基于GA-ABC算法的多目标优化约束应用研究

引言.近年来,多目标优化约束问题在多个领域受到广泛关注,因其涉及多个冲突目标的最优化及约束条件。传统优化算法在解决这类问题时存在诸多局限。因此,本文采用基于遗传算法(Genetic Algorithm,GA)和人工蜂群算法(Artificial Bee Colony,ABC)的混合优化算法--GA-ABC解决多目标优化约束问题[1-2]。GA模拟自然进化,ABC模拟蜜蜂觅食行为,两者结合可提升求解效率和精度[3]。

一种基于PSO和GA的混合算法

结合PSO算法和GA算法的优势,提出了一种新颖的PSO-GA混合算法(PGHA)。混合算法利用了PSO算法的速率和位置的更新规则,并引入了GA算法里的选择、交叉和变异思想。通过混合算法对4个标准函数进行实验并与标准PSO算法比较,结果表明混合算法表现出更好的性能。

模糊逻辑系统的GA+BP混合学习算法

提出一种在GA中融入BP算法的混合学习算法以实现模糊逻辑系统的自学习 .利用遗传算法的全局最优性在大范围内搜索可能的极值 ,而用BP算法的误差梯度下降特性在极值点附近快速搜索 ,从而达到了全局最优与快速搜索的有机结合 .仿真结果表明 。

基于GA-PSO混合规划算法的企业信用风险评估模型

利用一种新的人工智能方法———GA-PSO混合规划算法构建企业信用风险评估模型。并利用上证50若干企业的实际数据对模型进行了实证检验。实证结果显示该模型能有效预测上市企业的信用风险状况。该模型在收敛性能及预测准确率等方面优于基于传统的多元回归方法及GP方法的信用风险评估模型。

基于GA-BP混合算法的煤与瓦斯突出强度预测研究

在以往对煤与瓦斯突出预测的研究中,较多地关注突出动力类型的预测,对于突出强度预测很少涉及。基于影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂非线性映射关系,建立了突出强度预测的神经网络模型。根据遗传算法(GA)和BP算法的特点,将二者结合起来,利用遗传算法优化BP网络权重和阈值,形成GA-BP混合算法。该算法提高了网络性能,在煤与瓦斯突出强度预测中取得良好效果。

基于种群熵的GA-BP混合优化算法及其应用

文章通过引入种群熵的概念把遗传算法和神经网络的BP算法有机结合起来,提出了一种新的混合算法GA-BP混合优化算法,从而充分利用了遗传算法和神经网络的BP算法各自具有的优点,并把GA-BP混合优化算法应用到机器人坐标逆变换中去。实验表明,GA-BP混合优化算法能较好地实现机器手端坐标到关节角的变换。

一种基于GA-BP混合算法的模糊神经网络控制器

提出一种用于优化模糊神经网络控制器参数的 GA-BP 混合算法,该算法一方面由遗传算法保证学习的全局收敛性,克服梯度法对初始值的依赖性和局部收敛问题;另一方面,与"精确的"梯度学习算法的结合也克服了单纯遗传算法所带有的随机性和概率性问题,有助于提高它的搜索效率。仿真结果证明了算法的有效性。

基于PSO-GA混合算法的物流中心选址模型研究

物流中心的布局决定了整个物流网络的结构、模式和形状,其合理性是有效保障物资的基本前提。针对问题的特点,在合理假设的前提下,给出了选址问题的模型,并以物流成本最低为目标函数运用人工智能领域的前沿算法——微粒群算法(PSO)与遗传算法(GA)的混合算法来求解。实例证明,该算法求解此类问题的性能优于传统的PSO和GA,搜索能力较,且收敛速度较快且不易陷入局部最优。

车辆路径问题的混合优化算法

讨论了一类车辆路径调度问题(VRP)及其数学模型,并且分析了以遗传算法求解该类问题时的染色体表示和有关遗传操作,然后结合2-opt局部优化算法提出了GAwith2-opt算法来求解VRP问题,试验结果说明了该算法的有效性和可行性。

基于混合优化算法的空间拦截轨道优化设计

基于改进高斯法(IGM)和遗传算法(GA)的混合优化算法,为解决空间拦截轨道燃料消耗和转移时间的综合最优问题,提出一种空间拦截轨道设计方法.首先,引入牛顿-拉夫逊迭代法对原始高斯法进行改进,解决原始高斯法在解算空间拦截轨道时收敛速度慢、转移角范围小等问题;接着,给出并证明改进高斯法迭代方程有唯一解的充分必要条件.当给定初始轨道参数时,用此条件判断可否用椭圆轨道进行转移;然后给出转移时间,最大脉冲速度等约束条件,对编码方式进行改进,给出混合优化算法的计算步骤;最后以空间拦截轨道优化问题为例,进行仿真分析.仿真结果表明,与传统优化算法相比,混合优化算法收敛的遗传代数少,耗时短,能够较好地运用于空间拦截轨道的设计.

