基于改进遗传算法的优化研究

遗传算法本身固有的并行处理性和开放性,使得它在优化识别方面的效率非常之高,而且受到越来越广泛的研究,然而,遗传算法自身也有一些缺点．遗传算法在寻优过程中易出现“早熟”,设计变量增多时效率较低以及结构分析时间长．论文分析了遗传算法的常见缺陷,并通过采用小生境技术、基于多父体变量级别的杂交以及小生境技术的改进策略,遗传算法的优化性能（优化效率和质量）得到了大大的提高。     

一种高吞吐量的WBAN多跳协议

为提高无线体域网(Wireless Body Area Network,WBAN)能量效率和实现高吞吐量,提出一种多跳拓扑结构来节约能耗,延长网络寿命。通过设定代价函数选出前驱节点,使得被选用节点具有较多的剩余能量和较小传输间距。代价函数的剩余能量参数用于平衡传感节点的能量损耗,距离参数确保包交付成功率。仿真结果表明,该协议得到稳定的高吞吐量,有助于WBAN对人体病症的连续监测。     

遗传算法在函数优化中的应用

遗传算法是目前广泛应用的一种随机搜索全局优化算法.函数优化是遗传算法的经典应用领域.文章分析了遗传算法的运行机理,利用Matlab优化工具箱,以具有代表的多峰函数为例,实现了用遗传算法求解多维变量的函数优化问题.结果显示其计算效率高,收敛速度快.     

基于整型编码遗传算法技术的智能组卷系统的研究

根据智能组卷的概念建立组卷数学模型与目标函数,并提出基于遗传算法的智能组卷策略.通过采用分段整型编码方案和遗传算法的选择、交叉、变异操作,有效地解决了组卷这个多目标优化求解问题.     

基于遗传算法-多智能体的FMS刀具在线调度

为了解决静态调度和传统动态调度的缺点,提出一种基于多智能体的FMS刀具调度管理模型,进行刀具分配和回收的智能管理。文章定义模型智能体之间的交互逻辑,以刀具交换次数最小化为目标,建立刀具动态调度的数学模型,并针对该模型,设计相应的遗传算法。通过一个特定的刀具调度问题的优化,结果表明该遗传算法优化结果好于一般的启发式算法,消耗时间远低于隐枚举法,是多智能体调度模型理想的动态调度算法。     

基于混合遗传算法在测试用例生成中的研究

采用智能优化算法求解测试用例生成问题是软件测试自动化领域的研究热点。针对标准遗传算法在测试用例生成中的不足,提出基于混合遗传算法的生成方法。该算法结合分支覆盖和路径覆盖两个指标对适应度函数进行优化设计,以加快数据的优化过程。通过调节因子对自适应的交叉和变异算子进行改进,并引入模拟退火机制,提高算法的局部搜索能力。实验表明,该算法在测试用例生成中的求解质量和运行效率均优于标准遗传算法。     

matlab神经网络优化的遗传算法

遗传算法它将＂优胜劣汰,适者生存＂的生物进化原理引入待优化参数形成的编码串群体中,按照一定的适配值函数及一系列遗传操作对各个体进行筛选,从而使适配值高的个体被保留下来,组成新的群体,新群体中各个体适应度不断提高,直至满足一定的极限条件.此时,群体中适配值最高的个体即为待优化参数的最优解.正是由于遗传算法独有的工作原理,使它能够在复杂空间进行全局优化搜索,并且具有较强的鲁棒性.     

均匀设计抽样在遗传算法中的应用

众所周知．遗传算法的运行机理及特点是具有定向制导的随机搜索技术。其定向制导的原则是：导向以高适应度模式为祖先的“家族”方向。而遗传算法中的交叉操作就是在高适应度模式中寻找最优解的操作。文章以此结论为基础,利用均匀设计抽样的理论和方法,对遗传算法中的交叉操作进行了重新设计。使其能随机、均匀地搜索高适应度模式空间,能有效提高搜索的效率。称这样得到的新的遗传算法为均匀设计抽样遗传算法。最后将均匀设计抽样遗传算法应用于求解函数优化问题,并与简单遗传算法和佳点集遗传算法进行比较。通过模拟比较。可以看出新的算法不但提高了算法的速度和精度．而且避免了早熟现象。     

自适应Memetic算法

在处理多峰函数的优化问题时,遗传算法局部搜索能力差,并且容易早熟。针对这种问题,将遗传算法与多种局部搜索算法相结合,形成多种Memetic算法。通过进行数值优化实验,发现算法的优化效率有所提高,但是局部搜索算法的不同对优化性能影响很大。为解决这种问题,在传统Memetic算法的基础上提出了一种使每代个体根据局部搜索算法的搜索效率自适应选取局部搜索算法的Memetic算法,即基于离散度的自适应Memetic算法。通过测试函数测试,这种算法具有更高的效率和更强的通用性。     

