基于CGA-BP神经网络的好氧堆肥曝气供氧量预测模型

为提高好氧堆肥曝气供氧量的曝气效率以及预测精度,该研究利用遗传算法(genetic algorithm,GA)对标准反向传播(back propagation,BP)神经网络的初始权值和阈值进行优化,再利用克隆选择算法(clonal genetic algorithm,CGA)优化遗传算法中的变异算子并复制算子,加快获取最优参数的速度,构建基于CGA-BP神经网络的曝气供氧量预测模型。为验证CGA-BP模型的有效性,与BP模型、GA-BP模型预测结果进行对比。试验结果表明:克隆遗传算法优化BP神经网络能加快获得最优解,效率相比BP模型和GA-BP模型分别提高了75.36%、51.30%;在曝气供氧量预测模型中,CGA-BP模型具有更准确的预测效果,预测精度为99.65%,而BP模型与GA-BP模型预测精度分别为96.99%、99.26%;CGA-BP模型评价指标的均方误差、平均绝对误差、平均绝对百分误差分别为0.0034、0.0389和0.3506,均小于BP神经网络和GA-BP神经网络模型评价指标的误差;利用CGA-BP好氧堆肥曝气供氧量预测模型对好氧堆肥发酵过程进行精准曝气,提高了3.22%的曝气控制效率。由此可知CGA-BP神经网络模型有更好的预测效果,可满足好氧堆肥在发酵过程中曝气供氧量的需求,提高曝气效率,为精准控制曝气提供更直接有效的方法。

基于CGA-SM的抽水蓄能电站机电造价指标修正方法

针对现行《水电工程费用构成及概(估)算费用标准》(2013年版)中给定的抽水蓄能电站预可行性研究阶段其他机电设备费、安装费指标与概算结果偏差较大的问题,笔者结合数十个抽水蓄能电站概(估)算数据,提出基于文化遗传算法优化倒S模型(CGA-SM)的其他机电设备费、安装费估算指标的修正方法,并给出推荐的指标范围。工程比对结果表明,该估算指标修正后的计算结果与概算较为接近。这说明该指标修正方法的有效性及可行性,可为标准修编提供参考依据。

基于CGA和PSO的双种群混合算法

针对粒子群算法(PSO)收敛速度慢、求解精度不高以及易陷入局部最优的缺点,结合云遗传算法(CGA)和粒子群优化算法,提出一种新型的双种群混合算法(CGA-PSO)。将整个种群平均分成2个子群,分别采用云遗传算法和加入自调整惯性权值策略的粒子群优化算法完成进化。通过引入一种新型的信息交流机制:两子群子代间信息交流以及子代与父代间信息交流,共享最优个体,淘汰最劣个体,实现共同进化,适时对粒子群适应度较差的个体进行云变异操作,该操作是基于云模型的随机性和稳定性,利用全局最优位置和最劣位置实现对部分粒子位置的变异过程。对5个经典测试函数进行测试,并与CGA和PSO算法及其优化算法进行比较,结果表明,CGA-PSO算法具有较高的搜索效率、求解精度和较快的收敛速度,鲁棒性也较强。

基于遗传算法的团队CGA路径规划方法

基于遗传算法给出了一种团队CGA(Computer Generated Actors)全局路径规划方法,针对复杂环境和团队特点设计了不等长的路径编码和个体适应度评价方法.试验表明该方法可以为团队中每个成员规划出一条协调的、无障碍的路径,有效地解决复杂空间下团队CGA路径规划问题.

基于非值乘时间成本的乘务排班计划优化编制方法研究

乘务排班计划是城市轨道交通运输计划的重要组成部分,其编制方案优劣直接影响企业运营安全与乘务支出。在班制规定工作时间内,非值乘时间占比越高,工作所需人力资源越多,运营支出效益越低。文章通过缩减乘务人员非值乘时间中的非必要整备时间,从时间成本角度出发,构建最小费用模型。同时设计以爬山算法作为局部搜索策略的文化基因算法,用于优化传统遗传算法对于解的早熟或不收敛导致局部最优的潜在可能。最后以上海市轨道交通某条线路作为案例研究,结果表明模型能够在满足运营需求的前提下,优化乘务人员数量,从而降低乘务支出。其研究结果可为城市轨道交通精细化管理提供理论依据和参考。

改进CGA在3D动漫造型设计中的应用

为自动生成新颖多样的3D动漫造型,提出一种改进的元胞遗传算法(CGA)。使用ACIS规则表达式对已有的3D动漫造型在3个方向上实施非均匀缩放变形,采用树结构编码生成长度和内容变化较大的规则表达式,通过人机交互的方式,利用专家知识确定个体适应度值。基于3D动漫造型创新系统ECTDS的实验结果表明,该算法可以生成一系列生动的创新造型。

A novel chaotic optimization algorithm and its applications

This paper presents a chaos-genetic algorithm (CGA) that combines chaos and genetic algorithms. It can be used to avoid trapping in local optima profiting from chaos'randomness,ergodicity and regularity. Its property of global asymptotical convergence has been proved with Markov chains in this paper. CGA was applied to the optimization of complex benchmark functions and artificial neural network's (ANN) training. In solving the complex benchmark functions,CGA needs less iterative number than GA and other chaotic optimization algorithms and always finds the optima of these functions. In training ANN,CGA uses less iterative number and shows strong generalization. It is proved that CGA is an efficient and convenient chaotic optimization algorithm.

