山算法等算法相比,该算法得到的模型更加准确、最佳得分更高且耗时较短。结合水泥熟料换热过程中的篦冷机现场采集数据,建立了篦冷机工艺参数的故障诊断模型,对二次风温实现了较为准确的故障诊断,具有一定实际意义。     

高斯变异差分进化算法及其应用研究

为平衡算法收敛速度和全局搜索能力,克服差分进化算法易“早熟”的缺陷,在分析引起种群多样性下降及个体进化停滞原因的基础上,通过引入高斯变异操作,提出了基于高斯变异改进的差分进化算法(modified differential evolution base on Gauss mutation, GMDE). 数值仿真及2个工程优化问题的求解结果表明本文算法能有效避免“早熟”收敛,且在算法收敛速度和全局搜索能力上取得了较好的平衡.     

交叉变异的连续蚁群优化算法

研究了应用于连续空间优化问题的蚁群算法,给出了信息素的留存方式以及搜索策略.另外,针对蚁群算法易陷入局部最优的缺点,在最优蚂蚁周围进行了精细搜索,并加入了自适应的交叉变异算子,从而改进了蚁群算法的全局优化性能.数值仿真结果表明,该算法是一种有效的优化算法.     

基于免疫密母算法的图像分割

密母算法具有全局和局部搜索能力,但其具有对参数敏感、个体学习计算复杂度高的缺点.为了克服密母算法的缺点,本文提出了基于免疫密母算法的图像分割(IMAIS)方法.该方法对图像分割时采用了两个种群,并分别用密母算子和免疫克隆算子对这两个种群同时进化,加快种群收敛速度.实验结果表明了本方法的可行性和有效性.     

改进差分进化算法及啤酒灌装机液位控制PID参数整定

目的 针对啤酒液位控制系统存在PID参数整定难、非线性、滞后性问题,提出一种改进基于邻域的改进差分进化算法,应用于PID参数优化整定中,从而提高灌装机的工作效率和啤酒的质量。方法 文中对差分进化算法进行改进,设计一种新型的变异策略,在变异环节引入邻域搜索操作;根据当前种群的分布情况,实时对邻域的个数进行自适应分配,以提升算法全局和局部搜索能力;与2种基本差分进化算法和4种改进差分进化算法对比,用18个测试函数验证文中所提出算法的性能。结果 仿真结果表明,相较于基本差分进化算法,使用改进的差分进化算法整定的PID参数,调节时间减少0.22 s,上升时间减少0.04 s,超调量降低7.63%。结论 通过改进的差分进化算法对啤酒灌装机液位PID参数的优化整定,可以显著改善控制系统的超调量、上升时间和稳态误差等性能,实现了液位的稳定控制。     

基于微分进化神经网络的模拟电路故障诊断

BP神经网络已在模拟电路故障诊断领域得到广泛应用,但BP神经网络存在训练速度慢且容易陷入局部最优的问题.由此,本文提出了一种基于混合变异策略的微分进化改进算法,描述了利用微分进化改进算法进行神经网络权值训练的过程和方法,并将微分进化神经网络用于模拟电路故障诊断,文中还对微分进化神经网络与BP神经网络进行了比较.实验结果表明,微分进化神经网络的训练时间和训练精度均优于BP神经网络,其在模拟电路故障诊断中的准确度比BP神经网络提高了7%.     

考虑废物包装时间的车辆回收路径规划方法

针对考虑废物包装时间的车辆回收路径规划问题,建立问题数学模型,提出禁忌搜索算法与模因算法求解该问题,并与爬山算法、遗传算法进行对比.模因算法是爬山算法和遗传算法的结合.实验结果表明:在解的质量方面,禁忌搜索算法与模因算法所求出的解的质量要远远好于另外两种算法,但在运行时间上,禁忌搜索、爬山算法与遗传算法要远优于模因算法.     

加权微粒群算法在模型配准中的应用

微粒群算法目前已经在很多领域得到了广泛的应用。根据微粒群算法收敛较快的权值范围,建立加权函数,将其运用到速度进化过程中,并在进化过程中分群优化,使得改进的微粒群算法在迭代初期具有较好的全局收敛能力,在迭代后期具有较好的局部收敛能力,从而可以实现维护全局和局部搜索能力的平衡。将该算法运用于散乱点云与三维CAD模型的配准问题中,并与基本微粒群算法进行对比,具有更好的配准结果,迭代收敛更快。     

带调整时间的多目标流水车间调度的优化算法

为高效地求解带调整时间的多目标流水车间调度问题,提出了一种多目标混合遗传算法,此算法依据基于Pareto优于关系的个体排序数和密度值计算适应度,保持解的多样性,并采用非劣解并行局部搜索策略,提高算法的搜索效率.此外,引入精英策略保证算法的收敛性,在进化过程中通过淘汰掉个别最差个体,进一步加快解的收敛速度.仿真结果表明,新算法能够有效地解决带调整时间的多目标流水车间调度问题.     

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.     

基于混合粒子群算法的物流配送路径优化问题研究

针对物流配送路径优化问题,提出了一种融合Powell局部寻优算法和模拟退火算法的混合粒子群算法,以克服单用粒子群算法求解问题早熟收敛的不足,增加算法的开发能力,提高算法的全局搜索能力,并进行了实验计算.计算结果表明,用混合粒子群算法求解物流配送路径优化问题,可以在一定程度上提高粒子群算法在局部搜索能力和搜索全局最优解概率,从而得到质量较高的解.     

改进二进制人工蜂群算法求解多维背包问题

针对二进制人工蜂群算法收敛速度慢、易陷入局部最优的缺点,提出一种改进的二进制人工蜂群算法。新算法对人工蜂群算法中的邻域搜索公式进行了重新设计,并通过Bayes公式来决定食物源的取值概率。将改进后的算法应用于求解多维背包问题,在求解过程中利用贪婪算法对进化过程中的不可行解进行修复,对背包资源利用不足的可行解进行修正。通过对典型多维背包问题的仿真实验,表明了本文算法在解决多维背包问题上的可行性和有效性。     

M准则搜索节点自适应的空间调制检测算法

为了解决空间调制系统(SM)下,M算法搜索过程中搜索节点数难以确定及算法复杂度偏大的问题,提出一种搜索节点数自适应于累积度量值的检测算法(IM-ML).传统的M-ML算法在树形结构中进行搜索时每层保留的节点数为一个固定值,而我们提出的算法在每层搜索保留K个节点的前提下,保留度量值大于K个节点的有限个节点.仿真结果表明,改进后的M-ML检测算法在K值较小的情况下就能取得传统MML算的性能,同时降低了算法复杂度.     

“一刀切”排样问题的遗传算法与蚁群算法整合研究

对于"一刀切"矩形件优化排样问题,采用遗传算法与蚁群算法的混合算法进行研究.针对两种算法的传统混合策略和现有混合策略的不足,对两种算法的混合策略进行改进,并利用种群本身的染色体适值来判断种群进化是否停滞,确定了算法的最佳融合时机.对具体算例的分析验证表明,改进后的混合策略可有效减少算法的冗余迭代次数,提高搜索速度,是一种行之有效的排样算法.