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。

基于粒子群遗传算法的纱线生产过程参数反演

针对传统纱线质量的正演、反演模型中存在收敛速度慢、精度低等问题,以及标准粒子群算法存在陷入局部极值的缺陷,提出一种粒子群遗传混合算法。使用该算法优化BP神经网络的权值和阈值并建立纱线条干正演模型。在此基础上,以纱线条干CV值为对象构建了粒子群遗传算法反演模型;使用历史生产数据对生产过程参数进行反演。结果表明:各生产过程参数反演结果的平均相对误差均低于4%。认为:该反演方法具有较高的可行性与准确性。

基于自适应遗传-粒子群优化算法的风电场微观选址优化

为了减小尾流效应对风电场发电量的影响,提高风能利用率,提出了一种自适应权重的遗传-粒子群优化算法(genetic-particle swarm optimization algorithm,GA-PSO)。首先,以风电场单位发电成本为目标函数,风机坐标为优化变量,通过在优化变量的速度更新中加入惯性权重,以改变算法的寻优速度;其次,在WASP软件选址的基础上,对风电机组进行布局优化;进而,将计算结果与遗传算法(genetic algorithm,GA)、萤火虫算法(firefly algorithm,FA)和粒子群(particle swarm algorithm,PSO)优化算法进行对比。结果表明:运用PGOA算法优化后的风电场单位发电成本为2016元/GWh,减少了232元/GWh,年发电量为82.633 GWh,比优化前提高了8.538 GWh,同时尾流损失减小了1.12%。可见研究结论对未来的风电场微观选址具有一定指导意义。

混合遗传蚁群算法优化BP神经网络预测空气质量

为了进一步提高空气质量指数预测精度,提出一种混合遗传蚁群算法优化BP神经网络的方式对空气质量指数进行预测.首先初始化蚁群算法的信息素分布,对不满足适应度条件的进行遗传算法的交叉、变异操作,进而计算蚁群的状态转移概率和信息素浓度,当适应度值满足条件要求时,将寻优结果作为BP神经网络的最优权值和阈值,来改善单一BP神经网络的不足.最后通过运用西安市的空气质量指数日历史数据进行验证,实验表明,本文所提模型的各个评价指标相对其他对比模型误差更小,在预测精度方面具有更高的说服力,因此能够有效地预测空气质量指数.

基于遗传-蚁群算法优化BP神经网络的医用输液泵输液误差补偿

一次性泵用输液器搭配医用输液泵进行输液时,输液精度受时间、温度和流速影响,可能会出现精度下降等不利现象。为了对输液误差进行补偿,提出一种遗传算法(genetic algorithm, GA)和蚁群算法(ant colony optimization, ACO)相结合以优化BP神经网络的方法。首先分析误差影响因素,通过多控制因素下的输液实验获得补偿前的误差数据。其次,运用GA-ACO优化BP神经网络的初始权值和阈值,建立误差补偿模型。最后将该算法和BP算法以及分别用遗传算法、蚁群算法优化BP神经网络的补偿效果进行对比。仿真结果表明,提出的算法能够有效减小输液误差。模型的平均绝对误差为0.575 7 mL、均方误差为0.533 9、均方根误差为0.730 7、平均绝对百分比误差为0.092 2%。公司产品样机实测结果表明,采用该优化算法能够提高输液精度,最大相对误差低于3.5%,验证了使用遗传-蚁群算法优化BP神经网络补偿泵用输液器输液误差的有效性,具有一定的实际应用价值。

基于自适应遗传蚁群算法的SDN路由规划研究

技术的快速发展使网络规模不断扩大,结构日益复杂,传统路由算法已无法满足不同业务服务质量(quality of service,QoS)需求的数据传输。设计了基于软件定义网络(software defined network,SDN)的实时路由规划框架,以有效地管理网络资源。结合遗传算法和蚁群算法的优点,提出基于自适应遗传蚁群(adaptive genetic ant colony,AGAC)的QoS路由算法,通过仿真试验将该算法与遗传算法、蚁群算法在不同网络规模中进行对比,并进行了路由仿真。结果表明:该算法能在大规模网络中通过快速搜索得到多个优选路径,可充分利用正反馈来缩小最大搜索时间,快速找到满足不同业务的最优路径,且面对大规模网络时,效率和稳定性更高。基于自适应遗传蚁群的QoS路由算法在不同业务需求下的寻优能力均得到保障,对比其他两种传统算法寻优效率得到明显提升。

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。

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.

基于自适应遗传粒子群算法的含DG配电网无功优化

为了提高配电网运行的经济性和稳定性,提出了一种基于自适应遗传粒子群算法的含DG配电网无功优化方法。以配电网有功损耗与系统节点电压偏移指数之和最小为目标函数,采用遗传操作和自适应权重策略对PSO算法进行改进,建立基于自适应遗传PSO算法的含DG配电网无功优化模型,采用修改的节点系统进行仿真分析,结果表明,优化后有功损耗和系统电压偏移指数相比优化前分别降低34.69%和73.99%,验证了所提方法的正确性和有效性。

基于改进BP神经网络和多目标粒子群算法的四回路导线布置优化

同塔多回并架线路可有效解决输电走廊日益紧缺的情况下线路改造和建设所面临的难题,但长距离线路的导线空间布置和相序排列为架空输电线路设计和开关检修工作带来极大挑战。为此,利用ATP-EMTP仿真软件搭建500 kV同塔四回输电线路计算模型,考虑不同线路长度、杆塔间距、线路回间垂直间距和水平间距、相序排列方式以及杆塔呼称高度,对线路的感应电压和电流值进行仿真计算,并使用基于遗传算法优化的BP神经网络对未知导线布置和相序排列方式下的感应电压和电流进行预测。最终依据相应的电磁环境控制指标,使用多目标粒子群算法对架空输电线路的空间布置和相序排列进行优化,获得满足电磁环境要求的四回路导线布置方案,为送出站接地开关选型提供参照依据。

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。

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.