温室沙培黄瓜生产效应的水氮耦合方案优化

为探究水氮耦合对沙培黄瓜生长、产量、品质及水氮利用率的影响,制定沙培黄瓜高产、高效、优质生产的水氮管理方案,本研究以优胜美水果黄瓜为试材,采用二次饱和D-最优设计进行沙培黄瓜水氮耦合试验,利用二次多项式逐步回归分析建立了以灌水水平及施氮量为自变量,产量、品质综合评分及水氮利用率为目标函数的多目标优化问题模型,并使用遗传算法对数学模型进行模拟寻优。结果表明:各处理的生长、产量、品质、水分利用效率和氮肥利用率都存在显著差异,受到灌水水平、施氮量及其耦合效应在不同程度上的影响。当灌水上限在65.00%~89.40%,施氮量在623~1250 kg·hm^(-2)时,植株的生长状况较好;在沙培中施氮量是决定黄瓜产量的关键因子,增施氮肥能够显著增产,而过高的施氮量和灌水水平反而会降低产量,符合报酬递减规律;增施氮肥的同时降低灌水水平可获得较高的水分利用效率;过多地增施氮肥,并且灌水水平过高过低都会造成氮肥利用率和品质的下降;该试验条件下,最优的水氮耦合方案为:灌水水平79.12%(即基质田间持水量60.00%~79.12%的灌水上下限设置),施氮量1100 kg·hm^(-2),此方案下植株生长健壮并且能够达到高产、高效、优质的农业生产目标,可为沙培黄瓜水氮科学精细化管理提供理论依据。

格氏乳杆菌GU-G23高密度培养因子多维度优化及其验证

为提高具有益生特性格氏乳杆菌GU-G23的生物量,获取其高密度培养因子,该研究首先通过单因素实验和Plackett-Burman实验筛选出该菌株主要的生长营养因子为鱼蛋白胨、胰蛋白胨、柠檬酸三铵。以响应面实验设计组合作为机器模型训练样本,采用随机森林回归(Random Forest Regression,RFR)和径向基神经网络(Radial Basis Function Neural Network,RBF)模型对其培养基配方进行预测。以决定系数(R-squared,R^(2))、平均绝对误差(Mean Absolute Deviation,MAE)、均方误差(Mean-Square Error,MSE)和平均绝对百分误差(Mean Absolute Percentage Error,MAPE)作为模型评价指标,比较认为RBF在该研究中具有更好的预测性能。随后选择RBF神经网络和遗传算法(Genetic Algorithm,GA)结合对培养基主要成分进行了优化。最终获得该菌株培养基的优化配方为:鱼蛋白胨29.89 g/L,胰蛋白胨23.33 g/L,柠檬酸三铵4.34 g/L,蔗糖15.00 g/L,低聚果糖15.00 g/L,乙酸钠5.00 g/L磷酸氢二钾0.40 g/L,七水硫酸镁0.58 g/L,一水硫酸锰0.29 g/L,吐温-801.00 g/L。在此培养基条件下,所得样品活菌数达到5.21×10^(9)CFU/mL,是未优化前的4.57倍。该研究对微生物高密度培养优化预测提供了新的方法。

基于过程分析技术细胞培养中多指标实时检测

为了实现悬浮动物细胞培养过程细胞生长状态和生化指标的实时在线检测,以中国仓鼠卵巢细胞(CHO)培养过程为研究对象,采用原位显微镜和在线拉曼光谱仪实时在线获得CHO细胞培养体系的图像和拉曼光谱图,并通过实时在线图像处理和基于遗传算法结合偏最小二乘法的化学计量学建模,分别实时获得培养体系中细胞的密度、直径分布、培养液中葡萄糖和乳酸浓度。图像处理结果与离线生化分析仪结果相一致;葡萄糖质量浓度校正模型的预测均方根误差(RMSEP)为0.085 g×L^(-1),预测决定系数RP2为0.999,乳酸质量浓度校正模型RMSEP为0.055 g×L^(-1),RP2为0.966。结果表明,上述检测方法可用于细胞培养过程的细胞密度、直径分布和2个生化指标的实时准确监测,减少了离线检测的繁琐和染菌风险。

基于文化基因算法的冷热电联供型微网优化运行方法

多个供电源协调调度能够使得冷热电联供型微网运行综合效益达到最优,对此提出一种新的基于文化基因算法的方法。建立包含最小经济性运行成本和最小环保性运行成本的多目标函数模型,并为模型设置6个约束条件。在约束条件下,利用文化基因算法求取多目标函数模型最优解,得出冷热电联供型微网优化运行方案。结果表明,该方法应用,其综合效益以及两个单项成本较低,实现了多个供电源的协调调度。

