一种快速压缩遗传算法及其仿真研究

给出了压缩遗传算法的模式定理以及收敛性和运算参数的分析,并提出一种快速压缩遗传算法(fcGA).该算法用压缩遗传算法(cGA)运行少量代数得到的概率值及其运行代数组成一个观测样本,借助于统计学中的最小二乘法估算几万代以后的概率值,组成新的概率矩阵并根据该矩阵产生新的个体,用这些新的个体更新概率矩阵.旅行商问题(TSP)的仿真证明,该算法是一种十分高效的遗传算法.

压缩遗传算法在供应链布局中的应用

针对供应链广泛存在的工厂/仓库的布局问题,以工厂固定期限内的最大化利润、企业到客户和供应商之间的最小访问时间,以及以当地优惠政策的最大量化值为目标函数,提出一种多时段、多目标的模型。由于该类问题既是Pareto优化问题,又是典型的NP难题,用通常的寻优方法不会得到满意的结果,因此,采用压缩遗传算法来解决。同时,为了加快压缩遗传算法的收敛速度,引入最小二乘方法对概率矩阵的元素值进行估计,提出了快速压缩遗传算法。最后,根据生产实践中得到的数据进行了仿真,通过压缩遗传算法和整数规划方法的比较,验证了快速压缩遗传算法在解决多目标优化问题上的有效性。

一种可加速收敛的压缩遗传算法及其在实时供应链中的应用

采用可加速收敛的压缩遗传算法(ACGA)来解决实时供应链中的网上采购优化问题,供应商根据零售商的订单需求,在最短的时间内综合考虑利润、库存和交货时间等因素进行优化,进而为决策提供依据.在ACGA中,用压缩遗传算法(CGA)运行少量代数得到的概率值组成一个观测样本,借助统计学中的最小二乘法,估算几万代以后的概率值,进而组成新的概率矩阵,并根据该矩阵产生新的个体.文中结合实时供应链中的分销优化问题进行了仿真,结果表明,ACGA是适应实时场合的高效遗传算法.

压缩超级像素遗传算法重现离轴电子全息图

对重现离轴电子全息图的遗传算法进行了研究,讨论了参考波波矢和超级像素尺寸对重现结果的影响规律,并在此基础上对遗传算法进行了改进。遗传算法利用了全息图的全部信息因而得到较好的重现效果,与传统的滤波重现相比,该方法重现的振幅和相位误差分别下降了69%和64%。讨论结果表明,超级像素中必需包含一到两个周期的参考波以保证较好的重现效果,而参考波的取向对重现结果没有显著的影响;在垂直于参考波波矢方向上压缩超级像素的尺寸,可以进一步提高全息图的重现精度。本文提出了压缩超级像素遗传算法,与常规超级像素遗传算法相比,该方法重现的振幅和相位误差分别减小了15%和7%。

基于KPCA-CMGANN算法的瓦斯涌出量预测研究

为了精准预测瓦斯涌出量,针对绝对瓦斯涌出量非线性、时变性、复杂性等特点,提出采用核主成分分析法(KPCA)对影响因素进行降维处理;针对BP神经网络(BPNN)中存在的收敛速度慢和易陷入局部最优解的问题,采用压缩映射遗传算法(CMGA)优化BPNN;构建CMGA与BPNN的耦合算法(CMGANN),计算分析某低瓦斯矿井监测历史数据形成的样本集,建立KPCA-CMGANN预测模型;用KPCA-CMGANN预测模型和其他3种网络模型分别对煤矿现场数据进行预测。结果表明:KPCA-CMGANN预测模型在379个时间步长里达到收敛,4个回采工作面的瓦斯涌出量预测相对误差分别为0.58%、0.63%、0.57%和0.45%,平均相对误差仅为0.56%,预测精度和收敛速度均优于对比模型,可实现瓦斯涌出量的快速精准预测。

移动荷载下基于RBF神经网络的地基土参数识别

研究了移动荷载作用下径向基神经网络在地基土的参数识别中的应用。针对径向基神经网络的不足,采用压缩映射递阶遗传算法来确定网络参数(连接权、隐节点中心和宽度),改进算法的收敛性。基于频率响应,采用主元分析方法,有效减少了网络的输入节点。结果表明该方法是可行的。

神经网络与若干智能方法的融合研究

人工神经网络作为人工智能领域中的一个重要分支,一直以来都是人们的研究热点。介绍了人工神经网络技术与几种智能方法融合的应用发展,归纳了BP神经网络学习算法的基本思想,着重论述了目前有关神经网络融合方面的研究热点,即神经网络与专家系统、模糊逻辑、压缩映射遗传算法、粒子群优化算法的融合思想与方法。

网络控制系统的神经网络PID控制优化研究

对PID控制器参数优化的研究,在网络控制系统中传统的PID控制方法由于被控对象的非线性、时延和系统扰动等因素降低控制器的效果,从而影响系统的稳定性。用实时性要求较高的直流电机作为被控对象进行matlab仿真,仿真结果表明采用压缩映射遗传算法神经网络的PID控制器系统响应速度快和控制精度高,网络控制系统具有鲁棒性和抗干扰能力。

Genetic Algorithms Development for MultiobjectiveDesign Optimization of Compressor Cascade

Aerodynamic optimization design of compressor blade shape is a design challenge at present because itis inherently a multiobjective problem. Thus, multiobjective Genetic Algorithms based on the multibranch simulated annealing selection and collection of Pareto solutions strategy have been developedand applied to the optimum design of compressor cascade. The present multiobjective design seeks highpressure rise, high flow turning angle and low total pressure loss at a low inlet Mach number. Paretosolutions obtain the better aerodynamic performance of the cascade than the existing Control DiffusionAirfoil. From the Pareto solutions, the decision maker would be able to find a design that satisfies hisdesign goal best. The results indicate that the feasibility of multiobjective Genetic Algorithms as amultiple objectives optimization tool in the engineering field.