基于正交—交互式遗传算法的产品造型设计

为提高概念设计的效率,提出一种基于正交-交互式遗传算法的产品造型设计方法。在获取、表征造型特征的基础上,采用正交分析来精简遗传种群空间,提高收敛速度;同时,以共识满意度作为适应度函数,优化评价机制,达到减小主观评价误差的目的。另外,可视化的界面有利于特征偏好选取,减轻用户交互的心理负担。实例研究表明,与普通交互式遗传算法相比,正交-交互式遗传算法能以较少的交互代数达到较高的适应值,具有更好的可行性和实用性。

基于正交——交互式遗传算法的蒸汽熨斗形态设计研究

为了解决目前在蒸汽熨斗形态设计中缺乏一种限定性的遗传规则,从而造成设计师的主观选择占主导地位这一问题,文章提出将正交—交互式遗传算法引用到蒸汽熨斗形态设计中来,从而达到为蒸汽熨斗形态设计确立遗传规则的目的。该方法通过建立正交表,根据群体共同评分标准建立适应度函数,用李克特三级评价量表让用户进行评价选取,并对选取结果进行计算和分析后建立针对某蒸汽熨斗形态设计的算法流程。结果表明,在正交分析法与交互式遗传算法相结合时,能够提高收敛率,以较少的遗传次数得出遗传最优解。

基于交互正交遗传算法的动态联盟伙伴选择研究

针对动态联盟中的伙伴选择问题,提出一种有交互作用的正交试验方法和遗传算法相结合的方法,对多目标伙伴选择问题进行求解。着重考虑成本、质量、时间、风险及其它们之间存在的交互作用作为伙伴选择中的主要评价指标,给出了基于交互正交遗传算法模型求解方法,并应用实例验证了该模型和算法的有效性。

正交遗传算法

本文提出正交遗传算法 .该算法把正交设计与遗传算法结合起来 ,用正交设计确定区间水平 ,在每个区间水平按遗传算法进行搜索 ,正交设计能够发现包含最好解的区间水平 ,再在这个区间水平使用遗传算法进行搜索 .反复使用上述算法 ,当前区间水平变小 .最后 ,当前区间水平变为一点了 ,它就是这些区间水平的最优点 .借助正交设计 ,本文证明了正交遗传算法是收敛的和进行了计算机模拟 .模拟结果显示该算法是有效的和可行的 .

求解全局优化问题的混合自适应正交遗传算法

提出了一种基于正交实验设计的混合自适应正交遗传算法(hybrid self-adaptive orthogonal genetic algorithm,简称HSOGA)以求解全局优化问题,此算法利用正交实验设计方法设计交叉算子,并提出一种自适应正交交叉算子.该自适应正交交叉算子根据父代个体的相似度自适应地调整正交表的因素个数和对父代个体进行因素分割的位置,生成具有代表性的子代个体,以更好地搜索空间.此外,新算法利用自适应正交交叉算子生成均匀分布的初始种群,以保证初始群体的多样性.同时引入了局部搜索策略以提高算法局部搜索能力和收敛速度.通过14个高维的Benchmark函数验证了算法的通用性和有效性.

多点正交交叉的遗传算法

利用正交实验法的全局均衡思想,提出了一种采用多点正交交换的遗传算法。算法通过正交表安排遗传算法的交换运算,并在所产生的多个子代中选择适应度大的进入下一次进化,这样既加快了算法的收敛速度又保证了种群的多样性。实验证明,该算法不但可以有效地克服标准遗传算法的缺陷,而且计算速度、精度和算法稳定性也得到了显著提高。

遗传算法的一种特例——正交试验设计法

简要介绍正交试验设计法与遗传算法的基本原理 ,分析它们之间的内在关系 ,指出正交试验设计法可以认为是遗传算法的一种特例 ,即它是一种初始种群固定的、只使用定向变异算子的、只进化一代的遗传算法 .计算结果表明 ,正交试验设计法可以解决一般遗传算法中的最小欺骗问题 .

