基于多目标遗传算法的外骨骼人-机并联系统性能优化

在提出一种具有仿生交变穿戴接触刚度的膝关节外骨骼人-机物理交互(穿戴)系统研究原型的基础上,开展穿戴系统参数优化分析,用于实现其穿戴舒适性与承载有效性的提高。首先,基于Ansys软件平台,搭建系统虚拟样机模型;其次,基于仿真分析,构造一种计及外骨骼缓冲层结构、材料参数为设计参变量的可穿戴性新型综合评价指标——穿戴舒适度,并获取后续优化初始数据种群;最后,针对穿戴舒适度指标开展多目标遗传优化分析,以寻找外骨骼穿戴系统的设计参数最优值。仿真分析表明,大腿肌群穿戴处最大等效应力(Von-Mises)有效值相对优化前降低44.45%,最大有效变形降低2.86%,有效受力结点数占比提高1.75%。因此,仿真结果可佐证上述人-机并联物理交互系统设计与其性能优化方法的有效性与合理性。

物流配送路径多目标优化的聚类-改进遗传算法

探讨运输车辆路线安排调度问题的解决方法 ,提出一种先用优先级综合聚类分析法将客户分类 ,再用带有控制开关系统的改进遗传算法求解多目标 VRP的优化方法。构造了一种随机开关 ,以此控制遗传算法中的变异运算 ,增加了群体的多样性 ,避免了遗传算法中“局部最优现象”的发生。计算机仿真实验证明了该算法的有效性。

多目标遗传算法的电动汽车电-液复合制动系统控制策略优化

控制策略的优化对于电动汽车性能的改善至关重要,电动汽车电-液复合制动控制策略优化的目的是要在满足制动稳定性的前提下尽可能多地回收制动能量。通过引入多目标遗传算法,以制动稳定性及制动能量回收效率为目标,在多个约束条件下对影响电-液复合制动控制策略的多个关键参数进行协同优化,并通过电动汽车再生制动软件仿真平台对优化结果进行了验证。结果表明,优化目标具有很好的收敛性,且优化后的控制策略能够有效提高再生制动能量的回收效率。

应用遗传算法求解多目标0-1规划问题

遗传算法是求解大型优化问题非常有效的算法。本文提出一种多目标规划问题适应性值的定义方式，利用遗传算法用于０－１规划问题的天然优越性，首次尝试用遗传算法求解多目标０－１规划问题。实验表明，本文的算法有很好的计算效果。这些算法已经集成到一个０－１规划的软件包中。

基于遗传算法的槽型钢-混组合梁优化设计

槽型钢-混组合梁是当前应用较为广泛的一种桥结构形式。该研究以提升槽型钢-混组合梁设计效率为目标,采用创新的人工智能遗传算法,通过Python平台编译。该文针对钢-混组合梁进行全面优化,专注于13个关键截面设计参数,如钢板宽度与厚度、加劲肋个数、梁高等。通过合理选择遗传算法参数,实现快速、规范且经济的设计。研究创新之处在于将人工智能算法应用于桥梁设计,为设计工程师提供高效可靠的工具,显著提升设计效益。通过关键参数的优化,该文为槽型钢-混组合梁设计领域作出有益贡献,同时展示遗传算法在解决多目标、多参数工程优化问题中的显著便利。

采用多目标粒子群-遗传算法的井筒钻孔机械臂臂长设计

为了解决井筒工程人工钻爆法施工突出问题,采用4自由度机械臂替代人工完成井底炮孔钻掘.首先,在无初始臂长参数下,通过算法获得一组结构参数小,在有限封闭作业空间内末端执行器可达位置范围大的臂长参数.然后,借助MDH(modified Denavit-Hartenberg)坐标运动学参数化正向建模,以末端位置包络线为约束逆向筛选,以臂长参数、可达度为目标,采用多目标粒子群-遗传算法(MOPSO-GA)进行参数寻优,得到若干组Pareto最优解集,并根据适应度选择最优参数结果.最后,对最优参数蒙特卡洛法和运动学进行仿真验证.结果表明:末端点云布于井底,包覆井筒钻孔工作区域,各臂运动学参数相对平稳,能够完成目标任务.

