基于云自适应遗传算法的野营器材运输路径优化

针对野营器材运输投送过程中存在的及时性不强、精准性不高和匹配性欠佳等问题,论文围绕现代联合作战保障和现代军事物流体系建设,综合考虑野营器材运输投送中的时间要求、经济成本和风险制约,构建运输路径优化模型,并采用基于云自适应遗传算法优化求解,以期制定合理的野营器材运输方案,供野营器材保障决策参考。

一种结合混沌搜索的改进云自适应遗传算法

针对传统云自适应遗传算法由于初始种群质量不高、局部搜索能力较差、交叉和变异概率的云模型控制参数为固定值而造成的早熟和收敛速度较慢的问题,提出一种结合混沌搜索的改进云自适应遗传算法(CAGACS)。利用混沌模型生成初始种群,提高初始种群多样性;在进化过程中对最优个体进行混沌扰动,加强算法局部搜索能力;设计了随进化代数和种群规模变化的云模型控制参数,增强交叉和变异概率的自适应变化,克服早熟和收敛过慢的缺陷。实例仿真结果表明,CAGACS算法既保持了云自适应遗传算法的稳定倾向性和随机性,又进一步加强了算法的寻优能力。

基于改进云自适应粒子群的多DG配电网EV充电站优化配置

考虑到分布式电源（distributed generator,DG）并入配电网的未来前景,提出了电动汽车（electric vehicle,EV）充电站的模糊服务半径新概念,建立了一种计及环境代价、交通流量、电能质量和建设成本等综合因素的EV充电站选址定容的新模型,在满足多目标约束条件下求取年均利润最优。提出了一种改进的云自适应粒子群算法（ICAPSO）,使其更适用于大数据EV充电站优化模型的寻优迭代求解。将多个DG并入IEEE123节点配电网拓扑,用MATLAB仿真进行了算法对比,验证了所提优化模型和算法在多DG并网情景下的可行性和有效性,且算法具有较好的全局寻优能力和防早熟收敛特性。

云自适应遗传算法

传统自适应遗传算法(AGA)虽能有效提高收敛速度,却难以增强算法的鲁棒性.以当代种群平均适应度为期望Ex,根据云模型"3En"规则确定熵En,由X条件云发生器自适应调整交叉变异概率,提出云自适应遗传算法(CAGA).由于云模型云滴具有随机性和稳定倾向性特点,使交叉变异概率值既具有传统AGA的趋势性,满足快速寻优能力;又具有随机性,且当种群适应度最大时并非绝对的零概率值,有利于提高种群多样性,从而大大改善避免陷入局部最优的能力.典型函数优化实验表明,与标准遗传算法(SGA)和AGA相比,CAGA具有更好的收敛速度和鲁棒性.

基于云自适应遗传算法的深覆盖层上面板堆石坝渗流监控模型

针对库水位和降雨对面板堆石坝渗流的滞后效应,结合深覆盖层面板堆石坝的筑坝特点,在综合考虑覆盖层厚度、筑坝材料等对大坝渗流影响的基础上,建立了考虑滞后效应的深覆盖层面板堆石坝渗流安全监控模型,并在模型的求解中采用了云自适应遗传算法。实例应用表明,该模型能较好地反映库水位、降雨对渗流的滞后影响,模型精度与预报效果优于一般渗流统计模型,且云自适应遗传算法较好地弥补了传统遗传算法执行效率不高、易陷入局部最优解等不足。

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。

基于云自适应遗传算法的改进BP算法

针对标准BP算法对初始权值敏感、收敛速度慢、易陷入局部极小等问题,结合正态云模型云滴的随机性和稳定倾向性,以及遗传算法的全局搜索能力、收敛速度快等特性,提出了云自适应遗传改进BP算法.该算法首次将云模型和遗传算法结合调整神经网络的权值和阈值.由X条件云发生器产生改进的自适应交叉概率和变异概率.实验结果表明:云自适应遗传改进BP算法比标准BP算法收敛速度快.

