基于改进实数编码遗传算法的神经网络超参数优化

针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。

基于实数编码遗传算法的海底电缆电容电流实用计算方法

海上风电呈现出大规模大容量开发的趋势。但是,海底电缆的分布电容会产生较大电容电流。由于海缆电容参数难以获取,因此无法通过对地电容准确计算海缆电容电流,目前缺乏海缆电容电流的估算方法,使得海缆电容电流无法被准确掌握,可能影响海上风电场的安全运行。考虑了交联聚乙烯绝缘材料、系统电气设备电缆影响和海缆运行环境等因素对电容电流的影响,将海底电缆电压等级、电缆导体截面积和电缆长度作为自变量,以电容电流与非线性参数估算公式输出值的残差平方和作为目标函数,建立了基于实数编码遗传算法的海底电缆估算公式的非线性参数辨识模型,提出了一种海底电缆电容电流的实用计算方法,并通过与传统计算方法和电容电流实测值的偏差值与校正决定系数的比较,验证了非线性参数估算公式拥有较高的精度,适用于高电压等级与大电缆截面的海底电缆电容电流计算。

基于波像差理论的实数编码遗传算法优化XUV光学系统

由镜和光栅组成的XUV光学系统具有平面对称的性质,结合Lu平面对称光栅系统的波像差理论和均方根像差评价函数得到用以优化XUV光学系统的多参量目标函数。为求解该多自变量且大取值区间的目标函数,提出了一种基于十进制的实数编码遗传算法,并将其用于两种XUV光学系统的优化求值。将求得的优化值用光学仿真软件Shadow进行追迹,并和参考文献进行对比。结果显示本文优化后的光学系统在成像质量上有明显上升,表明波像差理论及本文的实数编码遗传算法可以有效地优化XUV光学系统,为此类系统的优化设计提供了新的思路。

基于实数编码的加速遗传算法

:针对标准遗传算法 (SGA)在实际应用中存在的早熟收敛、全局优化速度缓慢和解的精度差等缺点 ,提出了基于实数编码的加速遗传算法 (RAGA)。

用改进的实数编码遗传算法估计反应动力学参数

通过理论分析和模拟实验研究了遗传算法中实数编码线性交叉操作的效率，提出了一种优化分布线性交叉操作策略，使子代个体在搜索空间内达到均匀分布，具有很高的搜索效率。用这种改进的实数编码遗传算法进行正丁烷选择氧化反应动力学参数估计，取得了良好的效果。

基于实数编码的自适应遗传算法及应用

为了解决遗传算法(GA)存在的早熟收敛、收敛速度慢等不足,从编码方式及遗传算子操作等几个方面对其作了改进,提出了一种基于实数编码的自适应遗传算法(RAGA)．基于典型复杂函数的优化仿真结果表明,该算法的全局收敛速度和命中全局最优值的几率相对标准遗传算法(SGA)有较大提高．

实数编码遗传算法中交叉操作的效率分析

介绍了常用的实数编码遗传算法及相应的交叉操作策略，通过理论分析和模拟实验研究了不同实数编码交叉操作的搜索效率。提出两种改进的交叉操作——有效线性交叉操作和张弛线性交叉操作，使子代个体在搜索空间内达到均匀分布。

一种基于实数编码的改进遗传算法

在介绍基于实数编码遗传算法的优点和分析原有遗传操作机制存在缺陷的基础上,重点研究了实数编码的改进线性交叉算子,提出了一种改进遗传算法(MGA)·该改进线性交叉算子的优点是在交叉之后,一个子代位于两父代之间,另一子代位于靠近较好的父代的一侧,使解向好的方向发展,并且都是可行解·通过对几个典型的实例计算并与其他基于实数编码的遗传算法进行比较,结果表明,本算法在求解优化问题的收敛速度和精确性方面具有优势·

