基于遗传算法进化小波神经网络的电力变压器故障诊断

在电力变压器故障诊断方法中,小波神经网络常用的反向传播算法存在着易陷入局部极小点和对初值要求较高的缺点,往往给故障诊断带来困难。文中提出了一种基于遗传算法进化小波神经网络的变压器故障诊断方法,用实数编码的遗传算法来代替人解决小波神经网络结构的选择和参数的设定。在整个学习过程中,网络的复杂度、收敛性和泛化能力得到了较好的综合。大量实例表明,该方法能有效地对电力变压器单故障和多故障样本进行分类,提高了诊断准确率。

基于分区进化遗传算法的无人船自导航规划研究

为解决无人船中的自导航路径规划问题,先对无人船的任务进行分层研究,再对其中的路径规划层进行分析。在完成航行环境的栅格化处理后,采用分区进化遗传算法(PEGA)对航行路径进行适应度值选取和交叉变异处理,以选出最优航行路径。实验结果表明,PEGA算法具有稳定的寻优性能,在迭代至30代时达到稳定状态,且稳定适应度值为0.58,并且该算法还能通过不同的目标需求完成不同的最优路线规划。

基于病毒进化遗传算法的飞机预防性维修计划优化

伴随着中国贸易行业与旅游行业的飞速发展,飞机应用频率大幅度增加,使得飞机故障发生率居高不下,对飞机维修行业提出了更高的要求。传统预防性维修计划已经无法满足飞机稳定飞行的需求,故提出基于病毒进化遗传算法的飞机预防性维修计划优化方法研究。依据飞机的可靠飞行需求,制定预防性维修计划,选取预防性维修成本最小化与飞机可靠度最大化为优化目标,并构造与说明优化目标函数,引入病毒进化遗传算法确定飞机预防性维修任务排程,联合预防性维修任务花费时间最短目标、预防性维修成本最小化目标与飞机可靠度最大化目标,制定病毒进化遗传算法终止条件,获取最终的飞机预防性维修计划优化结果。实验数据显示:在不同实验工况背景下,提出方法应用获得的飞机预防性维修成本最小值为18.42万元/年,飞机可靠度最大值为9.6,飞机预防性维修花费时间最小值为6 h/次,充分证实了提出方法优化性能较佳。

协同进化遗传算法在传感器优化配置中的应用

动态测试中,为了获得精确的试验模态参数,需将传感器配置在最优的位置。以模态置信度矩阵非对角元的最大值最小化为优化准则,针对GARTEUR飞机模型,基于协同进化遗传算法,对传感器的配置进行了优化,其结果优于Guyan法、EI法和基于QR分解的逐步累积法。

单件车间调度问题的改进型病毒进化遗传算法

针对单件车间调度问题,设计了一种改进型病毒进化遗传算法IVEGA。为提高局部搜索能力,有效地避免丢失优秀解,缩小搜索空间,算法在主个体遗传过程和病毒感染过程中分别加入了主群体知识库和病毒群体知识库,并引入学习机制。通过对11个经典的Benchmarks问题进行了求解,结果表明了IVEGA的相对偏差为1.66%。

一种病毒进化型遗传算法

本文提出一种病毒进化型遗传算法 VEGA.此算法在一般遗传算法的基础上 ,通过对病毒个体和宿主体行为及相互关系的模拟 ,使进化个体的多样性大大提高 ,算法更易趋于全局极优 .模拟实验验证了 VEGA的优良性能 .

大型产品结构优化问题的病毒进化遗传算法

针对一种大型产品结构的质量一成本优化问题,设计了一种病毒进化遗传算法,提出了相应的编码解码方案和适应度的计算。病毒进化遗传算法是一种协同进化算法,既实现了遗传操作在父子代群体间纵向继承进化信息进行全局搜索的功能,也实现了病毒感染操作在同一代群体中横向传播进化信息进行局部搜索的功能,从而可以比遗传算法较快获得问题的满意解。最后给出了病毒进化遗传算法的试验仿真结果。

基于改进蜜蜂进化型遗传算法的含分布式电源的配电网重构

为改善分布式电源(Distributed Generation,DG)并入电网后配电网重构算法的性能,提出一种基于佳点集的蜜蜂进化型遗传算法(Bee Evolutionary Genetic Algorithm Based on Good Point Set,GBEGA)。该算法的关键有三点:1.提出一种基于佳点集的种群初始化方法,该方法比随机方法产生的种群在搜索空间更为均匀;2.引进佳点集交叉算子,该算子能在父代附近进行更加精细的搜索;3.采用自适应的交叉变异概率,有利于算法开采与勘探的平衡。将DG处理为PQ、PV两种模型,并将GBEGA与相关文献中的算法关于IEEE33和IEEE69节点系统进行了对比测试。仿真结果表明,GBEGA适合于含DG的配电网重构,在全局寻优能力和收敛速度上表现出色。

基于生态种群捕获竞争模型的进化遗传算法

将协同进化的思想运用到遗传算法,是对遗传算法的一大改进和拓展,借鉴此思想,提出了一种生态种群捕获竞争的协同进化模型和基于此模型的改进的进化遗传算法(PCGA)。实验结果表明,该算法在改善未成熟收敛和提高收敛速度方面都具有良好的性能。

病毒进化遗传算法在动态路径规划中的运用研究

针对车辆导航的动态最优路径问题,设计一种病毒进化遗传算法,提出相应的编码方案和适应度的计算。通过运用改进A*最短路径算法解决遗传算法中初始种群的产生,同时在遗传算法中增加病毒感染操作,在同一代群体中进行横向传播进化信息。该算法不仅能够较快求出最优路径,而且对路网没有任何的约束条件,同时对离散和连续的动态网络模型有效。最后给出病毒进化遗传算法的试验仿真结果。