基于非支配排序遗传算法-Ⅱ的静态换相开关优化配置方法

为应对低压配电网中光伏系统带来的电压三相不平衡问题,本文提出了一种基于非支配排序遗传算法-II的静态换相开关优化配置方法。通过考虑静态换相开关的最佳部署位置,采用NSGA-II算法优化静态换相开关的数量和位置,从而实现成本效益最大化。并在IEEE 123节点测试馈线上进行了仿真实验,以验证方法的有效性。仿真结果表明,该方法在IEEE 123节点测试馈线中能够显著减少电压不平衡和网络损耗。在不同渗透水平下,沿馈线的最大电压不平衡度分别降低了80%和60%,总能量损失减少了(69.2~75.7)kWh。本文提出的方法在提高配电系统运行效率和稳定性方面展现了良好的应用前景,为智能电网和可再生能源的可持续发展提供了有力支持。

贪心遗传算法解决一般武器-目标分配问题

一般武器-目标分配问题,是使武器发挥最大效能而使目标遭受最大毁伤的最优化问题。遗传算法广泛用于解决最优化问题。提出一种具有贪心优化机制的局部搜索方法,以提高遗传算法的搜索效率,从而迅速找到全局最优解。应用于炮兵武器-目标分配问题的仿真试验结果表明,此算法比现有的其他搜寻算法具有更好的求解效率。

面向对地打击武器-目标分配问题的遗传算法变量取值控制技术

对地打击目标与武器类型复杂多样,其武器-目标分配问题难度较大,研究不足,而合理的武器-目标分配方案,可优化资源配置,用最小的代价获取最大的战场收益。为此,构建相应数学模型,并针对采用遗传算法进行解算时收敛速度慢,甚至无法得出可行解等问题,设计了一种变量取值控制方法。该方法通过约束和控制初始种群个体中变量的取值范围来缩小搜索空间,提高搜索效率;通过改进变异策略扩大变量取值范围,确保解的质量。仿真结果表明,改进的遗传算法能有效地解决大规模对地打击武器-目标分配问题,且性能较优。

基于交叉熵-遗传算法的武器目标分配问题研究

武器目标分配问题是军事领域中重要的研究课题,其主要任务是在一定的条件下将武器与来袭目标合理分配,以达到最大的作战收益.提出了一种将遗传算法融入交叉熵算法的混合算法.首先,通过交叉熵算法将原本的武器目标分配优化问题与估计问题联系起来,构建满足武器目标分配方案解的离散概率分布矩阵,进而根据矩阵生成代表解的多个样本.然后,利用遗传算法中的选择、交叉、变异操作增加样本的多样性.最后,利用推导出最优解的迭代公式来更新矩阵,当满足迭代终止条件时输出的矩阵即为最优解.分别针对二维单目标函数优化问题和武器目标分配问题进行计算对比,计算结果验证了交叉熵-遗传算法的有效性.

改进遗传算法的超视距协同多目标攻击决策

针对空战中超视距协同多目标攻击决策问题,建立了超视距协同多目标攻击决策的目标分配模型,提出了一种新的自适应伪并行遗传算法,并将其应用于超视距协同多目标攻击决策。重点分析了威胁系数的计算,遗传编码方式、操作算子的确定,最后对协同多目标空战决策进行仿真,仿真结果验证了该理论在协同多目标攻击决策方面的有效性。

紧致遗传算法及其在武器目标分配中的应用

介绍了紧致遗传算法的基本原理,并对其进行了改进,通过仿真验证了算法的有效性。针对武器-目标分配(WTA)问题,提出利用紧致遗传算(CGA)法求解该问题,通过验证并与其它方法比较,证明该方法可行。由于紧致遗传算法的编码简单,运行时占用的内存较小,所得到的结果较为稳定并且运行速度较快。

多目标多周期应急物流模型及其遗传算法求解

为解决拆分-配送车辆路由问题,建立多目标多周期应急物流模型,以最小化供需差异、总配送时间及灾点间的不均衡度为目标,通过加权求和,得到综合的目标函数,并设计新的编码规则,将配送方案映射为基因序列,由赌盘轮转法生成可行的初始种群,将灾点聚类后,利用遗传算法进化寻优。数值实验结果验证了该模型及其算法的有效性。