基于矩阵实数编码遗传算法求解大规模机组组合问题

该文提出了一种采用矩阵实数编码遗传算法(MRCGA)进行机组组合优化的新方法:采用矩阵实数编码方式对整体发电计划进行编码后,可直接运用遗传操作求解机组组合问题,避免将其分解成机组启停安排和经济负荷分配的两层优化问题进行求解;采用多窗口变异技术,增强了算法的搜索能力。此方法提出了一种新的个体调整方法,可以处理各项约束条件,保证了结果的可行性。文中通过2个算例及与其它算法的对比分析,验证了所提出的方法在大规模机组组合问题求解时具有很强的适应性和全局搜索能力。

基于实数编码的遗传算法的收敛性研究

用基于实数 (浮点 )编码的遗传算法 (FGA )求解连续参数优化问题是遗传算法的重要应用领域 ,但一直缺少其完整的收敛性结果 .分析了在绝大多数实际应用中使用的 FGA的收敛性问题 ,在采用最优个体保留策略的前提下得到了保证收敛性的一般条件 ,并以之检验了采用常用的变异与交叉算子时 FGA的收敛性 .这些结论不仅给出了有用的收敛性结果 ,而且对进一步认识算子的本质 ,指导自适应变异算子的设计等都提供了帮助 .同时所用的方法和结论也适用于进化规划和进化策略的收敛性问题 .

一种改进的实数编码混合遗传算法

为解决简单遗传算法的不成熟收敛和收敛速度慢的问题,针对实数编码遗传算法提出了初始种群的网格分布法,单步遗传操作后的最优个体保留策略,以及改进的动态交叉和自适应变异概率等,并应用上代最优个体替换当代最差个体的种群进化方法和近亲交叉回避机制等措施对其进行了综合改进。算例表明,该改进算法能有效实现全局优化,提高进化效率,对求解复杂的优化问题具有广泛的适应性。

实数编码量子进化算法

为求解复杂函数优化问题,基于量子计算的相关概念和原理,提出一种实数编码量子进化算法.首先构造了由自变量向量的一个分量和量子比特的一对概率幅为等位基因的三倍体染色体,增加了解的多样性;然后利用量子旋转门和依据量子比特概率幅满足归一化条件设计的互补双变异算子进化染色体,实现局部搜索和全局搜索的平衡.标准函数仿真表明,该算法适合求解复杂函数优化问题,具有收敛速度快、全局搜索能力强和稳定性好的优点.

实数编码混沌量子遗传算法

基于量子位的混沌特性和相干特性,提出一种实数编码混沌量子遗传算法(RCQGA).该算法在解空间内将实数染色体通过反向变换映射到量子位,采用量子位概率指导的实数交叉与混沌变异相结合的方法对实数染色体进行演化搜索.实验结果表明,RCQGA不仅可以有效避免二进制编码QGA早熟收敛的缺点,而且可以减少寻优的计算复杂度,具有收敛速度快、稳定性好、寻优能力强、精度提高容易等优点,适用于工程应用中的复杂函数优化问题.

实数编码遗传算法在大地电磁测深二维反演中的应用(英文)

作为全局非线性优化的新方法之一的遗传算法,近年来已从生物工程流行到大地电磁测深资料解释中.然而,大地电磁反演问题具有不适定性,解的非唯一性.通过结合求解不适定问题的Tikhonov正则化方法,本文采用实数编码遗传算法求解大地电磁二维反演问题.此算法在构建目标函数时引入正则化的思想,利用遗传算法求解最优化问题.常规的基于局部线性化的最优化反演方法易使解陷入局部极小值,而且严重的依赖初始模型的选择.与传统线性化的迭代反演方法相比,实数编码遗传算法能够克服传统方法的不足且能获得更好的反演结果.通过对大地电磁测深理论模型进行计算,结果表明:该算法具有收敛速度快、解的精度高和避免出现早熟等优点,可用于大地电磁资料解释.

