基于改进遗传算法的模糊温度控制在空调中的应用

针对VRV空调温度控制系统的滞后、时变、非线性等特点,提出将模糊控制和遗传算法相结合,设计出基于改进遗传优化算法的模糊温度控制器,进行了两者对空调系统房间温度控制的仿真及对比分析,结果表明采用改进遗传算法的模糊控制器后,系统能够迅速稳定在设定值周围,在大大缩短了调节时间和减小稳态误差的同时,保持了对扰动的抵抗能力,使得系统的稳定性没有太大改变,即算法可以保证房间温度最终趋于设定值25℃。

基于混合遗传算法的转子系统优化设计

转子系统的临界转速是航空发动机设计过程中的重要参数。在临界转速远离工作转速时,转子系统才能安全可靠的工作。如何设计转子系统的结构使设计后的临界转速达到要求,而且结构改变量尽可能小,是转子动力学最优化设计研究的重点之一。在分析已有研究模型的基础上增加约束条件提出一种更完善的临界转速最优化设计模型,无需考虑设计变量个数和设计临界转速个数的关系,及预先给定的临界转速是否可在设计变量对应的临界转速空间内取到,均能找到满意的设计方案。针对该模型的最优化求解,设计出一种结合遗传算法和复合形方法的混合遗传算法,可以有效的提高搜索到全局最优解的搜索速度。对一转子系统进行临界转速优化设计,验证了该模型可以有效的取得满足设计要求的最优设计方案,适用于工程实际的转子系统临界转速最优化设计过程。

禁忌遗传算法求解最小支配集

如何寻找一个网络图的最小支配集是NP难题。分别设计了逆序启发式算法和禁忌搜索算法,并在此基础上提出了禁忌遗传算法(TSGA)用于求解最小支配集;将禁忌搜索和遗传算法结合起来,弥补了彼此的不足,既有效地避免了算法易陷入局部最优解的缺陷,又加快了算法的收敛速度。经对大量随机网络图的测试和对物流网络选址问题的求解,验证了TSGA算法的优越性。

粒子群算法与遗传算法的结合研究

自上世纪80年代以来,智能优化算法(粒子群算法、遗传算法等)通过模拟或者揭示某些自然现象和过程而发展起来,为优化理论提供了新的思路。通过将不同算法结合来达到更好的优化效果日益成为当前优化研究领域的热点。在粒子群算法中引入遗传算法的交叉和变异算子及种群分割策略,将两种算法有机结合,提出了粒子群算法与遗传算法的混合优化算法(GA-PSO)。为了验证该GA-PSO混合优化算法是否具有良好性能,将该算法用于一些标准测试函数的优化。

基于遗传算法的卡尔曼滤波器水下机器人信号处理方法

水下机器人的传感器信号受环境影响较大，数据滤波一直是机器人控制的核心问题之一。该文在卡尔曼滤波的基础上，引入遗传算法，对卡尔曼滤波方法进行改进，提出基于遗传算法优化的卡尔曼滤波器模型，从而提高水下机器人测量数据的精度．降低系统噪声和量测噪声所带来的误差。OUTLAND1000水下机器人罗经传感器的水池仿真试验结果表明所提改进滤波方法有效、实用。

多目标遗传算法求解认知无线电SUL维持问题

当某个一级用户重新出现时,二级用户必须马上让出属于此一级用户的频谱,此时就存在着如何维持二级用户链接(Secondary Users’Link,SUL)的问题。基于CORVUS系统的"冗余子信道"模型在SUL原有的N个子信道基础上再使用X个冗余子信道进行二级用户之间的通信。只要传输过程中受干扰的子信道个数少于X,接收端就可以从N+X个子信道中恢复出正确信息来,从而解决了SUL维持的问题。但尚未有一种有效的办法以求解最优的N和X。将SUL维持问题建模为一个多目标优化问题,提出了一种基于多目标遗传算法的SUL维持算法SULEA。SULEA能够根据不同的用户服务需求动态地选择适应度函数来求解最优的N和X,Matlab实验证明了SULEA的正确性和有效性。

