NC-OFDM多种群自适应免疫优化子载波分配算法

资源分配是认知无线电网络中的关键问题,为实现认知用户总发射功率最小,针对NCOFDM系统提出了一种多种群自适应免疫优化子载波分配算法。给出了算法的基本思想及实现流程,设计了合适的自适应算子,加快算法收敛速率的同时避免陷入局部最优。仿真结果表明,相同条件下与已有算法收敛速率提升20%,系统总功率降低10%,实现了快速、高效的子载波分配。

汽车门板焊接路径的多种群自适应融合蚁群优化

为了减少汽车车门焊接路径的长度、提高车门的焊接效率,提出了基于多种群信息素自适应融合蚁群算法的焊接路径规划方法。对车门焊接路径规划问题进行了描述,并建立了其优化模型。将基本蚁群、蚁群系统、最大最小蚂蚁系统组成多种群算法,给出了基于信息熵的子群路径多样性度量方法和基于相对熵的子群间差异性度量方法,参考子群路径多样性自适应确定了子群交流时机,依据子群间差异性自适应确定了子群的交流和融合对象,从而提出了多种群信息素自适应融合蚁群算法。将多种群信息素自适应融合蚁群算法应用于车门焊接路径规划,并于文献[11]的自适应蚁群算法进行对比,这里所提的多种群信息素自适应融合蚁群算法规划路径的最优值、平均值和耗时均小于文献[11]的自适应蚁群算法,验证了多种群信息素自适应融合蚁群算法在车门焊接路径规划中的优越性和适用性。

自适应多种群遗传算法的换热管清洗路径优化

为提高清洗效率,对糖业蒸发罐换热管清洗机器人定位移动时间进行研究。在分析影响总定位移动时间因素的基础上,以总合成位移为优化目标,以机器人轴运动分辨率为约束条件,建立了以机器人在各换热处构型和换热管清洗顺序为决策变量的清洗路径优化模型。为克服遗传算法早熟收敛,提出一种自适应多种群遗传算法对清洗路径进行优化。针对84根换热管进行仿真实验,结果表明自适应多种群遗传算法优化后总合成位移比标准遗传算法和固定交叉和变异概率的多种群遗传算法所得总合成位移分别减少39.77%和20%,与固定交叉和变异概率的多种群遗传算法相比,进化代数也从1221减少到1142。由此可见,自适应多种群遗传算法在全局搜索能力和收敛速度两方面都取得较好优化效果,优化所得清洗路径为清洗机器人的运动控制提供依据。

自适应多种群Jaya算法求解绿色并行机调度问题

考虑到同一机器加工不同工件时存在序列相关准备时间的情况,研究了具有设置时间的绿色并行机调度问题。针对问题采用二维实数编码方案来有效映射解空间,并设计一种可以求解多目标的自适应多种群Jaya算法。该算法以Pareto最优解及拥挤度计算的机制进行寻优,在Jaya算法的基础上,设计了位置向量排序机制实现连续型解与绿色并行机调度问题离散型解的有效结合;将随机规则与工作均衡规则相结合提升初始种群质量并设计了自适应变化的多种群提升算法的搜索多样性与收敛速度。通过与其他4种算法的算例测试分析,结果表明自适应多种群Jaya算法在求解具有设置时间的绿色并行机调度问题上具有优越性。

基于自适应多种群遗传算法的可修医疗服务备件库存优化研究

目的:研究医疗器械行业中可修复的医疗服务备件的库存优化问题,为医疗服务备件库存策略提供指导。方法:在METRIC(multi-echelon technique for recoverable item control)可修服务备件的单个中心仓库二级库存模型基础上,采用数学建模方法建立可修医疗服务备件库存模型,采用自适应多种群遗传算法求解该模型。以医院医疗服务备件为背景,考虑多服务备件供应商、多区域维修中心及多维修站,以年预算为约束条件,建立以年缺货期望最小为目标的二级库存优化模型,设计了该模型求解的自适应多种群遗传算法,采用Matlab工具通过数值算例说明优化模型的正确性和算法的有效性。结果:自适应多种群遗传算法结合了自适应遗传算法和多种群遗传算法的双重优点,其结果优于这2种算法,有效解决了医疗服务备件库存成本问题。结论:采用数学建模和自适应多种群遗传算法能很好地解决可修复的医疗服务备件库存优化问题,研究结果对降低医疗可修服务备件库存成本、提高物流效益具有重要指导作用。

自适应免疫遗传算法及其在区域电力系统最优备用容量计算中的应用

充分利用区域互联电力系统在紧急情况下可以互相支援互为备用的特点,建立了区域电力系统的最优备用容量数学模型,该模型采用基于最小发电成本函数和最小网损函数组成的归一化最小综合经济成本作为目标函数。针对问题的具体特点,运用自适应免疫遗传算法求解最优备用容量,利用图论中的最大支撑树概念,采用自动产生可行解的编码策略对染色体进行编码,以及交叉、变异概率的自适应选取,在IEEE30节点测试系统上的仿真结果验证了所提模型的合理性、所提方法的可行性。

