基于改进自适应遗传算法的小径短绳自动打捆机步进电机PID控制

为提高小径短绳自动打捆机步进电机的控制精度,在分析经典遗传算法和经典自适应遗传算法的基础上,引入进化代数和个体适应值排名来指导自适应交叉率和自适应变异率,设计了一个基于改进自适应遗传算法的PID控制器,以削弱进化过程中优良参数的退化现象。MATLAB仿真结果表明,改进的自适应遗传PID提高了收敛精度,并具有更快的收敛速度。针对步进电机的实际测试结果表明,与经典遗传算法相比,改进的自适应遗传PID调整时间更短、超调量更低。

改进自适应遗传算法下余热锅炉过热蒸汽温度控制方法

余热锅炉过热蒸汽温度常受到多种干扰和不确定因素的影响,导致温度波动较大,难以实现稳定控制。为此,提出改进自适应遗传算法下余热锅炉过热蒸汽温度控制方法。利用过热蒸汽温度、锅炉负荷参数定义余热锅炉过热蒸汽温度控制方程,引入改进自适应遗传算法,通过自适应调整交叉和变异概率提升遗传算法的收敛速度,获取最优适应度函数,代入余热锅炉过热蒸汽温度控制方程中,实现蒸汽温度最优控制。通过对比实验验证得出,该方法的收敛性能好,对余热锅炉过热蒸汽温度控制的超调量为2.6℃,响应速度为1.8 s,证明该方法对余热锅炉过热蒸汽温度控制的稳定性及精度较好。

物联网背景下基于改进多目标自适应遗传算法的智能汽车路径规划研究

在物联网迅速发展的时代背景下,智能汽车作为物联网的重要应用之一,其路径规划算法的优化显得尤为重要。然而,现有路径规划算法在应对复杂多变的实际道路情况时存在局限性,需要更灵活、高效的解决方案。本文首先列出了物联网背景下基于改进多目标自适应遗传算法的智能汽车路径规划的研究原因,随后重点论述了相关算法和研究方法,最后对研究结果进行了分析。

基于改进遗传算法对机械臂最优时间轨迹规划

针对传统工业机器人在轨迹规划过程中,运动耗时长、易陷入局部最优解的问题,提出一种基于改进自适应遗传算法对于6R机械臂轨迹优化算法。通过加入改进的自适应调节机制,自适应的去改变交叉概率和变异概率。首先,建立六自由度机械臂模型,采用改进型D-H参数法获得机器人连杆参数数据;其次,通过4-1-4多项式插值的方法进行轨迹规划,以运行时间为优化目标,利用改进自适应遗传算法结合蚁群算法对运动轨迹进行优化;最后,通过目标函数解决运动学约束问题。通过MATLAB仿真实验验证相比于传统的遗传算法,该轨迹的运行时间从12.23 s减少到了9.05 s,整体运行轨迹时间缩短3.18 s,优化后的效率提高近26%。适应度提高1.73,证明该算法能够有效地加快轨迹的运行时间,提高了机械臂的工作效率。

基于改进遗传算法的垃圾分类回收选址-路径优化研究

本文主要针对垃圾回收选址-路径问题进行研究,加入了垃圾分类。建立了考虑垃圾分类的垃圾回收中转站选址-路径模型,最小化物流总成本。根据问题模型特点,设计了改进遗传算法来对问题进行求解。采用自适应交叉、变异算子、变邻域算法以及精英保存策略来对算法进行改进。

融合改进遗传算法的电商物流末端多中心共同配送车辆路径优化研究

随着电商物流的快速发展,多中心的末端配送问题受到广泛关注。但目前的车辆配送问题一般是针对单个物流中心进行路径优化,并未考虑到资源调度更为复杂的多中心配送情况。研究对路径问题进行数学建模,并利用双层染色体编码模式的遗传算法对电商物流末端多中心配送车辆路径进行优化。研究过程中发现,传统遗传算法易陷于局部最优解,出现早熟现象。为解决此问题,对交叉概率与变异概率进行自适应调整,实现算法的改进。由此构建了融合遗传算法的配送车辆路径优化模型。通过实验分析可知,模型较其他模型优化结果减少路径长度11%以上,能够实现高质的路径优化,为物流配送节省成本与时间。

