基于改进自适应多种群遗传算法的结构-控制系统一体化优化

提出一种改进的自适应多种群遗传算法,以更好地解决建筑结构-主动控制系统一体化优化问题,即同时对被控结构参数、控制算法参数、主动作动器布置位置进行优化。该遗传算法对编码方法、初始种群生成、选择策略、交叉概率和变异概率的自适应调整、多种群协同进化中移民策略等进行改进。研究结果表明:改进的自适应多种群遗传算法和改进的基本遗传算法优化结果总体一致,表明前者分析结果是正确的,并且具有较高的精度;改进的自适应多种群遗传算法和改进的基本遗传算法首次得到优化分析最优解的平均进化代数分别为320与730,表明前者比后者收敛速度更快;改进的自适应多种群遗传算法每次能达到或接近最优解,可有效克服基本遗传算法优化结果随机性较强的缺点;经改进的自适应多种群遗传算法优化的主动控制系统取得明显减振效果,E1 Centro波输入时,主动控制结构层间位移角峰值和绝对加速度峰值较无控时分别平均减小54.5%与46.7%。算例结果表明了改进的自适应多种群遗传算法的有效性,实现了对建筑结构-主动控制系统的一体化优化。

基于遗传算法和蚁群算法的LEACH改进协议

针对无线传感器网络低功耗自适应集簇分层(Low Energy Adaptive Clustering Hierarchy,LEACH)路由协议因能耗不均衡导致节点过早死亡的问题,提出了一种基于遗传算法和蚁群算法改进的LEACH路由协议。在分簇阶段,通过遗传算法选举合理的簇头节点并根据节点的分布划分簇群;在数据传输阶段,通过蚁群算法使簇头节点尽可能选择能量充足且距离较短的路径进行数据传输。仿真结果表明,与传统的分簇路由协议LEACH和LEACH-C相比,改进算法可以使网络的能量消耗更加均衡,并延长网络的生命周期。

一种遗传算法与粒子群优化的多子群分层混合算法

针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点,本文从种群个体组织结构上着手,进行优势互补,提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization,HGA–PSO).算法采用分层结构,底层由一系列的遗传算法子群组成,贡献算法的全局搜索能力;上层是由每个子群的最优个体组成的精英群,采用钳制了初始速度的粒子群算法进行精确局部搜索.文中分析论证了HGA–PSO算法具有全局收敛性,并采用7个典型高维Benchmark函数进行测试,实验结果显示该算法的优化性能显著优于其他测试算法.

自适应的多种群并行遗传算法研究

典型的遗传算法本质上是一种并行的随机搜索策略,它不能对进化方向做出正确的感知和预测。文章定义了一个可以感知进化方向和衡量进化速度的指标,指导遗传算子做出自适应的调整。结合并行计算和多种群进化思想,提出了“带环多种群模型”,并构造了一种自适应的多种群并行遗传算法。实验结果表明,该算法可以有效地引导和控制进化方向,克服过早收敛现象,提高搜索效率。

基于云控制的混沌多种群自适应遗传算法

针对传统遗传算法存在的早熟收敛现象,提出一种基于云控制的混沌多种群自适应遗传算法。该算法兼顾全局性和个体差异性两方面平衡,通过云控制器实现交叉率和变异率的自适应调节。在种群正常进化时,对个体实行惩强扶弱措施,在发生早熟收敛或有早熟收敛趋势时,对劣质个体实行灾变,同时采用多种群优化机制实现种群之间的同步进化。实验结果表明,与标准遗传算法和自适应遗传算法相比,该算法能够有效地避免早熟收敛问题,具有较高的收敛效率。

遗传算法与自适应粒子群算法耦合的大坝安全预警评价模型

改变应用最小二乘法求解大坝统计预警模型的传统方式,利用粒子群算法随机搜索的优化能力确定统计模型的回归系数。针对粒子群算法收敛速度较慢等问题,提出一种新的自适应策略,能够依据粒子个体和种群的优化信息,调整学习因子,并将该策略与遗传算法的交叉、变异算子相结合。通过工程算例表明,该方法具备较好的搜索多样解能力,自适应地调整粒子飞行的步长,提高了粒子群算法的收敛速度;基于该方法的大坝预警评价模型与最小二乘法、基本粒子群算法相比,数据挖掘能力强,预警评价结果与大坝的实际运行状态更加吻合,有效地提高了统计模型的预测精度。

