求解全局优化问题的智能遗传算法

提出了一种智能遗传算法,该算法融合了5种交叉算子、8种变异算子和5种灾变算子,能根据当前优化结果智能地选择交叉算子、变异算子和灾变算子,在不影响搜索过程随机性的前提下收敛于全局最优解。不同于传统遗传算法,本算法增加了对各种算子优化性能的统计,在优化过程中尽可能使用那些优化性能高的算子,从而提高了智能遗传算法的优化性能。为了验证本算法的性能,采用12种传统遗传算法和本算法同时对20个测试函数进行了求解。最终的数据实例表明,方法是可行的、正确的和有效的。

基于智能遗传算法与复合最小二乘支持向量机的长江水质预测与评价

由于水质的非线性、不确定性等特性,水质预测与评价是很复杂的一个问题;最小二乘支持向量机已经成功地应用于解决非线性问题和时间级数问题。提出一种新的IGALSSM模型,即基于一种新型遗传算法——智能遗传算法参数优选的最小二乘支持向量机模型,并且将提出的模型应用于长江水质的分类识别和预测。实验结果表明,所提出的模型比神经网络有更准确的识别率和更高的预测精度,具有较强的实用价值。

基于智能遗传算法与支持向量回归的人口预测

要建立一个有效的支持向量回归(SVR)模型,支持向量回归的3个参数C,!,"必须预先设定。提出一种新型的遗传算法——智能遗传算法(IGA)对支持向量回归进行参数调节,以达到寻找最优参数的目的,然后和支持向量回归结合得到一种新的IGASVR模型,并应用于城市人口预测。最后,将提出的方法与标准SVR模型和BP神经网络模型进行比较,所得结果表明,该模型训练速度快,并且有较高预测精度,是一种有效的人口预测方法。

基于智能遗传算法的永磁同步电动机电流控制器设计

根据永磁同步电动机参数随输入电流变化而发生微小变化的特点,研究了基于模糊理论的比例-积分控制应用于永磁同步电动机电流控制的可行性,并应用智能遗传算法对模糊控制规则以及比例-积分控制器中的比例系数和积分时间常数等参数进行了优化,设计了一种基于智能性遗传算法(IGA)优化的模糊电流比例-积分控制器。仿真试验结果表明:基于智能遗传算法优化的模糊PI控制器能够快速跟踪电流的变化。

基于智能遗传算法和Otsu法的多目标图像分割方法

介绍了一种基于智能遗传算法和Otsu法的多目标图像分割方法,实现了对多目标影像相对传统算法更快速、稳定的分割。

考虑服务水平的IT运维人员调度的智能遗传算法

在人力资源受限的情况下,针对如何在IT运维服务中使用有限的人力资源,迅速、有效地对发生的故障进行处理,建立了考虑服务水平的IT运维人员调度模型。提出了一种知识模型,设计了多种符合本问题特性的变异、交叉算子,从而形成了改进的遗传算法、基于知识模型的智能遗传算法和基于知识模型的自适应智能遗传算法。结果表明,自适应变异、交叉概率能加快解的收敛速度,知识模型能加快解的收敛速度并且提高解的优化效果。

拉延模加强筋尺寸优化的智能遗传算法

以汽车钣金拉延模为研究对象,利用智能遗传算法和ANSYS软件,在5×105N成形压力、1×107N/m2应力和0.1mm变形量的限制下对模具加强筋尺寸进行优化,得出凸模、压料圈与凹模的加强筋厚度最优值为19mm、17mm与22mm,使模具整体的重量减低了8%。