基于多种群遗传算法的可扩展有限状态机测试数据自动生成

可扩展有限状态机EFSM(Extended Finite State Machine)是目前常用的一种描述软件状态和行为的模型,研究EFSM模型的测试数据自动生成方法具有重要的意义。针对EFSM模型,本文提出一种面向EFSM路径的测试数据自动生成方法,利用多种群遗传算法MPGA(Multi-Population Genetic Algorithm)实现了EFSM测试数据的自动生成。实验结果表明,基于MPGA的EFSM模型测试数据自动生成是确实可行的,并且其测试数据生成效率优于遗传算法(GA)的测试数据生成效率。同时,通过实验分析了MPGA的种群数量、迁移间隔、迁移率、迁移策略等相关参数对EFSM模型测试数据生成效率的影响,得出一种最优的参数组合,对后续进一步利用MPGA进行测试数据自动生成的研究具有一定的指导意义。

基于遗传算法的电子商务物流配送研究

针对电子商务在物流配送中存在的问题,本研究以车辆可行驶最大路程为限制条件,将遗传算法与节约算法相结合,利用节约算法产生遗传算法的初始解,构造节约遗传算法解决电子商务环境下的物流配送路径优化问题。仿真结果表明,节约遗传算法比遗传算法更具有全局最优性,求得最短路径的效果明显高于遗传算法;随着进化代数的增加,两种算法都越来越趋向于最优值,节约遗传算法的进化起点远高于遗传算法的进化起点,其最优值比遗传算法最优值好;节约遗传算法中的进化代数和种群规模对算法的性能有一定的影响;有路程限制与无路程限制所取得的货车运行路线不同,车辆的最大运行距离也不同。该研究可以提高物流配送效率、缩短配送距离,对节约物流成本和提高客户服务水平具有重要意义。

一种基于简单遗传算法的K-Means改进算法

针对k-means算法对初始值敏感、易陷入局部极小值等缺点,结合遗传算法的思想,提出了一种基于遗传算法和k-means算法的混合聚类方法,为了测试该聚类算法的性能,用k-means算法和改进的算法进行了1组实验,并对2种算法的聚类结果进行比较,实验结果表明算法能够有效地解决聚类问题.

基于遗传学习算法和BP算法的神经网络在矿坑涌水量计算中的应用

本文采用遗传学习算法和误差反向传播算法 (BP)相结合的混合算法来训练前馈人工神经网络 (BPN) ,即先用遗传学习算法进行全局训练 ,再用BP算法进行精确训练 ,使网络收敛速度加快和避免局部极小 .作为实例 ,本文将该方法运用于多维时序问题 .根据山东省黑旺铁矿的矿坑充水条件建立了一个网络 ,以矿坑充水的各种控制因素相关资料作为样本 ,对网络进行训练并用训练好的网络预测矿坑涌水量 .网络的训练速度及预测结果表明 ,该算法收敛速度较快 ,预测精度很高 ,为矿坑涌水量预报提供了一种新思路和新方法 .

基于遗传模拟退火算法的WSN广播算法研究

针对于无线传感器网络的广播,将模拟退火算法(SA)与遗传算法(GA)相结合用于无线传感器广播路径选择(SAGA),该算法可根据广播中的具体情况设计遗传编码方式及适应度函数,首先利用遗传算法将父代种群经过选择、交叉、变异等操作将节点传输顺序进行调换,得到子代种群;再利用模拟退火算法在降温过程中逐步排除劣解,使该算法更有效、更快速地收敛得到全局最优解;仿真证明,SAGA算法得到的路径优于SA算法,节省了传输能耗。

求解Job-shop调度问题的遗传蚁群算法

描述了Job-shop调度问题,研究遗传算法和蚁群算法在解决Job-shop问题中的优点和不足,融合遗传算法和蚁群算法设计了遗传蚁群算法以求解Job-shop调度问题,并对算法进行了仿真实验,通过与遗传算法、蚁群算法及已有的遗传算法和蚁群算法的融合算法结果的对比,验证了该算法的有效性。