基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识

提出一种基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识方法。该算法采用动态自适应调整策略,提高了粒子群算法收敛速度;同时引入新型遗传算法混合交叉变异机制,避免了粒子群陷入局部最优。将自适应粒子群遗传算法与标准粒子群算法、遗传算法、人工蜂群算法进行了比较,仿真实验结果表明该算法在迭代60次左右完成参数辨识,各参数的辨识相对误差均降低到了1%以内。最后利用旋转柔性关节实验平台进行了实验验证,实验结果证明了该算法具有更好的收敛速度和寻优精度。

多子群协同链式智能体遗传算法分析

针对遗传算法(genetic algorithm,GA)易出现搜索效率不高和早收敛现象,提出了一种多子群协同链式智能体遗传算法(multi-population agent genetic algorithm,MPAGA)。该算法采用多子群并行搜索模式、链式智能体结构,引入动态邻域竞争和正交交叉等策略,有效提高了算法性能。采用3个复杂多峰测试函数对算法进行优化性能测试结果表明,MPAGA比普通智能体遗传算法有较快的收敛速度,能有效防止早收敛现象。

基于自适应遗传算法和蚁群算法融合的配电网重构

配电网重构可以降低线损,均衡负荷,提高电压质量和增加配电网可靠性。主要在降低线损、提高电压质量和提高寻优效率方面,采用了自适应遗传算法和蚁群算法融合的方法。对遗传算法的交叉因子和变异因子进行了自适应控制,也不再人为规定迭代的最大代数,而是引入了染色体相似度和种群相似度的概念,使遗传算法的终止条件更加合理。自适应遗传算法和蚁群算法融合算法初期采用遗传算法利用快速全局搜索能力强求得初始解,利用这些解生成蚁群算法的信息素分布,后期利用蚁群算法的正反馈机制求得精确解。进而形成时间效率和精确解效率兼得的一种新的智能算法。最后通过对IEEE69节点系统算例的仿真,取得了较好的效果,证明了算法的有效性、可行性。

并行多种群自适应遗传算法在COW集群上的实现

为改善标准遗传算法的求解效率,提出一种基于6模糊控制器的并行多种群自适应遗传算法。利用MPI(Messagepassinginterface)技术建立了一个COW(Clusterofworkstation)集群,将算法在该硬件平台上进行了实现。3机COW集群的仿真实验结果在演示算法设计可行性的同时,表明该算法的求解效率明显优于用于对照的单种群算法,具有在解决组合优化问题上广泛应用的可能。本文还对影响并行算法的参数进行了探讨。

基于遗传算法和微粒群算法的自适应调制研究

以常用的几种数字调制为例介绍自适应调制技术,分别采用改进型遗传算法(GA)和随机微粒群算法(PSO),在恒定功率以及平均误比特率受限的情况下对系统的吞吐量进行优化,从而精确实时地对信道状态做出判断,并调整调制模式。仿真结果说明了系统能够在不同信道条件及业务需要下,自适应地调整其转换信噪比,使系统的通信可靠性与有效性达到有机地统一。同时比较了两种算法在自适应调制模式切换方面的特点。

改进蚁群算法的送餐机器人路径规划

蚁群算法拥有良好的全局性、自组织性、鲁棒性,但传统蚁群算法存在许多不足之处。为此,针对算法在路径规划问题中的缺陷,在传统蚁群算法的状态转移公式中,引入目标点距离因素和引导素,加快算法收敛性和改善局部最优缺陷。在带时间窗的车辆路径问题(vehicle routing problem with time windows,VRPTW)上,融合蚁群算法和遗传算法,并将顾客时间窗宽度以及机器人等待时间加入蚁群算法状态转移公式中,以及将蚁群算法的解作为遗传算法的初始种群,提高遗传算法的初始解质量,然后进行编码,设置违反时间窗约束和载重量的惩罚函数和适应度函数,在传统遗传算法的交叉、变异操作后加入了破坏-修复基因的操作来优化每一代新解的质量,在Solomon Benchmark算例上进行仿真,对比算法改进前后的最优解,验证算法可行性。最后在餐厅送餐问题中把带有障碍物的仿真环境路径规划问题和VRPTW问题结合,使用改进后的算法解决餐厅环境下送餐机器人对顾客服务配送问题。

遗传算法——自适应蚁群算法与电力系统无功优化

蚁群算法可求解传统形式很难解决的非凸、非线性、非持续问题,它是一种具备很多优秀特性的模拟进化算法,不过蚁群算法其实也并不完美,如收敛速度慢、全局搜索能力差、易出现停滞现象等,而遗传算法可以较好的弥补上述缺点。该文针对其特点,联合遗传算法思维的逆转变异和转盘式选取杂交及自适应方式对蚁群算法实行改善,并应运用于电力系统无功优化中,通过IEEE6节点和一个实际配电网算例,验证算法是有效性的。

