基于改进自适应免疫遗传算法的智能电网虚假数据攻击检测方法

作为典型的信息物理攻击,虚假数据可以实现测量输出无变化,从而欺骗基于卡方检测器的检测。为此,提出一种基于改进自适应免疫遗传算法的智能电网虚假数据攻击检测方法。首先,建立三相电压测量电网模型,分析虚假数据攻击的隐蔽特性。然后,利用抗体之间的相似度指数建立异常数据检测器,对入侵的虚假数据进行检测。此外,通过引入选择、交叉、变异算子的自适应设计,提高免疫遗传算法的收敛速度和全局寻优能力,从而改善攻击检测的性能指标。最后,通过仿真实验分析所提检测方法对虚假数据攻击的检测率和误检率,结果验证了该方法的有效性。

改进自适应遗传算法求解函数优化问题

针对遗传算法在复杂函数优化过程中存在收敛速度慢、搜索效率低和易陷入局部最优等问题,提出一种多方面改进的自适应遗传算法。算法从全局出发,对编码长度、种群初始化方式、选择方式、交叉和变异算子自适应机制以及适应度函数构造方式等方面进行了优化。仿真实验表明,算法在收敛速度、求解精度、稳定性、全局寻优能力等方面有了明显的改善,在复杂函数优化问题中显示了较好的性能。

基于多策略免疫遗传算法的无人艇航向自适应控制

针对无人艇在真实水面环境下的航向跟踪控制问题,提出一种基于多策略融合改进免疫遗传算法(MSFI⁃GA)的无人艇航向自适应控制方法。首先,建立无人艇的二阶非线性运动模型和环境风浪流干扰模型。其次,提出一种基于多策略融合改进的免疫遗传算法,通过引入混沌初始化、向量角相似度及自适应差分接种等策略,改善基本算法收敛缓慢、易陷入局部最优的缺点;在此基础上,设计基于MSFIGA的无人艇航向自适应控制器及性能评价函数,以实现对无人艇控制参数的自适应优化。最后,通过对比仿真试验和在线仿真试验验证该方法的优越性和实用性。

一种基于种群多样性的新型自适应遗传算法

为克服传统自适应遗传算法易出现未成熟收敛的问题,提出一种新型基于种群多样性的自适应遗传算法。解决未成熟收敛问题的关键是避免算法在寻找到最优解前种群多样性的丧失。为适应进化过程中种群多样性的变化,提出了包含方差因子和种群熵因子的交叉概率和变异概率公式。根据种群收敛情况相应地调整交叉概率及变异概率,在不破坏种群优良基因模式的同时保持种群的多样性。通过标准函数测试与已有算法进行对比,结果表明,所提算法相较于已有算法,在保证收敛精确度的同时提高了收敛速度,有效克服了“早熟”等问题。

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。

基于改进遗传算法的酒店配送机器人路径规划仿真研究

针对传统遗传算法初始种群质量不高、种群多样性不足和路径长度不理想的问题,提出了改进遗传算法。通过基于引力场模型生成初始路径,提高初始种群质量;在适应度函数中增加了惩罚因子和激励因子,提升种群质量筛选;引入差分进化算法对种群个体之间的差异进行向量化操作,以突变概率控制种群突变数量,优化种群多样性,从而更好更快地得到全局最优解。采用改进遗传算法、传统遗传算法和蚁群算法对不同栅格地图路径规划进行仿真实验,结果表明:改进遗传算法在处理此类路径规划问题时可以快速找到最优路径,在复杂度较高的M3地图环境下相较于传统遗传算法和蚁群算法最优路径分别缩短了17.39%和7.9%。

基于种群过早收敛程度定量分析的改进自适应遗传算法

分析了现有的一些改进算法所提出的评价种群过早收敛程度的指标,讨论了它们的不足;提出了一个概念清楚、运算量小的新指标,并利用该指标给出一种新的交叉概率、变异概率自适应调整策略.仿真实例表明,该方法能及时反映种群在进化过程中的过早收敛程度,不仅能加快计算速度。