正交Multi-agent遗传算法及其性能分析

将Multi-agent系统、遗传算法与正交试验设计方法相结合,提出一种新的遗传算法——正交Multi-agent遗传算法.其主要思想是:利用正交设计的方法产生初始化种群;用正交交叉算子代替传统的算术交叉算子;利用agent间的竞争作用与每个agent所具有的知识和自学习能力进行启发式搜索,以提高进化的速度.仿真试验和性能分析表明,正交Multi-agent遗传算法不但具有很强的全局优化能力和较快的收敛速度,而且具有很强的鲁棒性.

正交试验法、神经网络和遗传算法的结合

用神经网络建模,遗传算法优化是求解工程优化问题的一种行之有效的方法.但由于神经网络、遗传算法自身的诸多问题,制约了其在较为复杂领域中的应用.正交试验法是一种进行多因素试验的科学方法,本文将它引入神经网络和遗传算法中,将三者结合起来,用正交试验法设计神经网络样本,并用遗传算法优化神经网络结构,较好地克服了各自的弱点,拓展了它们的应用.另外本文对正交试验法配置遗传算法参数做了介绍.

一种小生境正交遗传算法研究

针对标准遗传算法的不足 ,借助正交试验法的全局均衡设计思想和二元变异操作对初始种群产生方式、交叉算子和变异算子进行了改进 ,提高了种群的多样性 ;借助最优保留策略和自然界的小生境思想 ,对选择算子进行了改进 ,提高了算法的全局收敛性能 ;另外还通过引入加速正交搜索操作 ,提高了算法的收敛速度 .在此基础上 ,提出了一种小生境正交遗传算法 ,并进行了实例研究 .研究结果表明 ,该算法不但可以有效地克服标准遗传算法的缺陷 ,而且计算速度。

用于函数优化的正交Multi-Agent遗传算法

将Multi Agent系统、遗传算法和正交试验设计方法相结合,提出了一种混合进化算法———正交Multi Agent遗传算法。它以Multi Agent系统为基础,通过Agent间的相互作用与每个Agent所具有的知识和自学习功能来提高算法的全局优化能力和收敛速度;同时利用正交试验设计方法产生较好的初始种群和设计正交交叉算子以获得更好的后代;针对正交试验设计产生初始化种群在函数维数很高时需很大存贮空间的缺点,提出了子空间分割法来产生所需的初始化种群,它只需要原来存贮空间的十分之一。首先,对维数为30或100的12个标准测试函数进行仿真试验,结果表明正交Multi Agent遗传算法具有很强的全局优化能力和较快的收敛速度;其次,算法对这些标准测试函数进行高维优化(高达200维),实验结果表明正交Multi Agent遗传算法具有较好的高维搜索能力。

基于正交试验、BP神经网络和遗传算法的冷挤压模具优化设计方法

以桑塔纳L45449汽车轮毂轴承内圈为例,建立汽车轮毂轴承内圈冷挤压模具简化模型,运用Deform-3D软件对零件成形过程进行仿真,对挤压过程中的行程载荷和模具磨损进行分析,并据此给出模具优化设计约束条件和优化目标,提出了一套结合正交实验法、BP人工神经网络和遗传算法的模具优化设计方法,对冷挤压汽车轮毂轴承内圈模具进行优化,并对优化结果进行有限元验证.结果表明:优化结果与仿真分析结果相近,最大行程载荷相对误差为4.55%,凹模磨损量绝对误差为0.06μm,提出的优化设计方法能有效缩短模具设计周期,降低模具制造成本.

正交试验遗传算法及其在函数优化中的应用

针对遗传算法参数多且配置困难的问题，本文提出一种利用正交试验优化选择参数的方法，它使得对于不同领域的优化问题只需用正交试验进行一次参数配置，然后用遗传算法进行具体寻优即可取得较好效果。这种正交试验遗传算法易于编程实现且在一定程度上避免了遗传算法参数配置的盲目性。

经验正交函数与遗传算法结合的副热带高压位势场非线性模型反演

针对副热带高压的动力预报模型难以准确构建的困难,基于T106数值预报产品500hPa位势高度场序列,用经验正交函数(EOF)分解方法对位势场序列进行了时、空分解,引入了动力系统重构思想,以EOF分解的空间模态的时间系数序列作为动力模型变量,用遗传算法全局搜索和并行计算优势,进行了动力模型参数的优化反演,建立了客观合理的非线性动力模型·通过对动力模型积分和EOF的时、空重构,实现了副热带高压的中、长期预报·试验结果表明,本文反演的动力模型的副热带高压预报效果优于常规的数值预报产品,该研究工作为副热带高压等复杂天气系统和要素场预报提供了新的方法思路和技术途径·