改进的云自适应粒子群算法

为了提高粒子群算法的寻优速度和精度,提出一种改进的云自适应粒子群算法(MCAPSO)。算法中根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略和进化策略,普通子群粒子采用云自适应惯性权重,有效地调整了算法的全局与局部搜索能力。选取了五个基准函数进行测试,与其他PSO算法作了比较。仿真结果表明该方法是有效的。

云自适应粒子群优化算法在船舶纵向运动参数辨识中的应用

为解决粒子群算法存在的易收敛于局部最优的问题,提高算法的精度和速度,本文提出云自适应粒子群优化算法,并将该算法应用于船舶纵向运动参数识别模型中,经过辨识得到的船舶纵向运动参数的误差值在允许范围内,且状态参数和理论值具有较高吻合度。

一种云自适应粒子群优化的PID控制器设计与应用

针对PID控制器应用于实际的自动电压调节器(AVR)系统,为了有效地寻找AVR系统的最佳PID控制器参数,提出一种基于改进的云自适应粒子群算法的PID参数优化策略。通过建立粒子群优化的PID控制器参数模型,在控制过程中将PID参数(比例、积分、微分)作为粒子群中的粒子,采用控制误差绝对值时间积分函数作为优化目标,在控制过程中动态调整PID的三个控制参数,从而进行PID控制参数的实时优化。仿真结果表明,该PID控制器可以获得较好的控制性能指标,进而改善AVR系统的瞬时响应特性,具有一定的实用价值。

基于云自适应粒子群算法的NoC路径分配研究

在云自适应粒子群算法基础上提出一种新的云自适应更新函数并将其应用在2DMesh拓扑的片上网络中,来优化静态通讯分配结果.该更新函数的参数随着粒子适应度值和拓扑规模的不同而变化,并注重全局搜索和局部收敛的结合作用,使两者达到最佳结合点,避免了单一的全局搜索和局部收敛的弊端.实验证明,这种方法在拓扑规模越大时,效果越明显,与改进的粒子群算法相比较结果优达25.74%.

云自适应混合细菌觅食优化算法

针对传统细菌觅食优化算法存储量大、收敛速度慢且难以解决高维问题等缺点,通过细菌的适应度值将细菌种群分为三个层次,不同层次分别采用不同的搜索步长生成策略,由X条件云发生器自适应调整一般层次中细菌搜索步长,并引入粒子群算法思想进行细菌位置更新,提出了云自适应混合细菌觅食优化算法.由于云模型云滴具有随机性和稳定倾向性特点,提高了算法的灵活性;粒子群算法的引入提高了算法全局搜索能力,加快了算法的收敛速度.通过典型函数优化实验表明,与基本细菌觅食算法、自适应细菌觅食算法以及YSPSO相比,云自适应混合细菌觅食算法更有利于解决高维问题且具有较快的收敛速度和较高的计算精度.

蜜蜂双种群进化机制背景下云自适应遗传算法分析

主要分析了蜜蜂双种群进化机制背景下云自适应遗传算法卡,通过观察和分析我国传统雌雄蜜蜂在竞争和交叉中优秀群种遗传基因的蜂后交叉机制,针对优秀群种种植蜂后交叉机制计算进行研究,在当前计算机技术水平下,应该要如何提高传统雌雄锋竞争和交叉的质量,不断将优秀群种遗传基因扩散,最后,提出一种基于蜜蜂双种群进化机制的云自适应遗传计算方法,通过函数优化实验和暴雨强度公式参数优化的仿真研究,指出这种机制算法的可行性和可靠性。

基于云自适应差分和BP神经网络的板形动态影响矩阵控制方法

为了克服传统板形控制中产品质量差、控制速度慢、生成效率低,以及静态影响矩阵控制信息不足等缺点,将云自适应差分算法(CADE)优化的BP神经网络应用到板形控制中,建立板形预测神经网络,并在离线状态下,根据板形轧制的历史数据和板形调控机构中的关键影响因素建立动态影响矩阵表。在线轧制过程中只需要与板形控制关键影响因素对应的动态影响矩阵表和板形识别变化量,就可以很快得到主要板形控制手段的控制量。该方法避免了神经网络的在线训练,提高了板形的控制速度和轧制精度。仿真实验表明,该方法稳定性好,控制精度高,适合用于板形的在线控制。

