求解多目标组合优化的改进Pareto适应度遗传算法

将Pareto适应度遗传算法(PFGA)与局部搜索相结合,提出了一种用于求解多目标组合优化问题的改进算法IPFGA,该算法基于Pareto支配关系对遗传操作产生的每一个个体进行局部搜索,并采取在外部群体中引入拥挤距离的精英选择策略。实验结果表明,与PFGA相比,IPFGA有更快的收敛速度。

基于Pareto适应度的混合遗传算法在多式联运问题中的应用

为高效求解多式联运运输方式优化选择问题,提出一种基于Pareto适应度的混合遗传算法,此算法基于Pa-reto支配关系和个体像的小生境数进行适应度赋值,引入重插入算子,采用合理的交叉与变异方法,使得经交叉与变异之后的染色体仍然为问题可行解,提高了收敛速度,实证验证了算法的有效性.

基于Pareto遗传算法和神经网络的无人机气动布局研究

设计了一种无人机气动布局优化方法。首先,基于流场仿真手段获取了无人机典型机翼形状设计参数以及主要气动性能指标,以此作为优化无人机气动布局的数据来源。基于得到的无人机机翼形状主要参数和性能指标,利用神经网络方法建立两者映射关系库。在给定大迎角和巡航状态下,运用Pareto遗传算法和映射关系库,以升阻比和升力系数为目标函数,得到最佳的性能参数组合,以及最佳的机翼形状数据,并基于流场仿真方法,将最优机翼形状数据输入到模型中,得到机翼形状流场压力的分布规律,验证方法的正确性。

基于偏好和虚拟适应度的两阶段依赖任务卸载算法

针对云边端协同环境中依赖任务卸载时效率低以及任务卸载失败的问题,提出一种基于偏好和虚拟适应度的两阶段依赖任务卸载算法.第一阶段,根据提出的二维卸载偏好因子对依赖任务的部分子任务进行直接卸载决策,从而有效缩小遗传算法初始种群的规模.第二阶段,提出基于虚拟适应度的启发式交叉方法,并对基于参考点的快速非支配排序遗传算法(non-dominated sorting genetic algorithmⅢ, NSGA-Ⅲ)的交叉算子进行改进,保留了种群多样性并提升了算法收敛速度,最后使用改进的算法对所有依赖任务的子任务进行最优卸载决策集的搜索.实验结果表明,与其他算法相比,该算法在任务完成时间、任务能耗和边缘云集群成本方面平均优化了10.2%~18.3%,并且将任务失败率平均降低了10.7%~25.6%.

基于改进遗传算法对机械臂最优时间轨迹规划

针对传统工业机器人在轨迹规划过程中,运动耗时长、易陷入局部最优解的问题,提出一种基于改进自适应遗传算法对于6R机械臂轨迹优化算法。通过加入改进的自适应调节机制,自适应的去改变交叉概率和变异概率。首先,建立六自由度机械臂模型,采用改进型D-H参数法获得机器人连杆参数数据;其次,通过4-1-4多项式插值的方法进行轨迹规划,以运行时间为优化目标,利用改进自适应遗传算法结合蚁群算法对运动轨迹进行优化;最后,通过目标函数解决运动学约束问题。通过MATLAB仿真实验验证相比于传统的遗传算法,该轨迹的运行时间从12.23 s减少到了9.05 s,整体运行轨迹时间缩短3.18 s,优化后的效率提高近26%。适应度提高1.73,证明该算法能够有效地加快轨迹的运行时间,提高了机械臂的工作效率。

基于改进适应度遗传算法的泵站主机组数据修正方法

常规的机组数据修正方法主要根据历史数据变化提取机组数据特征,数据存在失真现象不予考量,导致数据修正效果不佳。因此,本文设计了基于改进适应度遗传算法的泵站主机组数据修正方法,确定泵站主机组运行数据的修正因子,修正泵站主机组失真数据。利用改进适应度遗传算法,构建数据修正模型,淘汰适应度低的数据,保留适应度高的基因,从而优化泵站主机组数据。采用对比实验的方式,验证了该修正方法的修正效果更佳,能够应用于实际生活。