混沌优化与遗传算法的智能集成

作为智能算法,遗传算法的确是解决非线性复杂优化问题的有利工具,但它在搜索过程中易陷入局部最优、收敛速度慢的缺陷又确实限制了它的寻优效能。混沌的遍历性、随机性和内在规律性使得混沌优化能够互补地与遗传算法进行集成。基于此,该文经过遗传算法和混沌优化方法的理论机制分析,将二者进行智能集成,给出混沌遗传优化算法CGA。经过仿真迭代运算,发现该算法能够保证求得全局最优解,并且寻优速度有很大提高。

基于混沌遗传算法的电力系统无功优化

针对遗传算法在求解大规模电力系统无功优化问题中存在的收敛速度慢、易早熟的缺点,提出了一种新的无功优化算法——混沌遗传算法CGA。该方法结合混沌优化所具有的遍历性、随机性和规律性的特点,在遗传进化过程中引入混沌移民算子,通过混沌移民操作维持群体中染色体的多样性,以克服传统遗传算法中由于近亲繁殖所导致的早熟问题,确保算法的全局收敛性,加快计算速度。通过对某地区42节点系统进行仿真计算,该方法相比于简单遗传算法,计算速度提高了45%,收敛到全局最优的概率提高了1.25倍。

基于禁忌克隆遗传算法的配电网故障恢复重构

将克隆遗传算法(clonal genetic algorithm,CGA)和禁忌搜索算法(tabu search,TS)相结合,提出用于配电网故障恢复重构的禁忌克隆遗传算法(tabu search clonal genetic algorithm,TSCGA)。针对配电网的结构特征和克隆遗传算子的特点采用基于环网的编码策略,避免遗传操作后产生表示环网或孤岛的无效解;在CGA中克隆遗传算子的基础上增加了修正算子,减小了搜索范围,提高了搜索效率;并把禁忌搜索算法中的禁忌表、禁忌表处理和藐视准则融入到克隆遗传算法中,显著提高了收敛速度。最后用IEEE33节点标准算例对TSCGA进行了仿真分析,并与其他智能算法进行了比较,结果表明TSCGA具有更快的收敛速度和更好的稳定性。

修正克隆遗传算法在分布式电源规划中的应用

在分析微电网中分布式电源特性的基础之上,构建了相关的目标函数与数学模型,提出一种针对微电网系统的修正克隆遗传算法。该算法在传统克隆遗传算法基础之上,加入修正表和局部搜索操作,提高了搜索效率,从而能更快速地获得微电网中分布式电源的最优化配置。最后在IEEE39节点算例上,应用此算法在计算机上进行仿真,结果表明了该算法的可行性和有效性。

改进的混沌遗传算法

将遗传算法与混沌算法相结合,提出了一种新颖的基于猫映射的混沌遗传算法(CGA),解释了猫映射的遍历性,分析了猫映射的混沌分布优越性。该算法利用猫映射的初值敏感性扩大搜索范围,利用猫映射的遍历性进行混沌变量的优化搜索,从而减少了数据冗余,保持了种群多样性,有效地解决了局部收敛问题。理论分析和数值仿真表明,该算法具有更好的收敛性能。

基于混沌映射的元胞遗传算法

针对元胞遗传算法(CGA)的功能及结构特点,将元胞遗传算法与混沌算法进行有机结合,分别设计基于Cat映射、Logistic映射及Tent映射的混沌映射元胞遗传算法(CCGA),并解释三种映射的遍历性.文中利用混沌映射的遍历特点及初值敏感性优化种群的初始分布,扩大搜索范围,设计遗传算子中的局部混沌交叉操作及混沌变异扰动机制,并比较不同混沌映射算子作用下种群多样性的变化.理论分析及计算机仿真实验表明,引入三种混沌映射的元胞遗传算法在提升寻优精度,提高算法收敛速度,避免局部极值方面均取得良好的效果.

一种模糊自适应PID控制在溶解氧中的应用

针对污水处理过程的非线性、不稳定性和不确定性,将活性污水处理系统非线性数学模型转换为参数有界的变参数正则状态方程,并对系统模型进行了可控性与稳定性分析,提出了一种基于混沌遗传算法优化的模糊自适应PID控制器。通过仿真实验表明:CGA法提高了种群个体的多样性,有效地避免了"早熟"和局部最优现象;优化后的控制器在超调量、上升速度、稳定时间等性能上得到明显改善。

处理动态优化问题的演化元胞遗传算法

已有演化元胞遗传算法中的演化规则多从元胞自动机中直接引入,未在状态演化中考虑个体间适应值的差异。根据密度制约关系提出一种新的演化元胞遗传算法来处理动态优化问题,在考虑个体适应值优劣与局部种群密度的前提下,通过密度制约与种内竞争实现个体在元胞空间内的生死演化,并建立种群规模增长模型控制元胞空间内存活个体规模。选取不同强度、复杂度的动态优化问题对算法性能进行验证,结果表明新算法具有良好的处理动态优化问题的能力。