变异率和种群数目自适应的遗传算法

提出了针对个体变异率和种群数目的 2种自适应方法 .算法中个体变异率根据其适度值在种群中的排序自适应调整 ,使优良个体具有较小的变异率继续进化 ,而使种群中较差个体具有较大变异率 ,增强了种群搜索能力 .同时根据种群个体适度值方差动态调整变异率曲线 ,种群数目调整则根据最优个体更新率动态增大 ,以动态适应解空间的规模避免采样误差造成的进化停滞 .通过在不同尺度的NKLandscape上与传统的简单遗传算法 (SGA)比较可得 。

SIGA：一种新的自适应免疫遗传算法

为了克服传统遗传算法收敛速度慢和容易陷入局部最优的不足，提出了一种新的自适应免疫遗传算法SIGA（Self-adaptive Immune Genetic Algorithm）。新算法对遗传算子进行改进，提出了自适应交叉和变异算子，保证了种群多样性和防止早熟现象发生；为了使免疫算子兼顾个体多样性和提高种群个体适应度的水平，提出了基于相似性矢量距离的免疫选择算法。实验表明，与传统的遗传算法和免疫算法相比，该算法收敛速度提高了3～90倍，求解精度达到10^-3，并有效地抑制了早熟现象。

用于配电网规划的多种群免疫遗传算法

引入免疫算子和多种群概念,提出了一种用于配电网规划的多种群免疫遗传方法。采用多个种群针对目标函数的不同方面进行优化搜索,并借鉴生物免疫机制对每个种群的染色体进行免疫算子操作。种群之间通过优秀个体转移进行交互,可有效地防止种群退化,提高种群的多样性。以年费用最小为目标建立配电网规划的数学模型,提取“单个子路造价最小”和“电阻值最小”两种疫苗,并用其指导多种群搜索,有效地克服了遗传算法早熟收敛现象。同时给出初始可行方案的生成步骤和基于支路交换思想的不可行解处理方法。求解一个10 kV配电网规划问题,计算结果表明该算法能快速获得规划问题的最优解。同简单遗传算法相比,整个算法具有更强的收敛速度和全局搜索能力,用于配电网规划是可行有效的。

自适应免疫遗传算法在轮胎花纹节距参数优化中的研究

节距参数优化是低噪声轮胎花纹优化设计的关键环节,针对轮胎花纹节距参数优化寻优时易引发数据爆炸的特点,利用自适应免疫遗传算法(AIGA)的自适应策略和快速搜索能力对节距序列参数和节距比例参数进行优化分析,结果表明该算法的收敛性和效率较遗传算法和免疫遗传算法都有明显的提高,优化结果可降低轮胎花纹噪声水平,具有工程应用价值。

基于自适应多种群遗传算法的圆度误差评定

针对传统遗传算法在圆度误差评定方法存在搜索稳定性差、易陷入局部收敛和全局搜索能力不足的问题,改进传统遗传算法(TGA),提出了采用自适应多种群遗传算法(AMPGA)的评定方法。根据圆度误差评定的特点,建立了多种群协同进化的遗传方式,并引入了交叉概率Pc和变异概率Pm随个体适应度值变化而不断调整的遗传机制,通过编写自适应多种群遗传算法(AMPGA)程序对圆度误差进行评定,得到相应结果与三坐标测量机的实测值对比。对比分析结果表明该方法能有效的克服传统遗传算法(TGA)在圆度误差评定上存在的搜索稳定性差、易陷入局部收敛和全局搜索能力不足的问题,是一种更有效的圆度误差评定方法。

基于最小二乘与自适应免疫遗传算法的小型无人直升机系统辨识

针对小型无人直升机小稳定、强耦合、非线性的特点,建立了小型无人直升机悬停状态下行动力学模型.设计了一种基于最小乘与自适应免疫遗传算法(LS-AIGA)的辨识算法,根据辨识实验的需要研制了机载微小型导航、制导与控制系统(MGNC).利用飞行实验数据,根据本文的辨识算法,对所建立模型中未知参数进行了辨识.最后对得到的模型进行了验证与分析,结果表明模型辨识数据与真实飞行实验数据匹配较好,所建立模型能够反映小型无人直升机动力学特性.

