基于自适应进化率的拓扑优化方法研究

由于双向渐进结构优化法(BESO)拓扑优化中,进化率值常采用恒定值形式,这会导致在迭代初期计算缓慢,后期又会快速更新单元结构,很难保证迭代计算效率。本文分别基于两类函数构建两种自适应进化率机制,以动态控制进化率值,提高拓扑优化的计算效率。算例测试结果表明,所提出的自适应进化率模型相对于恒定值型提升了40%的计算效率。

自适应进化模型下的土壤重金属含量预测

针对Elman神经网络在土壤重金属含量预测时出现预测精度低、模型收敛速度慢等问题,提出一种自适应进化模型(AEM)。该模型以Elman神经网络为基础,运用贝叶斯正则化优化Elman神经网络的目标函数,提高网络模型预测精度;为解决网络模型收敛速度慢和易陷入局部极值等缺陷,采用自适应灰狼算法(AGWA)对网络模型初始参数进行优化;采用基于熵权距离的离群点检测法剔除数据中的离群点,以降低离群点对预测结果的干扰。以武汉市农业科学院采集的农田土壤重金属含量数据进行预测试验,AEM模型预测重金属含量的平均绝对误差和平均绝对百分比误差分别为1.623和17.48%,其决定系数比Elman的提高了0.394。AEM、自调整反距离加权插值模型(SIDIM)、小波神经网络模型(CBSA-WNN)、双向门控循环神经网络模型(SBGRNN)及Elman神经网络模型等5种不同预测模型进行对比试验表明,AEM模型在土壤重金属含量预测上具有更高的准确性。消融试验结果表明,贝叶斯正则化优化、自适应灰狼算法优化和基于熵权距离的离群点检测的离群点数据剔除等3个改进点对于提升土壤重金属含量预测精度均有一定的贡献。

基于自适应进化规划的电力系统负荷预测综合模型

电力系统负荷预测受很多不确定因素的影响 ,往往单一预测模型反映的只是某一个或某几个不确定因素 ,在几个单一模型的基础上建立综合预测模型是降低这些影响、提高预测精度的有效途径。提出了运用自适应进化规划方法建立电力系统负荷预测综合模型 ,并对进化规划的变异操作、适应度计算及竞争选择方案进行了研究。通过对某地的年用电量进行预测分析 ,并与传统的基于“直接搜索寻优”法建立的综合预测模型进行比较、分析。结果表明 ,该方法具有全局寻优、自适应性强、通用性好等优点 。

遗传算法的自适应进化策略及TSP问题的遗传优化

本文研究遗传算法的进化策略，提出了一种在遗传操作层次上将局部搜索方法与基本遗传算法相结合，依据遗传群体的环境参量动态地调整遗传算法的进化策略和控制局部搜索强度的自适应进化策略，并结合货郎担（ＴＳＰ）优化问题介绍其具体实现方法，给出实验结果．

一种求解电网多目标模糊优化运行的自适应进化规划算法

从随机优化技术及生物进化机制角度出发 ,设计出一种新颖的自适应进化规划算法。该算法包含了 2个重要部分 :①采用倒指数形式来描述均方差与适合度之间的关系 ;②在寻优过程中 ,变异量自适应发生改变 ,并结合模糊集理论应用于求解具有可伸缩约束的电网多目标模糊优化运行问题 ,求解时对优化模型、遗传操作等方面进行了探讨。试验系统的计算结果表明 ,该算法具有很强的自适应性及通用性 ,在全局收敛特性、约束项的处理、算法复杂度及运算效率等方面显示了一定的优势 ,体现了求解电网多目标优化运行的良好前景。

求解全局优化问题的正交协方差矩阵自适应进化策略算法

针对协方差矩阵自适应进化策略(CMAES)求解高维多模态函数时存在早熟收敛及求解精度不高的缺陷,提出一种融合量化正交设计(OD/Q)思想的正交CMAES算法。首先利用小种群的CMAES进行快速搜索,当算法陷入局部极值时,依据当前最好解的位置动态选取基向量,接着利用OD/Q构造的试验向量探测包括极值附近区域在内的整个搜索空间,从而引导算法跳出局部最优。通过对6个高维多模态标准函数进行测试并与其他算法相比较,其结果表明,正交CMAES算法具有更好的搜索精度、收敛速度和全局寻优性能。