一种采用云自适应粒子群算法的盲源分离

针对大多盲源分离算法全局收敛性能不理想,收敛速度慢的缺陷,借鉴自适应粒子群算法的思想,利用云模型中云滴的随机性和稳定倾向性特点,提出一种云理论的自适应粒子群(CAPSO)盲源分离算法,以分离信号的峭度为目标函数,用自适应调整策略把粒子群分为三个子群,根据云方法修改普通子群的惯性权重,使惯性权重随着适应度值自适应调整。仿真结果表明,改进算法能完成含噪信号分离,并且有效地避免了早熟收敛,较基本PSO提高了全局搜索能力和收敛速度,分离效果好。

基于云自适应梯度粒子群算法的无功优化

粒子群算法存在着早熟的现象,易陷入局部最小点,为了克服这个缺点,文章首先将云模型引入粒子群算法,将粒子分成2部分,靠近最优粒子和远离最优粒子的部分,其中靠近最优粒子种群的惯性权重由云模型的X-条件发生器自适应调整,提出了云自适应粒子群算法(cloud adaptiveparticle swarm optimization,CAPSO),然后引入梯度的思想,提出云自适应梯度粒子群算法(cloud adaptive gradientparticle swarm optimization,CAGPSO)。以网损最小为目标函数,对标准IEEE 14和IEEE 30节点系统进行仿真计算,结果表明改进后的CAGPSO算法能够获得更好的优化解。

基于云自适应惯性权重混沌离子运动算法的行星NWG齿轮传动优化设计

为了更好地优化行星NGW齿轮传动多目标优化设计问题的解决方法,提出一种基于离子运动算法改进的云自适应惯性权重混沌离子运动算法。以最小体积,最大重合度和最大总传动效率为多目标优化函数,同时添加9个齿轮传动的边界约束条件,并建立惩罚函数对边界约束条件进行处理,从而完成对目标进行ACIMO算法下的优化计算与设计。结果表明:采用ACIMO算法相对于常规设计,使体积减少54.3%,重合度增加4.72%,总传动效率增加0.875 9%;且与原始IMO算法相比,在常规设计的基础上,体积减少5.45%,重合度增加2.34%,总传动效率增加0.31%,优化结果较好,各目标得到了更加合理的优化,说明算法改进策略是行之有效的,从而为行星NGW齿轮传动优化提供了一个新而高效的求解途径。

基于云自适应粒子群优化算法和随机森林回归(CAPSO-RFR)的负载均衡预测

针对传统的云计算资源负载预测算法存在精度低和误差大的缺点,将云自适应粒子群算法应用于随机森林回归参数的选择,提出一种基于CAPSO-RFR的云计算资源均衡负载预测算法。研究结果表明,CAPSO-RFR可以有效提高云计算资源负载预测的精度,为云计算资源的规划、调度以及云计算平台的性能优化提供决策依据。

复杂多方向威胁下的导弹预警雷达优化部署方法

针对现有导弹预警雷达部署相对独立、协同困难,难以满足大规模对抗场景的现状,从远程预警雷达、跟踪识别雷达、机动式预警雷达不同的任务特点出发,建立应对复杂多方向威胁的多型导弹预警雷达优化部署模型,在满足最优覆盖、协同交接、目标识别等任务约束下,解决雷达协同部署问题。针对所提模型设计了一种基于云自适应的分区优化离散粒子群(CPBPSO)算法,通过设计分区编码策略缩减算法求解空间、加入云自适应变异算子提高算法全局寻优和局部跳出能力,使算法更适用于导弹预警雷达部署问题的处理。实例验证了所提模型在求解单方向、多方向威胁场景部署问题的可行性,对比分析了CPBPSO算法的有效性,基本满足导弹预警雷达最优化协同部署的需求。

基于云自适应粒子群算法的高压转子复杂接触有限元模型参数修正

为建立更加准确的航空发动机高压转子的有限元模型,提出一种修正有限元模型描述航空发动机复杂接触的方法.将修正问题转化为求解定义在时域的误差函数的极小值,运用云自适应方法动态调整粒子群算法的惯性权重,使得算法在接近较优解时,惯性因子分布在云低端,有利于收敛得到更优解;当问题解较差时,其惯性因子分布在云顶端,有利于跳出局部极小点,扩大搜索范围.以仿真算例和实际航空发动机高压转子模型为例,通过与相关算法的修正结果比较,证明该算法是可行且有效的.