一种基于种群划分及杂交的免疫遗传算法

在免疫遗传算法中引入免疫算子可以提高算法的收敛速率,但也会降低种群个体多样性,不利于搜索。该文提出一种基于种群划分和杂交的免疫遗传算法,通过划分种群并对种群间的最优个体进行杂交来提高算法的速率和稳定性。实验表明,该算法在性能上可提高10%左右,收敛速度快、稳定性好、精确度高。

自适应对偶种群遗传算法及其在电磁场优化设计中的应用

针对标准遗传算法局部寻优能力不足以及算法早熟等问题,提出一种改进的遗传算法,即自适应对偶种群遗传算法。基于标准遗传算法,该算法引入了对偶种群以及基于迭代次数的自适应终止规则。在进化中,首先找出进化过程中的最优个体,此后每代个体相对于最优个体进行对称变换以生成对偶种群;其后通过环境选择操作保留两个种群中的精英个体用于下一代的进化。通过对标准测试函数的求解,自适应对偶种群遗传算法较之标准遗传算法能更快更稳定地收敛到最优解。最终,将该算法应用到超导磁储能系统优化设计问题,取得了满意的结果,证实算法对电磁设备优化设计的价值。

基于半监督学习的变种群规模区间适应值交互式遗传算法

为了减轻用户疲劳并增强算法的搜索性能,本文在变种群规模交互式遗传算法的基础上引入协同训练半监督学习方法,提出基于半监督学习的变种群规模区间适应值交互式遗传算法.根据对大规模种群的聚类结果,给出标记样本和未标记样本的获取方法;结合半监督协同学习器逼近误差的改变,提出高可信度未标记样本的选择策略;采用半监督协同学习机制训练两个径向基函数(RBF)神经网络,构造精度高泛化能力强的代理模型;在进化过程中,利用代理模型估计大种群规模进化个体适应值,并根据估计偏差更新代理模型.算法的理论分析及其在服装进化设计系统中的应用结果说明了算法的有效性.

基于免疫遗传算法的区域交通自适应协调控制

提出一种基于改进免疫遗传算法的城市区域交通自适应协调控制方法．采用两层的递阶分布式结构；分阶段和分级优化控制参数（周期、相位差和绿信比），每个阶段长5-30分钟，周期、相位差由区域控制级每个阶段优化一次，绿信比由路口控制级每个周期优化一次；采用最小化平均延误时间或平均停车次数等为性能指标．周期、相位差和绿信比均采用改进的免疫遗传算法进行优化．仿真结果表明本文提出的方法是可行而有效的．

解空间种群均匀化自适应遗传算法的应用

提出了一种新型解空间种群均匀化的自适应遗传算法,并采用随机方法对初始种群加以改进,使初始种群均匀分布于解空间之中.在优化进程中,引入自适应算法,使交叉和变异算子具有自适应性;将自适应调节机制引入适应值函数中,使适应值函数同样具有自适应性.为证实所提出的改进遗传算法的可行性和有效性,对几种典型的多峰值函数进行了寻优测试.优化测试结果与解析解及标准遗传算法优化结果相对比,证明改进遗传算法的全局搜索能力和收敛性都远优于标准遗传算法.

基于种群多样性的自适应遗传算法优化仿真

为解决传统遗传算法"早熟"的问题,实现遗传算法的交叉和变异概率随种群进化状态自适应的调整,提出了一种种群多样性的自适应遗传算法。"早熟"产生的主要原因是种群多样性的过早丧失,而保持种群的多样性对于进化起着至关重要的作用。改进的自适应遗传算法引入了能够反映种群进化状态的种群多样性评价指标,利用基因空间种群的方差和熵来评价种群的多样性,将种群的进化状态分为四种情况讨论,根据种群多样性评价指标在不同的状态下对个体操作概率进行动态调整。仿真结果验证了改进算法的有效性,改进方法不仅加快了算法的收敛速度,而且能够有效的保持种群的多样性,一定程度上避免了过早收敛。

一种新的种群数自适应遗传算法

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点,提出了一种新的种群数自适应遗传算法。该算法在对进化种群数进行宏观调控的同时,再用个体寿命限制个体的生存期,实现对种群数的微观调控。实验数据表明,该算法具有比简单遗传算法好的收敛性能。