基于多智能体遗传算法并考虑分布式电源的配电网大面积断电供电恢复算法

当配电网发生大面积断电事故后,针对含分布式电源的配电系统,提出采用多智能体遗传算法解决分布式发电条件下配电网大面积断电供电恢复问题。考虑孤岛运行的情况,研究了分布式电源在配电网大面积断电情况下的分层孤岛运行方式,能够充分利用分布式电源的发电能力,减少停电区域。提出的多智能体遗传算法构造了一个环形网格环境,所有智能体都固定在网格上。每个智能体相当于遗传算法中的一条染色体,它们通过与其邻域展开竞争操作和自学习行为来增加目标函数值。对于智能体竞争及自学习行为过程中产生的不可行解,采用改进的基于环路分解的方法消除闭环和孤岛,使其变为可行解。通过一个实际配电系统的仿真计算,仿真结果证明了文中所提方法具有较强的全局搜索能力和快速的收敛速度。

多智能体遗传算法用于超高维函数优化

基于智能体对环境的感知与反作用的能力提出了一种新的函数优化方法——多智能体遗传算法.该方法将智能体固定在网格上,而每个智能体为了增加自身能量将与其邻域展开竞争或合作,同样,智能体也可利用自身的知识进行自学习来增加能量.理论分析证明算法具有全局收敛性.实验结果表明,多智能体遗传算法对维数高达甚至10000的函数,都能以较少的计算量获得高质量的解,充分说明算法具有很快的收敛速度.

基于电力系统日发电计划的混合智能messy遗传算法

机组组合是电力系统日发电计划中主要的优化任务,在满足各种约束条件下求得全局最优解是一个比较困难的问题。传统遗传算法的二进制编码和随机遗传操作不适合于求解大规模机组组合问题。针对电力系统日发电计划的特点,提出了一种混合智能messy遗传算法(HIMGA),该算法实现简单,大大减小了求解问题的规模,保证了群体的多样性,提高了算法的搜索效率,改善了算法的收敛性。仿真计算结果表明了该算法的有效性和实用性。

基于多智能体遗传算法优化的航空电子设备状态组合预测

针对传统单一预测方法预测航空电子设备状态的不足,提出了将隐马尔可夫模型(HMM)和最小二乘支持向量机(LS-SVM)相结合的组合预测方法。采用多智能体遗传算法(MAGA)对HMM参数进行训练优化,克服了Baum-Welch算法易陷入局部最优解的缺陷,并在HMM建模过程中引入状态条件概率,以降低不确定性因素造成的影响。采用MAGA估计LS-SVM模型参数,并在参数估计的过程中采用剪枝法实现LS-SVM的稀疏性,从而达到提高LS-SVM泛化性能的目的。在此基础上构建了航空电子设备状态组合预测模型。实例分析结果验证了组合预测模型在预测精度、计算速度和稳定性方面的优势。

基于多智能体遗传算法的多机器人混合式编队控制

提出了一种基于多智能体遗传算法的多机器人混合式编队控制方法,将多智能体系统与传统遗传算法相结合,形成了一种新的在线优化算法(多智能体遗传算法),应用到多机器人编队控制中。同时将领航跟随法与人工势场法相结合,能更有效地保持队形的稳定性、增强抗干扰能力。采用该方法进行仿真实验,并与传统机器人编队控制方法相比较,实验结果验证了所提方法的可行性和有效性。

智能化遗传算法

针对遗传算法的收敛速度慢、收敛早熟和概率稳定性差等问题提出一种智能化遗传算法(IGA)。首先,建立描述种群进化的统计特征量,为IGA的算法策略提供决策依据。其次,建立种群的自学习算法、种群的自组织算法与遗传算子操作概率的自适应算法,并将这些算法嵌入最优保存简单遗传算法(OMSGA),从而构成IGA。最后,从理论上对算法收敛性及效率进行了分析。通过遗传算法标准测试函数的仿真结果证明了算法的实用性和有效性。

用改进的多智能体遗传算法求解旅行商问题

多智能体遗传算法是基于智能体对环境感知与反作用的能力提出的一种新的函数优化方法,具有很快的收敛速度,尤其是在优化超高维函数时更显示出了它的优越性。针对这一特点对该算法进行了适当的改进,在邻域正交交叉算子中采用精英保留策略,在自学习算子中引入邻域正交交叉算子并采用小变异概率以加快收敛速度。求解TSP的实验结果显示,改进后算法的性能有了较大的提高。