协同并行算法在微网经济运行中的应用实践

微网作为智能电网的有机组成部分,是对大电网的有益补充,具有巨大的应用潜力,而如何使微电网的运行更具有经济性则是一个亟待解决的问题。针对这一问题,首先构建了一个经济环保的微电网运行模型,在此基础上改进了协同遗传算法,得到协同并行算法,提高了算法的优化效率。最后应用传统遗传算法、一般协同遗传算法和协同并行算法对微网模型的一个算例进行优化,通过对比,显示出协同并行算法在微网模型优化上的优越性。     

一种新型自适应遗传算法在多峰函数优化中的应用

为解决传统遗传算法在一维多峰函数优化中容易陷入局部极值、收敛概率低、稳定性不理想等问题,提出了一种新型的自适应遗传算法。结合自适应差分进化算法流程,提出了一种基于种群适应度变化程度而变化的非线性交叉算子和变异算子,使算法跳出局部极值,寻找到全局最优解,提升最优值迭代效率。函数测试实验表明,在一维多峰函数优化中,该算法在函数收敛概率、最优值迭代效率以及稳定性上比已有算法均有提高。     

函数优化的遗传算法代码实现

函数优化是遗传算法的经典应用领域,也是遗传算法进行性能评价的常用算例。对于一些非线性、多模型、多目标的函数优化问题,用其它优化方法较难求解,而用遗传算法则可以方便地得到较好的结果。用Matlab实现了函数优化的遗传算法源程序,该源程序可以直接运行。     

基于多父体杂交的小生境演化算法

在分析了简单遗传算法求解带约束的多峰值函数优化中存在的问题的基础上,提出了利用小生境技术和多父体杂交的演化算法,对复杂的多峰值函数优化问题进行了测试,证实该算法能够快速求出多峰函数的所有全局最优解,而且搜索效率高,达到了令人满意的效果.     

认知无线电多目标优化算法研究

认知无线电是指能够感知周围频谱环境并动态使用频谱资源的智能无线通信系统。认知无线电的多目标优化问题是一个典型的动态参数优化问题。以传输能量、数据率以及误比特率等多个参数为目标,采用一种基于DNA计算的非支配排序多目标遗传算法(DNA-GA)来对其进行优化。将CR可调参数进行编码作为染色体,产生大小为N的初始化种群,并根据CR目标函数计算个体适应度,再结合克隆操作使算法收敛于全局最优,最终得到CR系统的最优操作参数。仿真结果表明,DNA-GA可以在不同用户需求情况下获得较好的性能优化。     

纯电动汽车机电复合制动控制策略分析

为提高电动汽车能量利用率、改善车辆制动效果,依照制动踏板的不同工作状态,设计了一种并联制动控制策略。在制动踏板踩下的复合制动工况,按照相关制动法规对机械制动和再生制动进行合理分配;在滑行制动工况,以能量回收效率为目标函数,运用遗传算法优化电机在不同转速下的最佳制动转矩。分别在典型道路工况和常规制动工况下对该策略进行实车测试,结果表明:在中国轻型汽车行驶工况(CLTC-P)下,该策略的节能贡献度可达25.93%,在滑行制动工况能量回收效率较原车提升64.07%,车辆制动距离也有明显缩减。     

链式双链量子遗传算法

针对双链量子遗传算法具有收敛速度慢,容易陷入局部最优解等问题,提出一种新的双链量子遗传算法。该算法将种群个体分组,相邻组间有一个共有个体,即第i组的最后一条染色体同时是第i+1组的第一个个体。组内各染色体同方向同步长更新,相邻组间通过共有个体保持组间同步。该方法能很好地降低算法时间复杂度,保持种群个体的多样性,从而避免算法陷入局部最优值。最后通过实验验证该算法对复杂函数的优化结果明显优于双链量子遗传算法。     

遗传算法优化BP神经网络的非线性函数拟合研究

传统的BP神经网络收敛速度慢,以及该算法的不完备性,易陷于局部极小,全局最优无法保证能收敛到等缺点.针对BP神经网络的缺陷,该文提出了遗传算法,利用遗传算法优化BP神经网络权值和阈值,使得训练了BP神经网络预测模型得到了最优解.采用遗传算法优化BP神经网络的算法,并以此结合算法来研究非线性函数拟合的问题.从实验结果表明,基于遗传算法优化的BP神经网络的非线性函数拟合具有较强的收敛性和鲁棒性,并且有了更高的预测精度.     

计算智能方法的优化机理研究

对计算智能方法体系中的遗传算法、进化规划和蚁群算法的寻优机理进行了研究。旨在尝试从理论上揭示该种算法的内在优化机制。为解释搜索的高效、有效性,有效改进优化过程,提高算法的运算效率提供一定的理论依据。     

函数优化的遗传算法

遗传算法是一种有效的模拟进化算法,针对不同问题,编码方式多种多样。针对函数优化问题,阐述了不同的编码方式及遗传操作,在Matlab环境中用遗传算法实现求解函数优化问题。     

函数优化的遗传算法

遗传算法是一种有效的模拟进化算法,针对不同问题,编码方式多种多样。针对函数优化问题,阐述了不同的编码方式及遗传操作,在Matlab环境中用遗传算法实现求解函数优化问题。