混合多目标遗传算法及其在热挤压模具型腔形状优化设计中的应用

将复合形法引入遗传算法来反映决策者对多目标问题中各目标函数的偏好信息,提出一种新的结合复合形法的混合多目标遗传算法。针对热挤压模具型腔轮廓形状优化问题,结合刚-粘塑性有限元模拟和神经网络技术,利用三次样条函数插值来表达凹模型腔轮廓形状,以表面载荷沿凹模型腔轮廓表面均匀分布和挤压力最小为目标,建立了多目标优化的数学模型,对挤压模具型腔轮廓形状进行多目标优化设计,得到了最优的凹模形状。对几种不同模具凹模型腔采用MARC/AutoForge有限元软件进行数值模拟对比研究,结果表明,结合复合形法的多目标遗传优化算法是一种较好的模具型腔形状多目标优化设计方法,其优化结果是有效的和显著的。研究结果说明,通过优化型腔形状来提高模具寿命的效果十分显著。

改进遗传算法在防空武器目标分配中的应用研究

针对传统方法在防空武器目标分配时仅考虑双方态势优势的问题，建立了基于综合射击优势和目标威胁度的武器目标分配数学模型，并使用改进遗传算法对该模型进行了求解。该算法相比传统遗传算法主要进行了以下改进：采用排队选择和轮盘赌选择结合的选择方法，采用子代个体部分替换或不替换双亲的方法，采用了自适应变异概率等。并在Matlab环境下进行了仿真，且和传统算法进行了对比，仿真结果证明该算法改进合理，对地面防空火力分配决策研究具有一定的参考价值。

基于遗传算法求解复杂时间-空间布局问题

给空间布局问题加入时间约束的多目标、多约束化布局问题(复杂时间-空间布局问题)是NP完全问题.探讨了遗传算法在求解这一复杂问题过程中的应用,提出用分层型遗传算法处理复杂时间-空间布局问题,给出了有效的编码形式和解码运算.根据混合原则和算例,该算法优于普通的遗传算法.

二次型0-1分配问题的遗传算法求解

文章针对数学中一类计算非常困难的二次型０－１分配问题，提出遗传算法的求解思想，并根据问题的具体特点对算法进行改进，将复杂的约束条件包含在适应值函数中，构造非线性变化的动态适应值来求解该类问题。最后成功地运用于一个分散决策问题实例，与常规遗传算法相比该搜索算法具有明显的优越性。

基于多目标遗传算法的箱梁预制工期-费用优化研究

在现实生活中,一个复杂的系统往往具有多样性、多维性、多准则性和不确定性,处理这些问题时,多目标遗传算法就成了一种非常重要的数学工具。本文以预制箱梁为研究对象,根据箱梁预制工期与费用的特点分析箱梁预制工期与费用优化机理,在工程质量得以保障的假设前提下构建箱梁预制工期 - 费用优化模型,依据多项目遗传算法原理对模型进行求解,最后引入疏港大道二期梁场建设案例进行箱梁预制工期-费用优化实证分析。研究结果显示:利用实数编码以及保留精英子代的遗传算法能直观而又准确地解决箱梁预制费用的优化问题,同时达到在一定程度上缩短工期的效果。

求解双层规划的多目标布谷鸟算法

双层规划是一类具有主从递阶结构的优化问题,属于NP-hard范畴。本文利用KKT条件将双层规划问题转化为等价的单层约束规划问题,通过约束处理技术进一步转化为带偏好双目标无约束优化问题,提出多目标布谷鸟算法求解策略。该算法采用Pareto支配和ε-个体比较准则,充分利用种群中优秀不可行解的信息指导搜索过程;设置外部档案集存储迭代过程中的优秀个体并通过高斯扰动改善外部档案集的质量,周期性替换群体中的劣势个体,引导种群不断向可行域或最优解逼近。数值实验及其参数分析验证了算法的有效性。

基于非支配排序遗传算法的核动力堆中子-γ混合射线屏蔽智能优化

以萨瓦纳船用核动力堆为原型,等比构建了中子-γ混合辐射场多目标优化模型,使用非支配排序遗传算法(NSGA-Ⅱ)与神经网络相结合的屏蔽智能优化方法,将屏蔽层总重量和屏蔽后的剂量率作为优化目标,进行多目标寻优,得到了pareto最优解;选取其中1组最优解分别利用蒙特卡罗方法计算和神经网络预测进行可行性对比验证,在神经网络预测误差允许的范围内,得到的剂量率均满足寻优时设置的约束限值。研究结果表明,该屏蔽智能优化方法对反应堆中子-γ混合射线的屏蔽参数优化是可行的,相比于传统的纯蒙特卡罗方法而言,能在计算准确的前提下极大减少计算时间。