基于链式智能体遗传算法的动态能耗优化算法

能耗优化是一个动态优化问题,在能耗规模较大的情况下,能耗设备间与总能耗间存在一定的非线性关系,即并非每个能耗最优化能使得总的能耗最优化,因此能耗优化是一个动态非线性优化问题。对于能耗优化问题,传统的节能方法难以奏效。基于此,本文在分析目前节能方法的特点后,设计一种高效的全局优化算法——链式智能体遗传算法,可解决上述的动态非线性优化问题。为了验证本文提出的算法的优越性,将该算法用于某钢厂的电能节耗中,节耗效果明显且较稳定。实践表明,该算法具有较好的灵活性,当能耗环境和节能要求发生变化时,该算法能在不变动当前设备的前提下,动态获得较优的节能效率。

基于多智能体遗传算法的电力网络重构方法分析

电力网络重构对于舰船电力系统十分关键,针对传统遗传算法的电力网络重构效率低,稳定性差等缺陷,设计了基于多智能体遗传算法的舰船电力网络重构方法。首先分析当前舰船电力网络重构的研究现状,并采用供电负荷最大化作为目标函数,建立舰船电力网络重构的数学模型,然后引入多智能体遗传算法对舰船电力网络重构的数学模型进行求解,最后进行舰船电力网络重构仿真测试。结果表明,本文方法的舰船电力网络重构问题求解时间短,可以快速找到最优舰船电力网络重构方案,而且找到最优舰船电力网络重构方案的成功率要高于其他方法,具有一定的实用性。

基于多智能体遗传的SAR图像变化检测

针对传统进化算法在SAR图像变化检测时,容易陷入局部最优,收敛速度慢,耗时过长,为了解决这些问题,提出了一种无监督的多智能体遗传SAR图像变化检测方法。利用对数比值法对预处理后的图像构造差异影像,并对差异影像进行中值滤波处理,把它的灰度值作为输入信息,通过多智能体遗传算法搜索全局阈值,根据全局阈值得到变化检测结果。仿真结果表明,该算法与GA、ICSA相比,分类准确,收敛快速,效率更高。

船舶自动智能避碰数学模型及其计算机仿真研究

船舶避碰系统是保障船舶安全运行的重要保障之一,其通过船舶携带的各类电子辅助设备对航行中的状态数据进行采集,在避碰系统中进行综合处理,将分析结果传输至船舶操控室。同时,随着航海航线船只密度的增加,发生碰撞概率急速增加,需要建立更为全面的数学模型对船舶的避碰过程及策略进行研究。本文构建船舶避碰中整个过程数学模型,结合船舶自动识别系统给出了基于遗传算法的自动化智能避碰策略,最后对算法进行仿真。

雷达智能BIT故障预测方法研究

在总结了几种比较常见的故障预测方法的基础上，介绍了基于统计学习理论的支持向量回归算法。提出将智能遗传算法用来对支持向量回归模型的参数进行优化选取，并详细介绍了模型参数的选取过程，避免了参数的盲目设置。将建立起来的模型应用于雷达智能BIT故障预测领域，并以一组智能BIT状态监测的数据对预测模型进行训练和验证，实验结果表明支持向量回归模型能有效地对雷达故障进行预测。

智能拉普拉斯分类器

针对拉普拉斯分类器的核参数选择问题,通过首先假设窗的三个估计中核参数取不同的值,然后运用智能遗传算法对核参数进行优选,得到一种新的分类器——智能拉普拉斯分类器。多个基准数据集上的实验结果证明,智能拉普拉斯分类器相对普通拉普拉斯分类器和支持向量机而言,具有较高的分类精度和稳定性,是一种有效的分类方法。