中垂线遗传融合算法研究

为改善遗传算法的局部寻优性能和收敛速度,提出了一种将遗传算法和中垂线相算法结合的融合算法——中垂线遗传算法。中垂线遗传算法以遗传算法进行全局搜索,再以中垂线算法进行局部搜索。并将中垂线算法中的单一种群分化为双种群,将双种群中的优秀个体进行耦合交叉和变异,提升改进算法的全局搜索能力和跳出局部最优的能力。仿真实验讨论了算法转换系数的变化对改进算法性能的影响。通过与6个算法的对比实验,证明改进的中垂线遗传算法解决了传统遗传算法收敛速度慢和局部寻优能力弱的问题。并且与主流优化算法和其他遗传融合算法相比,改进的算法性能更加优越。最后,利用改进算法处理了三杆桁架的设计问题。结果表明:中垂线遗传算法在处理实际问题时具有可行性。

预制构件生产-运输-装配一体化的建造调度优化

为研究预制构件生产-运输-装配一体化的建造调度优化问题,构建装配式构件全过程的多目标调度优化模型.优化模型将预制构件3个阶段的优化作为一个扩展的生产车间调度优化,并采用改进的双种群遗传算法对模型进行求解.结果表明:改进的双种群遗传算法能够显著提高遗传算法的搜索效率;优化模型能够有效地减少总完工时间和并行机器的总机器成本.

基于双种群遗传算法的模具车间作业调度研究

传统模具车间作业的调度计划具有编制复杂度高、人员经验依赖度高等特点,以作业完成总耗时最小化为目标,提出了一种优化的双种群遗传算法。基于Gen-Tsujimura-Kubota′s method编码机制,提出了一种改进后的初始种群产生方案;采用基于工件位置的交叉算子和工件对互换变异算子对种群进行交叉操作和变异操作,并保留较优个体;基于双种群理论和自适应操作,对算法模型进行优化,提高了算法的精度和搜索能力。以某模具企业的蜡模生产车间作业为例进行分析,结果表明该算法能较精确地获得车间作业调度的优质解,验证了算法的可行性和有效性。

基于双种群遗传混沌优化算法的最优时间轨迹规划

针对以最短运行时间为目标的工业机器人轨迹规划问题,提出一种基于混沌局部搜索的双种群遗传最优时间轨迹规划算法。首先以各个节点之间的时间间隔之和为优化目标,以各关节的角速度、角加速度和角加加速度为约束条件,利用五次多项式拟合规划的关节空间位置节点模拟机器人的运行轨迹;然后,利用双种群遗传算法全局搜索能力强、进化速度快和混沌算法局部搜索能力强的优点,提出一种基于双种群遗传混沌优化算法的机器人轨迹规划方法,规划最优时间轨迹;最后,以3自由度空间机械臂为例,验证了所提算法能够使机器人末端执行器的运行轨迹平滑且时间最优。该算法应用于机器人轨迹规划可以延长机器人使用寿命,提高生产效率。

双种群混合遗传算法求解柔性作业车间调度问题

针对柔性作业车间调度问题(FJSP),提出一种改进的双种群混合遗传算法,其中一个种群侧重全局搜索,另一个种群负责局部搜索。采用基于工序与基于机器相结合的编码机制,提出一种初始种群产生方法,提高初始种群的多样性;通过交换精英个体的方式实现两个种群间的协同优化,提高算法的精度和收敛速度。对比仿真结果验证了该算法求解FJSP问题的有效性。

基于胞腔排除双种群遗传算法的泵站优化调度

泵站优化调度是保证整个水工业系统高效运行的关键因素之一.在提出用指数曲线精确拟合水泵性能曲线的基础上,以泵群轴功率最小作为目标函数,以供水指标和水泵高效区为约束条件,建立了泵站优化调度问题的数学模型.结合实际工程水泵切换次数最少的要求,提出了一种工程实用的胞腔排除双种群遗传算法进行模型求解.该算法借助胞腔和胞腔排除得到的有效胞腔作为水泵并联运行的有效组合方案,并在各有效胞腔内采取全局搜索与局部搜索相结合的双种群搜索策略得到各泵负荷分配的优化解,同时给出了符合工程实际的计算机最优调度方案选择方法.实验结果表明:与传统遗传算法相比,胞腔排除双种群遗传算法可快捷、有效地获得泵站最优调度方案和多个有效调度方案.