基于自适应进化规划的电网多目标优化运行

从随机优化技术及生物进化机制角度出发 ,在常规进化规划算法的基础上 ,提出一种新颖的自适应进化规划算法 ,并首次将其应用于求解电力系统多目标优化运行问题。对优化模型、遗传操作等方面进行了更深一步的研究。数学算例及应用实例表明该算法十分有效 ,有广泛的应用价值。

基于自适应进化多目标约束的青霉素发酵过程优化

发酵过程多目标优化控制是提高发酵过程生产水平和经济效益的有效途径。提出了一种自适应进化多目标约束粒子群优化算法,并应用于青霉素分批补料发酵过程多目标优化。该算法根据不符合约束条件粒子的约束违反程度,修正了多目标粒子群优化算法的进化学习公式,提高了算法在约束边界区域的搜索能力;引入基于拥挤距离的Pareto最优解分布性动态维护策略,改进了Pareto前沿的分布性。实验结果表明,该算法能获得具有较好分布性的Pareto前沿,给出的底物补料策略能够使青霉素发酵过程在消耗更少底物的同时获得更多的产物产量,实现了发酵过程的多目标优化。

基于三阶染色体结构的自适应进化规划及应用

针对模糊辨识中规则数多少难以选择、输入量在各规则中重要程度难以确定以及模糊规则参数难以优化等问题,模拟生物基因之间相互联系的特点,用三阶染色体结构对完全模糊规则基进行描述。根据每代不同个体的适应度信息获得不同个体的变异率,采用自适应进化规划算法,实现模糊规则基各级染色体引导优化,克服了用试凑方法确定参数对辨识精度的消极影响,算法的复杂程度大大减小,为模糊建模提供了一种新颖的方案。通过对两类不同非线性系统的仿真,证明了此方法的有效性。

自适应进化规划及其在多目标最优潮流中的应用(Ⅰ)——自适应进化规划算法

针对实值优化问题 ,以常规进化规划为基础 ,从数学理论及生物进化机制角度出发 ,提出了一种自适应变异算子 ,设计出一种新颖的自适应进化规划算法。该算法中包含了两个重要部分 :一是采用倒指数形式来描述方差σ2 与适合度 f之间的关系 ;二是在寻优过程中 ,变异量δ自适应发生改变。数值实验表明 :这种新算法具有很强的自适应、通用性及逃脱局部极值的全局优化能力 ,且运算量小。

基于自适应进化算法的烧结配料优化

针对烧结配料系统的多样性、复杂性和相关性特点,基于广义回归神经网络建立了烧结配料预测模型,提出基于自适应加速机制的多种群进化算法的烧结配料优化算法。该算法在引入自适应加速机制和弹性缩放因子的前提下,充分运用了多种群进化算法的全局搜索能力寻找最优的工艺参数组合,将神经网络和自适应进化算法有机结合,实现了烧结配料的优化,增加了混合料中有用的化学成分,从而提高了产品质量。实际计算结果验证了该优化算法的正确性。

自适应进化规划及其在多目标最优潮流中的应用(Ⅱ)——基于自适应进化规划的多目标最优潮流

电力系统多目标最优潮流是一个极其复杂的非线性规划问题 ,其解算方法目前仍处于研究阶段 ,而开发高效、快速、可靠的最优潮流算法是一项相当艰巨的工作。鉴于此 ,文中探讨了自适应进化规划在电力系统多目标最优潮流应用中的问题。在优化模型、遗传操作等方面进行了研究 ,进一步拓展了电力系统最优潮流计算方法的应用前景。通过 30节点 IEEE试验系统的算例表明自适应进化规划算法十分有效 。

混沌协方差矩阵自适应进化策略优化算法

为了改进进化策略算法的性能,提出了一种混沌协方差矩阵自适应进化策略(ChaosCMA-ES)算法,该算法在协方差矩阵自适应进化策略(CMA-ES)算法的基础上引入了混沌算子,并利用其更新种群中心的位置,使得种群具备良好的全局搜索能力。试验结果表明,本文算法对复杂多峰函数的寻优效果好于其他几种算法。最后,将本文算法用于优化网络安全态势的预测模型,预测结果的精度高于其他方法。