基于实数编码遗传算法的平面度评定

将基于实数编码的遗传算法应用于平面度的评定。根据尺寸和公差的数学定义 ,建立完全符合最小区域条件的平面度评定的数学模型 ,并在此基础上给出遗传算法的适应度函数。随后详细地介绍了算法的实现步骤 ,在基于实数编码的基础上 ,遗传选择操作采用一种正比选择策略———转轮法 ,遗传交叉操作采用简单算术交叉法 ,而遗传变异操作是随机均匀实数变异操作。最后对文献 [5 ]的实验数据进行了评定 ,仿真结果表明该算法不仅合理 ,而且效率高、精度高 ,优于其它算法。

基于量子位实数编码的优化算法及轧制规程多目标优化

针对热连轧轧制规程优化问题,以等功率裕量和轧制能耗为优化目标函数建立热连轧轧制规程多目标优化模型,提出基于量子位实数编码的热连轧轧制规程多目标优化算法。该算法将免疫遗传算法框架与量子计算思想相结合,采用量子位实数编码,利用量子态干涉进行遗传算子的交叉和变异,同时保证非支配解按拥挤距离选择优势免疫抗体种群,得到Pareto全局最优解集。以某轧钢厂热连轧精轧机组为例,验证本文所提及算法的有效性。实例分析表明,所提及的算法在寻优能力和收敛速度上均优于传统的NSGA-Ⅱ算法,能够获得更好的Pareto解集,有效地解决热连轧轧制规程多目标优化问题,改善了轧制能耗。

基于实数编码的多种群并行遗传算法研究

针对标准遗传算法 (SGA)在实际应用中早熟收敛、解精度较低 ,以及传统的二进制编码方式带来的 Hamming悬崖问题等等缺点 ,提出了一种基于实数编码的多种群并行遗传算法 (RPGA) ,理论分析和实例计算的结果说明 RP-GA有效的提高了全局搜索能力和局部快速搜索能力 ,提高了遗传进化效率 ,对于改进 SGA的缺点是十分有效的 .

基于实数编码遗传算法的神经网络成本预测模型及其应用

在生产过程中,影响产品成本的因素多而复杂,因素之间相互影响,存在耦合现象,因此准确预测成本是一个重要又难以解决的问题.通过遗传算法(GeneticAlgorithm)与误差反向传播(ErrorBackPropagation)神经网络相结合,提出了用实数编码的自适应变异遗传算法训练神经网络权重的混合算法,避免了传统神经网络易陷入局部极小的缺点.以矩阵形式表示产品成本组成,建立了产品成本组成模型,以此为基础建立了考虑成本因素之间互相影响的神经网络产品成本预测模型,并成功应用于某钢铁企业产品成本的预测,提高了预测精度.

实数编码遗传算法的缺陷分析及其改进

首先分析了一个典型的遗传算法处于某一阶段时各参数间的制约关系。指出由于实数编码遗传算法中交叉与变异操作改造个体时 ,是通过改变构成个体的部分或全部实数 (而不是位 )实现的 ,造成了个体转移矩阵(与位编码方式相比 )呈现出特殊的模式 ,而正是这种特殊模式 ,使实数编码遗传算法更易于失效。基于这一结论 ,提出了采用次级遗传算法改造实数编码遗传算法中交叉、变异算子的改进方法。该次级遗传算法将解空间各维上的实数增量组成基因串 ,旨在提高交叉、变异中个体转移方向与优化对象的符合程度。实验结果表明 ,改进后的算法在解决文中所涉及的优化问题时 ,性能明显优于原算法。由于改进后的算法是一个纯粹的遗传算法 。

一种有效的实数编码遗传算法

提出实数编码遗传算法的一个新重组算子———子空间正态分布算子 ,它在多父体张成的子空间中任取一点 ,然后进行高斯变异产生后代 .与已有的一些重组算子相比 ,新算子产生的后代在保持向量均值的前提下具有更多的广泛性和多样性 。