利用双种群遗传算法进行数值试井自动拟合

遗传算法以随机化技术为指导,通过对整个解空间的高效搜索而得到全局最优解,当解空间较大时,常规遗传算法难以同时保证搜索速度和最优解的精度。针对这种缺陷提出了应用双种群遗传算法,即利用具有不同搜索策略的2个种群进行联合搜索,既保证了最优解的精度,又提高了搜索速度,将其应用于数值试井自动拟合解释,比常规遗传算法能节省50%以上的计算时间。

图像关联规则挖掘研究

介绍了图像关联规则的相关概念,描述了传统的双种群遗传算法的执行过程;针对采用固定染色体交叉概率和染色体变异概率容易出现早熟、收敛速度较慢等问题,设计出了能自适应调整的染色体交叉算子和变异算子。最后将改进后的双种群遗传算法成功地运用到Landsat卫星遥感图像,实现了图像关联规则的提取,为退耕还林决策提供了有力的依据。

基于双种群黄金分割优化的遗传算法及其应用

针对遗传算法易出现局部最优和早熟现象,提出了一种改进型的双种群遗传算法,并将其应用在模糊控制器的量化因子的在线自寻优上,实例证明该算法具有很好的寻优能力和较高的搜索效率。

车辆路径问题的改进的双种群遗传算法

提出了一种基于车辆路径问题的改进双种群遗传算法。该改进双种群遗传算法主要通过两个种群同时进行进化操作,并结合新交叉算子和种群交叉策略,以克服传统双种群遗传算法在求解车辆路径问题上所存在的不足。通过仿真实验,将改进的双种群遗传算法与其它几种遗传算法进行比较,改进的双种群遗传算法比其它几种遗传算法显著提高了优化效果。实验结果表明,该算法可以有效求得该问题的优化解,是解决车辆路径问题的好方法。

一种双种群遗传粒子群算法及在SMB优化中的应用

针对遗传算法和粒子群算法本身固有的局限,提出了基于Pareto非劣解集的多目标双种群遗传粒子群算法。设置两个独立种群分别进行寻优,每隔一定代数,按一定比例选取精英个体在两个种群间进行迁徙,接着继续在各自种群中寻优,最终两种群都将收敛于Pareto最优前端。通过两个测试函数和在模拟移动床(SMB)上的操作条件优化仿真试验验证,双种群遗传粒子群算法较单一种群的遗传算法或粒子群算法能在较少的进化代数上收敛,解集具有更好的分布性和多样性;并能有效地对模拟移动床操作条件进行优化。

一种基于蜜蜂双种群进化的遗传算法

提出了一种基于蜜蜂双种群进化的遗传算法(BDPGA)。算法共有两个种群,一个是通过迭代进行遗传操作得到的,一个是在每代进化过程中随机引入的。每个种群中的最优个体作为蜂王分别以概率与其它个体(雄蜂)进行交配操作。既能增强对种群最优个体所包含信息的开采能力,又能提高算法的勘探能力,从而避免算法过早地收敛。实验结果表明,该算法对于改进和提高遗传算法性能是有效可行的。

蜜蜂双种群进化型遗传算法

为了改善传统遗传算法的性能,由蜜蜂种群繁殖进化的方式得到启发,提出了一种蜜蜂双种群进化型遗传算法(DBPGA)。算法共有两个种群,一个是通过迭代进行遗传操作得到的;另一个在每代进化过程中随机引入。每个种群中的最优个体作为蜂王分别以概率与其它个体(雄蜂)进行交配操作。既能增强对种群最优个体所包含信息的开采能力,又能提高算法的勘探能力,从而避免算法过早地收敛。实验结果表明,该算法对于改进和提高遗传算法性能及求解连续非线性规划问题是有效可行的。