基于改进自适应遗传算法的微电网负荷优化分配

主要研究了微电网负荷优化分配的问题,即在满足微电网安全运行约束和负荷需求的条件下,优化微电源的出力,使微电网的发电总成本最小。分析建立了微电网负荷优化分配的数学模型,考虑了微电网运行约束条件、负荷需求,微电源的燃料消耗、维护成本与起动成本,以及动态的网络损耗量和购电、售电价格等。研究了微电网分别处于孤网运行与联网运行时的经济性。并运用基于实数编码的改进自适应遗传算法对其进行数值求解。最后,通过算例验证了所提出的方法的有效性。

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.

基于改进型自适应遗传算法求解设备多行布局问题

对面积不等、形状固定的设备多行布局问题,提出了自由换行布局策略和净行间距概念.构建了带逆向物流、净行间距的多目标组合优化数学模型.引入免疫系统群体多样性作为种群进化的标志的基础上,建立了改进的自适应遗传算法(Improved Adaptive Genetic Algorithm,IAGA),实现了交叉概率和变异概率的非线性自适应调整.最后,对算法进行了实验对比分析.结果表明,所提出的算法能快速有效地获得问题的近似最优解,稳定性好,对解决设备多行布局组合优化问题具有实用价值.

一种遗传算法适应度函数的改进方法

针对简单遗传算法中线性适应度函数随进化过程恒定不变的缺点,提出一种可随进化代数动态调整的非线性适应度函数。以典型的遗传算法测试函数为算例,分别以Goldberg提出的线性拉伸方法[1]与文中提出的改进遗传算法进行计算。计算结果表明文中提出的动态适应度函数对简单遗传算法的改进有较明显的效果。

基于改进自适应遗传算法的MIMO雷达阵列优化

针对传统遗传算法在全局搜索和收敛方面的不足,提出一种改进自适应遗传算法。算法改进了自适应规则,采用随迭代次数和种群适应度自适应变化的交叉、变异操作,同时采用新的选择算子和改进后的最优精英保留策略,摒弃了传统轮盘赌博选择法,增加了收敛于全局最优解的概率,加快了收敛速度。通过测试函数优化求解试验证明,改进算法能够有效提高搜索过程种群的多样性,具有更快的收敛性和更好的全局最优性。在此基础上,将改进的自适应遗传算法应用到MIMO雷达阵列优化设计,通过稀疏栅格编码,采用同时考虑副瓣电平与波束宽度的双适应函数,使优化得到的MIMO雷达方向图具有更好的综合性能,更利于实际工程应用。最后仿真实验结果进一步验证了本文改进算法的有效性。

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。

基于改进自适应遗传算法的固定结合面动态特性参数优化识别

针对固定结合面传统建模方法精度较低和结合面的动态特性参数难以确定的问题,改进了基于弹簧阻尼单元的建模方法,提出了基于实验模态分析和改进自适应遗传算法的固定结合面动态特性参数的优化识别方法。该方法以有限元计算的理论固有频率和阻尼比与其对应实验模态分析结果的相对误差最小为目标函数,使用改进的自适应遗传算法优化识别固定结合面的刚度和阻尼参数。以自行设计制作的固定结合面模型为研究对象进行了建模、实验、参数识别等分析,分析结果表明:所提出的方法是正确的、有效的,参数识别误差在5%以内,达到了较高的识别精度。

求解车间调度问题的改进型自适应遗传算法

针对作业车间调度问题,以最小化完工时间为目标,借鉴内分泌激素调节机制,提出了一种新颖的改进型自适应遗传算法。通过引入自适应交叉概率和变异概率因子,克服了传统的遗传算法在解决生产调度问题时存在的搜索精度低和收敛性难以控制等问题,并在Microsoft Visual C++6.0中实现了该算法。通过一个10工件、10机器作业车间调度问题的测试实例验证了该算法的收敛速度和搜索精度均明显优于传统的遗传算法。