解非线性优化问题GM(1,1)模型的多子群遗传算法

针对非线性优化问题约束条件中待定参数的时间序列数据,首先使用GM(1,1)方法进行建模预测得到参数的预测值,进而将参数预测值代入原问题中提出一个确定型的非线性优化问题。对该确定型问题设计了一个多子种群并行进化的遗传算法进行求解,在分析所提算法的收敛性的基础上,给出了初步的数值算例。数值算例实验结果表明:该算法能够较为精确地获得预测型非线性优化问题的(近似)全局最优解。

具有自适应多子群的海洋捕食者算法新策略

基于多子群海洋捕食者算法提出在探索与开发阶段动态地采用新系数,并针对追随者子群更新算法进行优化.通过自适应调整领导者子群、追随者子群和衔尾者子群的种群规模,在全局探索和局部开发需求之间取得平衡.采用多种算法进行对比试验,结果表明该策略在优化问题上取得了改进和成效,适用性更广,为后续的研究和应用提供了重要的参考与借鉴.

基于自适应多种群遗传算法的配电网规划

针对传统遗传算法易于陷入局部最优解和随着配电网规模的扩大搜索效率降低的问题,借鉴多种群和自适应思想,提出了基于自适应多种群遗传算法的配电网规划算法。通过对目标函数进行处理,引入了多个物种,并采用自适应遗传算法和考虑进化稳定的改进多种群遗传算法分别对不同的物种进行操作,通过转移优秀个体,实现了物种之间的协同作用。同时为解决遗传算法应用于配电网规划时产生的大量不可行解的问题,借助图论知识和搜索技术给出了不可行解的修复方案,通过对孤岛,孤链和环进行修复,将非辐射状网络修复为辐射状网络。算例结果验证了该算法的实用性和有效性。

基于粒子群遗传禁忌的武器目标分配优化算法

针对传统的粒子群算法与遗传算法在解决武器目标分配优化时存在收敛精度不高的问题,提出了一种基于粒子群遗传禁忌的武器目标分配优化算法WTAO-PGT。通过引入自适应选择比例调控种群多样性,并改进遗传算法的交叉、变异算子以及禁忌搜索的邻域动作,使算法具有较强跳出局部极值的能力。仿真实验结果表明,所提算法在收敛精度上较粒子群禁忌混合搜索等算法有较大提升。

基于自适应多种群遗传算法的配电网重构

配电网重构是配电管理系统的重要内容,从本质上讲,它是一个非线性组合优化问题,若采用传统的遗传算法处理,由于其易于陷入局部最优解和随着配电网规模的扩大搜索效率低的问题,难以得到理想结果。提出一种改进的遗传算法来处理配电网重构问题,借助多种群进化和种群间个体移植的概念,通过自适应控制参数的调整,有效地避免了早熟,提高了算法的搜索范围和效率,较好地解决了配电网重构问题。理论分析和算例表明,该方法高效可行,适合配电网自动化的实际应用要求。

基于自适应多种群遗传算法的多目标配电网故障恢复

包含分布式电源(distributed generation,DG)的配电系统,在发生大面积断电时,其供电恢复是一个多目标、多约束的复杂优化问题。文章考虑用户优先等级,基于负荷恢复量,手动开关和遥控开关的动作次数以及恢复供电后的网损,建立了包含DG的配电系统的多目标供电恢复模型,并提出一种改进的遗传算法来处理配电网故障恢复问题,借助多种群进化和种群间个体移植的概念,通过自适应控制参数的调整,有效地避免了早熟,提高了算法的搜索范围和效率,较好地解决了配电网故障恢复问题。理论分析和算例表明,该算法收敛性高,实时性快和全局稳定性强。

用于分类问题的粒子群优化遗传算法

提出一种混合粒子群遗传分类算法,根据种群中个体的相互关系,采用"家族"思想对算法进行综合调控,利用家族交叉操作进行微调,并在各家族中引入粒子群思想的交叉算子,兼顾收敛速度和多样性2项指标。根据分类问题的特点,设计相应的编码方式和适应度函数,用播种的方式生成初始种群。对国际通用检验分类效果的数据集进行分类。实验结果证明,该算法的分类效果优于其他算法。