基于改进遗传算法的BP神经网络自适应优化设计

BP(Back Propagation)神经网络在网络训练中存在着局部最优问题,其算法收敛过慢、局部收敛不理想,影响其工作性能.针对以上不足以及传统神经网络设计规模庞大等问题,提出了一种由EGA(改进的遗传算法)确定网络拓扑结构和训练网络的方法,该方法通过实数编码、自适应多点变异等操作有效地优化了网络拓扑结构和网络参数,从而有效缩小了网络规模和提高了BP网络训练的速度以及收敛的有效性.最后结合了番茄常见病害诊断的实例说明了此方法的可行性.

利用自适应混沌遗传粒子群算法反演瑞雷面波频散曲线

为了提高瑞雷面波频散曲线的反演精度,减少反演过程中的多解性,获取更准确的地下横波速度结构,本文从反演算法入手,对基本的粒子群算法进行改进,提出了一种能同步提高全局和局部搜索能力的自适应混沌遗传粒子群算法(ACGPSO):即先采用自适应惯性权重,并设置粒子的节速度,再引入遗传算法的交叉和变异操作及单维全分量的混沌局部搜索。利用该算法对理论模型的无噪和含噪基阶频散曲线进行反演,且针对含噪数据加入二阶与三阶频散曲线进行联合反演。所得反演结果与常规粒子群算法反演结果的对比表明:ACGPSO算法具有更好的稳定性和抗噪性,且基于该算法的联合反演能有效降低解的多解性,显著提高解的精度。对实际数据所做的两步法反演的效果进一步验证了该算法的适用性。

基于自适应遗传算法和改进BP算法的遥感影像分类

介绍了采用自适应遗传算法和改进BP算法相结合的混合算法来训练BP网络的方法,即先用自适应遗传算法进行全局训练,再用改进BP算法进行精确训练,以达到加快网络收敛速度和避免陷入局部极小值的目的。结果表明,该算法收敛速度快,分类精度较高。

基于自适应蚁群遗传混合算法的PID参数优化

针对遗传算法易重复迭代、蚁群算法易陷入停滞的缺点,提出基于自适应蚁群遗传混合算法的PID参数优化。先用遗传算法获得PID参数的初值,再用改进后的蚁群算法自适应调整路径选择概率和信息素更新规则,最终搜索出PID参数的最优值。仿真结果表明,对于给定的被控对象,相比于GA和ACS算法,该算法搜索出的Kkp、Kki、Kkd最优,系统响应时间短,动态性和稳定性佳,说明该方法整定出的PID参数值具有最优性。对于其他的控制对象和过程也具有参考价值。

使用BP网络和自适应遗传算法的某型火箭炮变发射间隔研究

在建立某型火箭炮动力学模型的基础上,根据正交试验的原则,通过动力学仿真和数据处理为BP网络建立训练样本,用训练后的网络模拟发射间隔和起始扰动之间的非线性关系,将改进后的自适应遗传算法(IAGA)和BP网络结合对发射间隔进行研究和优化,得出了变发射间隔的满意解。结果表明,将BP和IAGA结合,既克服了BP优化功能的不足,又弥补了遗传算法优化时需要显式目标函数的缺陷,解决了单纯用动力学仿真不能解决的问题。优化的结果可以直接应用到该型火箭炮的发射中去。

ACCQPSO:一种改进的量子粒子群优化算法及其应用

针对量子粒子群优化算法前期易陷入局部极值点、后期寻优精度不高等问题,文章提出一种自适应交叉算子的混沌量子粒子群优化算法,并将其应用于BP神经网络超参数寻优。首先,利用Logistics映射初始种群为混沌序列进行最优解搜索,增强初始种群的随机性与遍历性,提高算法寻优能力;然后,通过纵向交叉操作进行种群中个体的信息交换,并引入自适应交叉概率公式,增加种群多样性,提高算法的寻优精度;最后,在实验中,一方面,选取8个函数在高低两个维度进行验证,同时进行Wilcoxon秩和检验分析以及消融实验,验证该算法相较其他算法的有效性;另一方面,通过算法优化BP神经网络应用到网络安全态势预测任务中,实验结果表明该算法收敛速度相较于对比算法有大幅度提升。

基于粒子群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤,标定的精度直接关系到三维重构结果的逼真程度。为了有效解决传统摄像机标定算法中的多参数、计算费时费力等问题,提高摄像机标定的精度和速度,将粒子群遗传算法(particle swarm optimization genetic algorithm,PSO-GA)应用于摄像机标定中。对参数进行粒子群算法优化后,再使用遗传算法中的选择、交叉和变异等操作进行参数优化,以实现粒子群算法与遗传算法的融合。结合后的算法全局搜索能力较强,收敛速度更快,优化能力与鲁棒性得以提高。同时,基于神经网络的摄像机标定方法所能覆盖的标定空间十分有限,提出了一种采用粒子群遗传算法优化BP神经网络的摄像机标定方法,以解决传统摄像机标定方法难以解决的问题。实验数据表明,基于粒子群遗传算法的BP神经网络标定是一种可行的方法,标定精度高,收敛速度快,泛化能力强。