基于改进的自适应遗传算法的智能配电网重构研究

配电网故障恢复重构是智能配电网实现自愈功能的控制手段。采用改进的自适应遗传算法进行配电网故障后的恢复重构:根据接入分布式电源的配电网的特点提出基于环路的编码策略,可以减少表示孤岛的不可行解;自适应的交叉率、变异率使算法可以根据种群进化情况改变,保护优秀个体;自适应的种群规模是基于个体寿命和规模控制,可以提高遗传算法的收敛性能。通过IEEE33节点配电网络中对算法进行仿真验证,表明分布式电源的接入可以有效地降低网络损耗;对比其他算法,具有更快的收敛速度和更好的稳定性。

改进的自适应遗传算法在结构优化设计中的应用

普通遗传算法经常出现易早熟、随机性较大、收敛速度较慢等问题,基于Sigmoid函数,提出了一种新的改进的自适应遗传算法.该算法可以有效提高收敛速度并防止算法陷入局部最优解,通过算例分析,证明了该方法的可行性和有效性.结果表明,提出的新型遗传算法可以为其在大型土木建筑结构的优化设计中的推广应用提供理论支持.

基于自适应A^＊算法和改进遗传算法的反舰导弹航路规划

以计算时间和航程距离为优化指标,以反舰导弹机动性、最大动力航程、各种通行障碍为约束条件,提出了反舰导弹射前航路优化的改进A*算法和改进遗传算法。改进A*算法通过构建一个网络来搜索次优路径,在搜索过程中,网络节点间距和节点密度随战场环境自适应改变。该算法以更小的计算量获得更优的航路,而且能够应对复杂程度很高的战场环境。改进遗传算法通过实数编码技术和初始种群智能化创建方法,生成具有可变长的染色体和全部由可行解组成的初始种群,避免了初始种群中由于存在大量非可行解而导致搜索效率降低的问题。最后,对两种改进算法在不同复杂程度的作战环境中进行了仿真实验,结果表明,改进A*算法适合用于复杂战场环境下的实时航路规划,改进遗传算法则适合用于导弹发射前并且精度要求高的航路规划。

自适应搜索的改进遗传算法及其应用

提出了一种具有自适应搜索能力的快速收敛遗传算法 .在计算过程中 ,设计变量的搜索范围依据每代自变量的数学期望和方差自动进行调整 ,并且通过引入进化策略中的自适应高斯变异算子 ,对变异算子进行改进 ,加速了算法的收敛性 .为了验证算法的可行性和鲁棒性 ,对一个高维多峰函数的极小值搜索问题进行了求解 ,并将算法进一步应用于离心叶轮的形状优化问题 .计算结果表明 ,该算法克服了传统遗传算法中设计区间的给定具有一定盲目性的缺陷 ,在收敛性和鲁棒性方面均优于传统的实数编码遗传算法 .

基于改进自适应遗传算法的阵列优化

提出了一种改进的自适应遗传算法,对约束了阵列孔径、阵元数目和最小阵元间距的非均匀稀布阵列进行优化布阵。该算法采用实值编码,改进了适应度函数,避免了不可行解的产生。同时选取新的选择算子和改进的双重最佳保留策略,对传统自适应遗传算法的交叉、变异概率进行了动态改进。仿真结果表明,该方法能较好地抑制"早熟",增加了获取全局最优解的概率,获得了更低的峰值旁瓣电平。

自适应遗传算法的改进及在曲线化简中的应用

针对固定遗传概率容易引起早熟及收敛慢的问题,对现有自适应遗传算法进行了改进。通过常见测试函数优化求解试验,验证了改进算法具有更好的全局收敛性和更快的收敛速度。在此基础上,将改进算法应用于曲线化简。仿真试验表明,其不仅能够较好地保持曲线的整体形态,还能够得到形变误差更小的化简结果。