客户等级划分视阈下的车辆路径遗传算法研究

针对当前车辆路径规划算法存在的车辆满载率低、车辆路径求解时间长、车辆配送成本高的问题,文中设计了考虑客户等级划分的车辆路径遗传算法求解过程。在描述车辆路径相关问题和函数的基础上,给出相关假设和约束条件,确定目标函数并考虑客户等级划分,然后构建时间窗车辆路径模型。采用遗传算法,通过染色体编码生成初始种群,再通过选择、交叉以及变异输出最优解,从而求解时间窗车辆路径。实验结果表明:该方法能够有效提升车辆满载率,并缩短求解时间、降低配送成本。

基于混合遗传算法的染缸在线动态排产方法

针对因染缸故障、生产不良、缺料等原因导致染色生产不能按排产计划执行时,排产系统不能在线动态调整的问题,提出基于混合遗传算法的染缸在线动态排产方法,设计了在线动态排产控制系统。该在线动态排产模型加入了小概率规则约束,综合考虑了染缸切换时间、载量匹配、污染物排放量、客户重要性和交期等因素,循环读取最新的生产信息进行在线动态排产。通过染整厂实例验证,该方法调整生产计划及时,染缸利用率高,能够更好地满足产品的交期和减少污染物的排放。

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题,本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型,并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解.该算法引入状态变量和动作变量,通过Q-learning算法获得初始种群,以提高初始解质量.在算法进化过程中,利用Q表指导变异操作,扩大局部搜索范围.采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性,逐步获得Pareto最优解.通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验,验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.

基于改进遗传算法的酒店配送机器人路径规划仿真研究

针对传统遗传算法初始种群质量不高、种群多样性不足和路径长度不理想的问题,提出了改进遗传算法。通过基于引力场模型生成初始路径,提高初始种群质量;在适应度函数中增加了惩罚因子和激励因子,提升种群质量筛选;引入差分进化算法对种群个体之间的差异进行向量化操作,以突变概率控制种群突变数量,优化种群多样性,从而更好更快地得到全局最优解。采用改进遗传算法、传统遗传算法和蚁群算法对不同栅格地图路径规划进行仿真实验,结果表明:改进遗传算法在处理此类路径规划问题时可以快速找到最优路径,在复杂度较高的M3地图环境下相较于传统遗传算法和蚁群算法最优路径分别缩短了17.39%和7.9%。

改进遗传算法在多AGV调度中的应用

针对多AGV(Automated Guided Vehicle)进行调度时,使用整数编码的大种群遗传算法收敛速度较慢的问题,提出一种改进适应度函数的遗传算法。该算法定义了一个适应度函数的改进模板,通过静态或动态调节选择压力的方法在模板中设计了三种修正函数,以对算法迭代过程中的选择压力进行控制,使算法的择优能力加强。提出的改进算法在固定节点多AGV调度问题上进行了仿真实验,实验结果表明改进后的遗传算法具有更好的优化结果,收敛代数分布更小,且算法收敛所需的迭代次数约仅为改进前的1/5。

基于改进遗传算法的云计算任务调度方法

云计算环境中可能存在大量的计算节点与不确定性因素,需要进行大规模的任务调度和管理,增加了调度的复杂度和难度。为了满足任务调度的实时性需求,降低过程中产生的能耗,提出一种基于改进遗传算法的云计算任务调度方法。对不同的任务属性进行结合,重新设定各个云计算节点的任务属性,并计算节点的综合属性值。根据计算结果以全部任务完成时间最小化作为调度目标,构建云计算任务调度模型。改进传统遗传算法,优化种群的初始形成方式,通过改进后的遗传算法求解调度模型,判断获取的解是否满足终止条件,如果满足直接输出最优云计算任务调度方案,实现云计算任务优化调度。由实验结果可知,该方法的任务调度完成时间较低,其调度时间最高值仅为16 min,说明该方法能够满足任务调度的实时性需求,且能耗较低,能够实现任务的高效执行和资源的合理利用。

基于遗传算法的预压缩图像破损数据重构

为增大预压缩图像破损区域内的信噪比数值,从而使得重构图像能够更好地贴合压缩前的原始图像,提出基于遗传算法的预压缩图像破损数据重构方法。根据已生成的破损节点种群选择适应度评估标准,并构建遗传数据阵列,完成基于遗传算法的预压缩图像破损节点调取。建立破损数据分布函数,计算压缩重构比指标的实际数值,重构处理预压缩图像破损数据,实现预压缩图像破损数据重构。实验结果表明,在遗传算法作用下,预压缩图像破损区域内数据参量信噪比指标的数值上升,能够促使重构图像与原始图像完成较好的贴合。