自适应进化蝙蝠算法下的复杂网络社区发现

针对现有智能优化算法解决复杂网络社区发现问题存在求解适应度函数精度低、算法收敛速度慢等不足,在基本蝙蝠算法框架下,结合遗传算法的思想,提出一种自适应进化蝙蝠算法。首先,算法以模块度函数作为适应度函数,采用基于字符的编码方式,利用标签传播方法初始化种群;然后,将蝙蝠个体的速度转化为变异概率,使用交叉变异算子更新位置,从而实现蝙蝠的自适应进化;最后,在计算机生成网络和真实网络环境下进行仿真实验。研究结果表明:与用于社区发现的其他智能算法相比,该算法具有收敛速度快、求解精度高的优点,更适合大规模网络下的社区发现。

基于自适应进化模型的粒子群优化算法

针对标准粒子群算法在处理复杂优化问题时易出现收敛速度慢和陷入局部最优的问题,提出了一种自适应进化模型的粒子群优化算法。通过设定的阈值limit将种群进化状态划分为正常状态和"早熟"状态,当种群全局最优位置信息连续超过limit次没有更新时,认为算法处于"早熟"状态,此时对种群的个体最优位置进行反向学习,帮助算法逃离局部最优,并采用新的进化模型;否则视为正常进化状态,并采用标准粒子群进化模型。8个基准测试函数的仿真结果表明,该算法与一些其它改进粒子群算法如FIPS、CLPSO、MPSO-SFLA算法相比,在全局寻优能力、收敛速度和收敛精度方面都具有明显的优势。

复数自适应进化规划及模糊规则基的自动提取

提出一种新的二进制和复数混合编码的自适应进化规划方法.用两层染色体来表示模糊规则基,第一层染色体采用二进制编码,对模糊规则基的结构进行描述;第二层染色体采用复数编码,对模糊规则基的参数进行描述.利用自适应进化规划同时优化规则基的结构和参数.在无先验知识的情况下,对非线性系统语言模糊规则基和模糊PID控制器规则基进行自动提取实验,结果表明了方法的有效性.

一种基于自适应进化策略采样的粒子滤波算法

提出了一种自适应进化策略算法(AES),该算法利用适应度值控制变异步长的自适应调整,从而提高了进化策略的搜索效率和精度。将AES算法和粒子滤波(PF)相结合,提出了基于自适应进化策略采样的粒子滤波算法(AESPF)。该算法将AES应用于粒子重采样,以保证粒子的有效性和多样性。通过仿真计算表明,提出的算法可以有效提高滤波性能。

基于自适应进化策略的MOEA/D算法

针对MOEA/D算法单纯使用差分进化策略造成局部搜索能力弱、寻优精度低等问题,提出一种基于自适应进化策略的MOEA/D算法(MOEA/D-EA)。利用种群邻域更新信息构造进化状态判断机制,判断子问题的进化潜能和种群的进化状态;将子问题的进化潜能正反馈到反向学习模型,形成自适应的反向学习策略(AOBL);根据种群的进化状态选择不同的进化策略,以均衡算法的全局搜索与局部寻优能力。实验结果表明,该算法在收敛性、分布性和稳定性等方面均优于或部分优于其它对比算法。

TSP问题的自适应进化算法

提出了一种 TSP问题的进化计算方法。此方法结合边自适应和边重组的进化过程处理方法 ,在本质上符合 TSP问题的求解的需要。本文给出了边适应性函数的数学模型 ,并且构造了一种易于实现的路径重组算法。对于

基于动态反向学习的协方差矩阵自适应进化策略的经济调度优化

在电力系统中,针对用于解决多种燃料方案经济调度(economic dispatch,ED)算法收敛精度低的问题,提出了基于动态反向学习的协方差矩阵自适应进化策略(covariance matrix adaptation evolutionary strategy with dynamic opposition learning,CMA-DOL),旨在根据样本点的变化动态更新反向样本点的范围,提高样本多样性,防止陷入局部最优.本方法在分别由10、40、80个发电机组组成的3个测试系统上进行了验证,并与文献中的其他算法进行比较,对超过50次独立运行的结果进行统计度量,实验结果表明CMA-DOL可以获得更好的解决方案.