基于JIT的并行多机问题的病毒进化遗传算法

为了解决提高顾客对完工时间满意度的提前/拖期调度问题,提出了一种将病毒进化遗传算法和单机问题的有效算法相结合的求解方法。在该方法中,病毒进化遗传算法采用整数编码,简化了算法的实现难度,提高了算法的执行效率。每个染色体都代表完成零件加工的机器编码的组合,通过病毒种群对主种群的病毒感染,提高了逃脱局部极点的搜索能力。在每一代种群中,调用单机问题的有效算法,使达到用户满意度的零件数最大。数值仿真实验表明,该算法具有收敛速度快、优化效果好等特点,且适合于求解大规模问题。

配电网重构的蜜蜂进化型遗传算法

针对普通遗传算法在解决配电网重构问题时容易出现过早收敛和产生无效解现象,提出一种配电网重构的蜜蜂进化型遗传算法。该算法利用种群的蜂王与雄蜂个体分别进行交叉操作,并在每代进化过程中引入一个随机种群防止过早收敛。在编码方法上,提出一种简化配电网络的染色体两阶段编码解码策略,以prim算法寻找简化网络的连支作为要断开的支路组,再选择其中具体断开支路,算法的整个计算过程中没有无效解产生。对IEEE 16节点和69节点两个标准算例进行了仿真计算,并与其他方法进行比较,结果表明所提算不仅有较高的搜索效率,而且具有良好的稳定性。

最短路由问题的改进单亲进化遗传算法

基于信息素动态更新的蚁群算法(DACO)求解大规模最短路由问题收敛时间过长,单亲进化遗传算法(PEGA)在产生初始种群、选择父体及基因换位等操作中存在随机性太大的问题,论章将这两种算法相结合,提出了基于改进蚁群算法的单亲进化遗传算法(DACO-PEGA),该算法通过控制蚁群周游次数,求得满意可行解或次优解,再将已得路由作为初始种群进行优化改良,求得最短路由。实验结果表明,该算法应用于求解最短路由问题行之有效.

一种改进的多目标合作型协同进化遗传算法

针对传统多目标算法早熟收敛及多样性不足的问题,提出了一种改进的非支配排序合作型协同进化遗传算法(Improved Non-dominated Sorting Cooperative Coevolutionary Genetic Algorithm,INSCCGA)。该算法利用外部档案存储每一代进化过程中产生的精英个体,并对其不断进行更新,以加快算法的收敛速度。同时提出了一种新型子种群之间协同进化的方式,增强候选解的多样性。利用ZDT系列标准测试函数,与经典的多目标进化算法NSGA-II以及多目标协同进化算法NSCCGA进行了对比,结果表明改进算法具有更好的收敛性以及均匀的解分布。

基于多物种进化遗传算法的神经网络结构学习方法

针对神经网络结构设计的问题及一般结构学习方法的不足,提出了基于多物种进化遗传算法(SEGA),并以MLP为例给出了基于此算法的神经网络结构进化设计方法。该方法融合了遗传算法与神经网络的特点,具有模型搜索空间广泛、算法适应性强的特点。仿真结果表明该方法是有效的。

改进的蜜蜂进化型遗传算法

提出一种改进的蜜蜂进化型遗传算法。在该算法中,种群的最优个体作为蜂王与被选的每个个体(雄蜂)以一定概率进行交叉操作,从而增强了对种群最优个体所包含信息的开采能力;同时,为了避免过早收敛,算法在种群次优解周围进行局部搜索,引入新的随机个体,增加算法的多样性。实验结果表明,该算法能有效地提高遗传算法性能的求解精度和收敛速度。

基于协同进化遗传算法的高速铁路运行调整研究

以加权后总晚点时间最小为目标,以发车间隔、车站到发线数量、列车在区间运行时分等为约束条件建立高速铁路运行调整模型。针对其约束多,运算量大等特点,应用协同进化遗传算法的思想,将决策解和惩罚因子作为2个进化子种群,分别采取合适的编码方式、适应度函数以及交叉变异规则进行问题的求解。最后,以郑武高铁的实际数据为例进行验证。研究结果表明:该方法能有效地完成高速铁路运行调整。

单亲进化遗传算法在多个配送中心选址中的应用

为更好地实现多个配送中心优化选址,在分析物流配送中心的作用及现存的用传统遗传算法进行选址的基础上,提出应用单亲进化遗传算法求解选址模型。首先,将所有的需求点按空间地理位置的关系自然划分为若干个配送区域范围;其次,在每一个配送区域,利用父体所提供的有效边的信息,使用保留最小边的方法对个体进行进化,求得费用最低的优化路径;再以优化路径作为父体,求解从各基因为始点的基因片段之和,选择最佳基因片段组合,得到问题的解。该算法可以有效、快速地求得多个配送中心选址问题的全局最优解。

多轮进化遗传算法在电机优化设计中的应用

介绍了应用遗传算法进行电机优化设计的实施方法 ,重点介绍在电机优化设计中参数编译码、初始群体的设定、适应度函数定标、控制参数的设定等的处理方法 ,并针对优化搜索效率与优化精度的矛盾 ,提出采用“多轮进化遗传算法”。实例表明 。

基于多物种进化遗传算法的神经网络进化设计方法

针对神经网络结构设计的问题与一般结构学习方法的不足,提出了多物种进化遗传算法(SEGA),并以MLP为例给出了基于此算法的神经网络结构进化设计方法。该方法融合了遗传算法与神经网络,具有模型搜索空间广泛、算法适应性强的特点。仿真结果表明该方法是有效的。