用于全局优化的混合正交遗传算法

为提高正交遗传算法收敛速度和搜索精度,在正交遗传算法的基础上引入局部搜索策略,提出一种新的聚类局部搜索算子。利用正交算子初始化种群,保证初始群体分布的均匀性和多样性。通过正交算子在全局范围内进行全局搜索,使算法能在全局范围内收敛。采用聚类局部搜索算子对群体进行局部搜索,以增强算法的收敛速度和搜索精度。对7个高维的Benchmark函数进行测试,仿真实验结果表明,与其他算法相比,该算法具有更好的搜索精度、收敛速度和全局寻优的能力。

遗传算法在正交试验设计最优条件选择中的应用

目的 :探讨正交试验设计中最优条件选择的方法。方法 :本文利用胃蛋白酶生产过程中质量控制的正交试验结果 ,以二次响应面回归模型为目标函数 ,用遗传算法搜索最优试验条件。结果 :二次响应面回归模型有统计学意义 (F=16 0 .0 ,P<0 .0 0 0 1,R2 =98.6 1 ) ,遗传算法确定的最优试验条件为 :水解温度 4 6 .7℃、水解 3.75 h、加 3% HCl、烘房温度 6 4 .1℃ ,该条件的精度较直接法高 ,此时胃蛋白酶中残留蛋白的预测量为 0 .0 0 0 1mol。结论 :模型与遗传算法结合 ,为正交试验设计最优条件的确定提供了新的方法。

基于正交设计的元胞多目标遗传算法

元胞多目标遗传算法在求解两目标优化问题时是比较高效的.但是,初步实验显示其在求解三目标优化问题(例如DTLZ系列)时,表现不是十分令人满意.为了进一步提高算法的性能,引入了正交设计的思想,提出了基于正交设计的多目标元胞遗传算法.在改进算法的迭代过程中,先对父代个体进行分段,之后按照正交表来对这些片段进行重新组合产生多个子代个体,然后从这些子代个体中找出适应度较优的进入下一代种群.实验结果表明,引入正交设计思想能够提高算法性能,与其他优秀算法进行比较的结果说明,改进算法求解三目标问题(DTLZ系列)也是具有竞争力的.

利用正交试验法优化配置遗传算法参数

针对遗传算法参数多，且配置困难的问题，提出一种利用正交试验优化选择参数的方法，它使得对于不同领域的优化问题只需用正交试验进行一次参数配置，然后用遗传算法进行具体寻优即可取得较好效果．这种方法易于编程的实现，且在一定程度上避免了遗传算法参数配置的盲目性．

基于改进遗传算法的正交匹配追踪信号重建方法

针对压缩传感现有重建算法的缺陷:重建速度慢,在给定迭代次数的条件下进行重建,缺乏自适应性等,提出了一种改进的遗传算法与正交匹配追踪算法相结合的方法来构造重建矩阵。首先采用改进的遗传算法从测量矩阵的列中以最优染色体的形式选出与当前冗余向量最大程度相关的列,然后从测量矩阵中减去最优染色体部分并反复迭代,直到满足重建精度。实验结果表明,与现有的重建算法相比,在满足相同的重建精度条件下,该方法所需要的重建时间减少了5s左右,所需要的测量矩阵规模减小了约10%,而且能在待重建信号稀疏度未知时自适应地控制迭代停止时间。

解多目标优化的均匀正交遗传算法

在多目标优化中,各目标通常相互冲突且不可公度,其最优解(常称为Pareto最优解)往往有无穷多,如何在最优解集合中求出一组分布均匀且数量充足的代表解供决策者选择十分重要.论文将均匀设计、正交设计与遗传算法相结合给出了解多目标优化的一种新方法,并证明了其全局收敛性.新方法用少的计算量便可求出一组在最优解集合中分布均匀且数量充足的最优解.计算机仿真也表明这种方法对不同的试验函数均可用少的计算量求出一组在最优解集合中分布均匀且数量充足的最优解.