基于DNA遗传蝙蝠算法的分数间隔多模盲均衡算法

针对现有多模盲均算法(MMA)收敛速度较慢、均方误差大的缺陷,提出一种基于DNA遗传蝙蝠算法的分数间隔多模盲均衡算法(DNA-GBA-FS-MMA)。该算法利用分数间隔均衡器对信号进行过采样,以获取更多信道信息;将DNA遗传算法引入到蝙蝠算法中,得到一种DNA遗传蝙蝠算法(DNA-GBA),利用这个新算法来寻找蝙蝠群的全局最优位置向量,并作为多模盲均衡算法初始化最优权向量的实部与虚部。仿真结果表明,与现有的MMA相比,DNA-GBA-FS-MMA的稳态误差最小、收敛速度最快、星座点最清晰紧凑。

混合遗传蝙蝠算法求解单目标柔性作业车间调度问题

针对以最大完工时间最小化为目标的柔性作业车间调度问题(Flexible job shop scheduling problem,FJSP),提出一种混合遗传蝙蝠算法(HGBA).为了提高初始种群的质量与多样性,采用三种方式相结合产生初始群体;重定义惯性权重,采用动态递减的权值来平衡局部搜索与全局搜索;针对算法易陷入局部最优解的缺点,结合遗传算法的变异操作,提出一种基于变异操作的邻域搜索算法;同时根据编码方式以及位置更新可能造成的无效解情况,利用遗传算法的交叉操作提出混合列交叉方法来完成位置更新;最后,通过三个实例测试了算法的性能,实验结果验证了提出的算法在求解FJSP时的有效性.

基于遗传蝙蝠算法的引航排班方法

为提高引航排班作业效率,以最小化引航任务间隔时间、引航员等待时间、引航作业时间、引航交通费为目标,以引航任务开始与完成时间、到离港泊位等为约束条件建立引航任务组适应度模型。将遗传算法的交叉与变异机制引入基本蝙蝠算法,构建基于遗传蝙蝠算法的引航排班方法,并利用MATLAB予以实现。结果表明:这种引航排班方法的日均效率比基本蝙蝠算法提升了48.1%,比手工排班方法提升了75.8%;这种引航排班方法的单个引航任务组构建效率较基本蝙蝠算法提升了50.7%,比手工排班方法提升了77.2%。结果验证了该引航排班方法的优越性。

基于遗传蝙蝠算法的任务约束船推力分配优化

针对带有任务约束且装配有多个推进器的动力定位船推力分配优化问题,提出一种全新的遗传-蝙蝠优化算法。该算法在遗传算法的基础上将种群分为两部分,一部分为保留的种群精英个体与蝙蝠算法有机结合进行优化;另一部分采用融入自适应策略的遗传算法进行优化。将该算法与所设计的带有任务约束的多维非线性推力分配目标优化函数相结合,通过仿真验证了所提出的算法可有效地解决在任务约束下的动力定位船多推进器的推力分配优化问题,在同一控制器作用下,通过与其他算法对比,该算法可获得更高的动力定位精度与更少的能量消耗,且推进器方位角变化波动小,稳定性强。可见,该算法可以有效解决带有约束的这一类多维非线性规划问题。