自适应多智能体算法优化深度网络的列车智能驾驶

在利用深度学习实现列车智能驾驶时,神经网络架构和参数的选择过于依赖人工经验,现有梯度下降法在参数优化时易陷入局部最优,且学习任务单一。针对上述问题,提出一种自适应多种群链式多智能体算法(AMPCMA)优化LSTM网络的列车智能驾驶新方法,该方法有机地将计算智能与深度学习结合,能充分挖掘优秀驾驶员数据。其具体实现过程为:首先,从自动化深度学习角度出发,采用遗传算法(GA)优化深度网络结构,克服了其结构难以确定的问题,并在此基础上分粗、细学习2个阶段对整个网络的参数进行优化。在粗学习阶段,采用AMPCMA算法对LSTM参数预置初值,有效地学习多个任务的共性。该算法能在进化过程中动态调整小种群链表规模,具有较好的灵活性和自适应性。接着在细学习阶段,基于上述多任务共性学习所得到的LSTM参数,再用Adam算法分别对单个任务上的参数精细优化,以实现任务的个性学习;其次,有效地设计了多任务之间的信息共享机制,且任务共性和个性学习有机结合,使得整个网络泛化能力强,较好地改善了列车档位、档位操纵时间和列车速度的多任务决策效果;最后,通过仿真实验验证了所提出的AMPCMA-LSTM模型较传统机器学习方法更优越,提高了列车操控与预测精度,并能在多种操控序列下表现出较强的鲁棒性。

多源信息融合约束下的工作面电磁波CT探测智能反演方法

为满足煤矿工作面智能精准开采对地质异常分布精准感知的需求,进一步提高工作面电磁波CT反演的精准性,提出了多源先验信息约束下的电磁波CT智能反演模型。在对工作面电磁波CT反演稀疏矩阵方程进行泛函优化转换的基础上,分析了基本遗传算法(Single Genetic Algorithm,SGA)的寻优进化机理,探讨了不同遗传参数对SGA智能算法搜索优化性能的影响,设计了基于多种群自适应遗传算法(Multi-population Adaptive Genetic Algorithm,MAGA)的工作面地质异常电磁波CT反演目标函数求解机制。除此之外,提出了范围约束、就近约束和平均值约束3种约束模型,将生产过程中揭露的巷探、钻探及回采等多源先验地质信息作为约束条件,不断调整地质异常反演目标函数搜索的进化方向,最终形成了基于MAGA智能算法和多源先验信息约束的电磁波CT反演模型,并通过数值模拟和工程实例进行了测试和验证。试验结果表明:MAGA智能算法能够充分结合多种群协同进化和遗传参数自适应调节策略,相比于单一的遗传算法具有更高的全局及局部搜索准确性和稳定性;随着外部约束数据的增加,基于平均值约束的MAGA智能算法能够获得更优的电磁波CT反演目标函数收敛结果。以山西大同矿区8208工作面内电磁波CT地质异常反演和解释为例对所建模型进行检验,预测结果与实际揭露结果基本一致,进一步验证了多源信息约束下的智能反演方法在工程实践应用中的可靠性,为工作面内地质异常的精准反演和预测提供了一种新的思路和方法。

基于Multi-AIGA算法的区域电力系统最优备用模型

在满足系统运行等约束条件下,建立了区域电力系统的最优备用容量数学模型,该模型采用基于最小发电成本函数和最小网损函数组成的综合经济效益最大作为目标函数。针对问题的具体特点,运用多种群自适应免疫遗传(Multi-AIGA)算法求解最优备用容量,并给出利用该算法解决这一问题的主要步骤,利用图论中的最大支撑树的概念,采用自动产生可行解的编码策略对染色体进行编码,以及交叉、变异概率的自适应选取,在IEEE-新英格兰10机39节点测试系统上的仿真结果验证了所提模型的合理性、所提方法的可行性。

四种改进免疫算法及其比较

免疫算法是模拟生物免疫系统功能的一种智能优化算法,具有解决复杂工程问题的潜力。然而,免疫算法存在两个严重的缺陷:容易陷入局部最优平衡态,进化后期搜索停滞不前。通过在免疫机理、优化机制、结构和行为等方面进行深入分析和巧妙改进,提出了多种群免疫算法、双倍体免疫算法、自适应免疫算法和多种群双倍体自适应免疫算法四种新的免疫算法。对20个典型组合优化Job-Shop B enchm ark问题进行了仿真试验,仿真结果表明提出的四种新免疫算法均优于一般免疫算法,不仅有很好的全局收敛性,而且稳定高效。

一种多巷道立体仓库货位分配优化方法

针对多巷道立体仓库货位分配问题,建立了以货物出入库效率、货架整体稳定性、堆垛机负载均衡为优化目标的多目标优化模型。针对该模型提出了一种自适应多种群遗传算法(AMPGA),引入余弦型自适应遗传算子实现种群中个体的交叉率和变异率动态自适应调整,同时对每个种群采用不同的交叉策略,并通过引入具有单方向性的进化逆转算子来克服其存在的局部搜索能力差和早熟收敛等问题,使之跳出局部最优,保持全局搜索能力。不同订单规模下的实验结果表明,MPGA相比于SGA优化提高2%~12%,AMPGA相比于SGA优化提高2%~14%,且AMPGA优化程度比MPGA更显著,耗时更短,对于货位优化结果更合理,是一种解决多巷道立体仓库货位分配优化的有效方法。