基于蜜蜂双种群进化机制的云自适应遗传算法

为了提高传统自适应遗传算法的鲁棒性,受蜜蜂双种群进化的机制启发,把雄蜂通过竞争参与交叉及雄蜂与决定双蜂群优秀遗传基因的蜂后交叉的机制引入算法中,再利用正态云模型云滴的随机性和稳定倾向性特点,提出了基于蜜蜂双种群进化机制的云自适应遗传算法。算法由正态云模型的Y条件云发生器及蜂后参与的方式实现交叉操作,基本云发生器实现变异操作。函数优化实验和暴雨强度公式参数优化的仿真结果表明了算法的有效性和可行性。

基于蜜蜂双种群进化型云自适应遗传算法的电力系统多目标无功优化

针对遗传算法在求解多目标无功优化方面存在的缺陷,文章提出了基于蜜蜂双种群进化型云自适应遗传算法(double bee population evolutionary cloud adaptive genetic algorithm,BEPE-CAGA)。该算法根据蜜蜂双种群进化思想,引入了雄峰通过竞争参与交叉及雄峰与决定双峰群优秀遗传基因的蜂后交叉的策略,并结合正态云模型云滴的随机性和稳定倾向性特点对其进行改进,改善了算法陷入早熟的问题,提高了算法的收敛速度。建立了以有功网损最小、电压偏差最小及电压稳定裕度最大为目标的无功优化数学模型,并以BEPE-CAGA算法求解该模型。最后通过对IEEE14和IEEE30节点系统进行算例仿真,仿真结果验证了文章所提算法的有效性,同时也证明了该算法在收敛速度和优化效果上具有比基本GA算法和CAGA算法更佳的性能。

一种基于二次变异策略的改进型遗传算法

通过对基本遗传算法采用单点位变异和倒置变异两次变异操作进行改进,并把该算法应用到TSP问题的求解中。仿真结果表明,改进后的算法提高了种群的多样性,增强了算法的局部搜索能力,从而使最终找到的解比基本遗传算法更优。另外,二次变异的改进遗传算法对种群规模的敏感性比非二次变异的基本遗传算法更强,相同条件下当增大种群规模时,二次变异的改进算法能得到更优的解。

基于改进双种群遗传算法的AUV路径规划方法研究

研究了在静态环境条件下AUV全局无碰撞的路径规划方法,提出了一种将顶点图像法与双种群遗传算法相结合的路径规划方法。利用顶点图像法建立环境模型,对候选路径进行二进制编码,然后利用改进的双种群遗传算法进行路径寻优。仿真实验表明,本文采用的改进双种群遗传算法是正确和有效的,具有运算速度快、全局优化能力强等优点。

基于改进遗传算法的分批调度研究

针对分批调度的批量划分和排序优化问题,提出两段染色体编码方式,分别描述工序信息和批量信息.提出舍弃比率概念来优化种群初始化过程.采用自适应交叉算子和变异算子,以双种群协同进化方式对遗传算法进行改进.以文献数据为例仿真测试了改进遗传算法的有效性,对于复杂的分批调度问题,改进遗传算法一般能够得到较为满意的解.成功应用分批调度改进遗传算法解决了某公司分批调度问题.

求矩阵复特征值的双种群改进遗传算法

针对矩阵复特征值的特点,提出采用双种群改进遗传算法并行求解复特征值的近似值。该算法中双种群采用实数编码,在遗传过程中每个种群都根据适应度自动选择其交叉概率和变异概率,使个体对环境变化具有自适应调节能力。变异中采用了柯西变异,可以使个体很快跳出局部极小。仿真结果表明,此算法可以达到一定的精度,具有一定的通用性,并给求矩阵复特征值提供了一种快速的方法。

基于双种群遗传算法的MPLS流量工程研究

针对因特网流量的快速增加和对服务质量要求的不断提高,为避免网络数据流过大造成拥塞问题,利用MPLS流量工程的路由算法成为业界研究的重点。介绍了MPLS流量工程的工作机制,并提出了数学模型。MPLS流量工程的关键问题是LSP的分布优化问题,针对这一问题的Np-hard特性,提出一种基于双种群策略的遗传算法求解方法,算法采用自然数编码来提高搜索效率。算法中,两个子种群周期性地交流最优染色体,进一步提高了性能。仿真实验表明,提出的算法能有效提高搜索速度,增加获得最优解的概率。