基于遗传算法的油田集输管网优化调整方法

为解决油田生产能耗大、管网造价高问题,提出基于遗传算法的油田集输管网优化调整方法。首先在油田集输管网布局一定的情况下,利用管网节点矩阵计算管网参数;其次,根据集输管网工艺流程以及热力、水力分析构建油田集输管网数学模型的目标函数;最后对管径以及其所在位置进行编码,利用Prime算法确定集油站的位置,并评估个体的适应度,再利用遗传算法获得油田集输管网优化结果。通过实际应用以及对应用结果的评估,集输管网能耗高的6个计转站吨油耗电量减少了16.5 kWh,吨油耗气量减少了12.9 m^(3),一年可节省费用56.3万元,具有明显的节能降耗效果。

基于改进遗传算法的大数据中心资源分配方法

为提高大数据中心在处理海量数据请求时的资源分配效率,降低运营成本,本研究采用改进的遗传算法优化资源分配过程。考虑到传统遗传算法在大规模系统中应用时存在的不足,如收敛速度慢、局部最优问题,本研究引入自适应变异率与精英选择策略增强算法搜索能力与适应性。本研究还设计了一种新适应度函数,以更精确地反映资源分配效率,满足公平性需求;进行了基于改进遗传算法的大数据中心资源分配模型设计,实现了大数据中心资源动态排序与高效分配。通过模拟测试,验证了改进遗传算法在资源利用率、响应时间、能耗等方面的表现。结果表明,与传统遗传算法相比,基于改进遗传算法的大数据中心资源分配方法在各项性能指标上都有显著提升,可支持大数据中心面对不断变化的工作负载和运行环境的适应性需求。

交互式遗传算法基于NN的个体适应度分阶段估计

针对交互式遗传算法中人的疲劳问题,提出一种基于神经网络(NN)的个体适应度分阶段估计方法,给出了神经网络估计进化个体适应度与人的评价之间的转换策略以及神经网络学习效果的评价指标,并分析了算法的复杂性.实例结果验证了该方法的有效性.

基于遗传算法的高职院校排课模型的研究

受职业院校诸多客观条件的影响,对职业院校排课系统的研究已经落后于职业院校的发展。文章设计了一种新型的排课数学模型,并将基本遗传算法进行了改进,提出了迭代初期和末期的新概念,在初期和末期采用不同的交叉、变异概率。在迭代的过程中,为了避免算法过早收敛采用了不断加入新鲜个体的策略。经改进的遗传算法具有简单、速度快、易实现的特点,更符合高职院校的排课要求。

基于遗传算法的无人机最优控制器设计

无人机纵向通道最优控制器设计中,状态变量加权矩阵Q和控制变量加权矩阵R直接影响控制系统的性能,Q阵中元素选取直接影响其对应的状态变量性能,R阵中的元素影响其对应的控制变量能量消耗。以升降舵控制输入值、迎角的输出峰值和超调量的加权为适应度函数,应用遗传算法对Q和R中的元素进行寻优,从而提高设计效率。

基于遗传算法的隧道光面爆破参数优化模型研究

隧道光面爆破是一种控制爆破技术,能够保持新壁面平整而不受明显破坏。提出了一种基于遗传算法的隧道光面爆破参数优化模型,该模型以隧道光面爆破效果的综合评价函数为目标函数,以隧道开挖断面尺寸、岩性等级、地质条件等为约束条件,以周边孔间距、光爆层厚度、装药量等为决策变量,通过选择、交叉、变异等操作,不断产生新的个体,并根据适应度函数评价个体的优劣,最终得到最优或近似最优的隧道光面爆破参数。通过算例分析,验证了该模型的有效性和可行性,为隧道工程提供了合理且优化的光面爆破参数,提高了隧道质量和安全性。

基于相对适应度遗传算法的高层结构粘滞阻尼器优化布置

提出基于相对适应度遗传算法的高层结构粘滞阻尼器优化布置方法,综合考虑多种地震波作用与多个不同优化目标。较标准遗传算法,相对适应度遗传算法基于染色体目标函数值相对大小构造适应度函数能充分体现种群中染色体适应度差异,促进种群的有效进化,获得优化问题的全局最优解。在讨论目标函数加权系数对优化结果影响基础上,对目标函数进行归一化处理,并考虑多种地震波作用。通过用该方法对20层框架结构的粘滞阻尼器布置方案进行优化,数值计算结果证明该方法的有效性及可用性。