非线性最小二乘估计的蚁群遗传融合算法

基于对遗传算法和蚁群算法的分析,提出把蚁群算法和遗传算法相结合的混合算法,有效避免了两种算法的不足之处,并将该混合遗传算法用于非线性最小二乘参数估计中,算例验证了该算法的可行性和有效性。

无线传感器网络中的最大生命期基因路由算法

无线传感器网络(wireless sensor networks,简称WSNs)由一组低功率且能量受限的传感器节点构成,设计此类网络的一个基本挑战便是最大化网络生命期的问题.在WSNs中,由于邻近传感器节点所收集的数据之间往往具有时空相关性,多采用数据聚合技术作为去除数据冗余、压缩数据大小的有效手段.合理地应用数据聚合技术,可以有效地减少数据传递量,降低网络能耗,从而延长网络生命期.研究了WSNs中结合数据聚合与节点功率控制的优化数据传递技术,提出了一种新的最大化网络生命期的路由算法.该算法采用遗传算法(genetic algorithm,简称GA)最优化数据聚合点的选择,并采用梯度算法进一步优化结果.该算法均衡节点能耗,并最大化网络生命期.仿真结果表明,该算法极大地提高了网络的生命期.

基于GA-PSO混合算法的最小属性约简

属性约简是粗糙集理论中的核心问题,为有效进行属性的最小约简,将一种GA-PSO混合算法应用于属性约简。该算法在保证寻优能力的前提下,增加群体的多样性,避免陷入局部最优,同时,在适应度函数中加入罚函数。实验结果证明该算法能有效地进行属性约简,取得良好的约简结果。

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function,IMF),对IMF分量建立自回归(AR)模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断。

基于PSO-GA算法的交叉口仿真优化研究

近年来,交通拥堵已成为城市发展中日益严峻的问题。为了有效地减少交通拥挤,建立了以时间延迟,停车次数和交通容量为评价指标的多目标函数。鉴于遗传算法-粒子群优化算法(PSO-GA)的快速收敛性和稳定性,以中国武汉市某一个交叉口为例,使用Synchro交通仿真软件将现实配时方案、Webster算法,遗传算法(GA)与PSO-GA算法的性能指标进行了数值比较。结果表明,提出的PSO-GA模型的时序优化效果远好于其它方案。在灵敏度分析方面也讨论了高低交通流状况对于车辆运行的影响。分析显示,合理控制交通流量对于缓解交通拥挤,提高道路运行效率具有重要意义。

基于递增插入算法在TSP问题的应用研究

文章针对TSP最短回路问题,引入一类递增插入算子,由此得到递增插入算法,该算法是单点插入算法和交叉算法的更一般形式。通过对随机案例和eil101案例寻优并比较分析,其结果明显好于蚁群算法与遗传算法融合后的求解效果,同时计算量和迭代次数较少。

基于优化蚁群算法的多配送中心车辆路径研究

为了提高多配送中心车辆调度效率,该文提出了一种基于优化蚁群算法的的多配送中心车辆路径调度算法。优化算法通过对信息素挥发因子、启发式因子,信息素强度初始值的够造,消除参数选择对蚁群算法性能的影响,使其具有较强的全局搜索能力。实验表明,该文提出的基于优化蚁群算法的多配送中心车辆路径算法比其余算法有更好的实验效果。

多指标区间数群决策问题的组合算法研究

针对一类多指标群决策问题,根据最小二乘原理提出了最优离合点的概念。运用模拟植物生长算法与加速遗传算法组合算法(PGSA-RAGA),求解得出最优离合点,并且根据投影寻踪模型利用最优离合点所组成的矩阵,得出最终投影值与排序结果。该方法解决了以往以平均数体现群决策的综合意愿所出现的不足的问题,在指标的属性权重完全未知的情况下,得到最优的排序结果,经过对比分析,该方法的可行性得到验证,更加简便易操作,并且有效地推广到大规模多指标群决策问题。