基于混合算法和PMU数据的发电机励磁参数辨识方法研究

励磁参数辨识是电力系统稳定计算校核的基础。研究利用WAMS数据在线辨识励磁系统参数的方法。首先,将励磁系统的在线参数辨识归结为一个输入输出系统的最优化问题。即输入PMU数据是发电机的PMU出口电压,输出PMU数据是发电机的励磁电压和励磁电流。目标函数是在同一输入下,模型的输出和实际测量输出的差异最小。在实现上,采用数据点的差异平方和作为目标函数。上述最优化问题为包含微分方程的非线性问题,所以采用基于GA方法和最优梯度搜索相结合的方法求解,从而获得辨识参数。最后,基于实测PMU数据和BPA-FV型的仿真,验证了该方法的有效性。

集成GASA混合学习策略的BP神经网络优化研究

针对BP算法易于陷入局部极小值且收敛速度慢的缺陷,在BP神经网络训练过程中集合GA并行化群体搜索的特点和SA在局部极小处发生概率突跳的特性.基于GASA混合学习策略对BP神经网络进行优化.优化后的BP神经网络被应用在农作物虫情预测中,实验结果表明能够较大幅度提高网络学习的收敛性能和收敛速度,并一定程度上减少了算法的复杂性.

PID参数整定的一种混合优化算法

PID控制器是工业界应用最广泛的控制策略,参数整定是PID控制器设计的核心内容。提出一种基于遗传算法和数值优化算法的混合优化方法,采用由粗到精的搜索过程,先利用遗传算法进行全局粗略搜索,再利用数值优化算法得到精确的参数。仿真试验结果证明提出的混合优化算法是进行PID参数整定的一种有效方法。

基于GA-PSO遗传规划算法的国家助学贷款风险预警模型研究

文章运用系统工程理论,分析学生违约因素,运用GA-PSO混合规划算法设计国家助学贷款风险预警模型。研究结果表明,学生违约行为与其在校期间学业成绩、就业收入预测、家庭贫困程度、参与勤工俭学、综合评述、贷款金额呈非线性相关关系。国家助学贷款风险管理部门可以利用国家助学贷款风险预警模型对学生的信用风险进行评级,通过差别风险管理措施来降低利用违约率。

混合决策树/遗传算法的数据挖掘

混合的决策树/遗传算法的核心思想集中在数据挖掘的小析取式问题上。此算法的基本理论是属于大析取式的例子用决策树产生的规则进行分类,而那些属于小析取式的例子用遗传算法产生的规则进行分类。

一种基于粗粒度—主从式的混合并行遗传算法

为了解决串行遗传算法的收敛速度和早熟问题 ,人们开始研究遗传算法的并行执行 ,并取得了很好的结果。本文提出了一种基于分布式集群环境的层次结构 (粗粒度—主从式 )的并行遗传算法—混合并行遗传算法。仿真表明 ,采用混合并行遗传算法可以有效的提高优化的速度和解的精度。

GA-RBF在煤矿机器人检测井下混合气体的应用

针对煤矿救援机器人对井下有毒有害混合气体的感知问题,采用双气体传感器减少部分气体的交叉灵敏度,同时考虑了温度、湿度等可变因素带来的影响,结合煤矿救援机器人实际应用提出基于遗传神经网络算法与k聚类算法优化RBF神经网络,搭建了一种传感器阵列结合GA-RBF神经网络的混合气体的检测系统。实验结果表明:将GA-RBF神经网络算法应用于混合气体定量识别的训练中,收敛速度比RBF神经网络算法要快,而且学习精度更高,提高了RBF的性能及混合气体检测系统的检测精度。在规定的检测范围内,该系统可以担负CO2、H2S、CO与CH4四种气体及其混合气体的定量检测任务。

基于混合遗传算法的心脏病决策支持系统研究

将遗传算法和 BP算法相结合 ,建立了一个基于混合遗传算法的心脏病决策支持系统来鉴别诊断五种常见心脏病 (冠心病 ,高血压性心脏病 ,风湿性心脏病 ,慢性肺原性心脏病和先天性心脏病 )。一个含有 35 2份心脏病的数据库用来构建和测试了该系统。实验结果表明 ,构建的系统对这五种心脏病均有较好的诊断识别率 ,系统的平均识别准确性达 90 .6 % ,各疾病的用户准确性和程序准确性均大于 85 .0 % 。

基于混合遗传算法的数控铣削参数多目标优化

针对数控程序编写以及数控仿真时切削参数的优化问题,根据最优化思想,构建数控铣削加工的数学模型,应用遗传算法与模拟退火算法相结合的混合遗传算法及MATLAB工具对切削参数进行优化,并用实验验证其对提高数控机床加工效率和降低加工成本的可行性。

基于遗传算法优化支持向量机工况识别的燃料电池混合动力汽车能量管理策略

为了提高氢燃料电池混合动力汽车的燃料经济性,延长蓄电池寿命,选取中国重型商用车行驶工况-货车工况中3种典型工况代表“市区”“市郊”和“高速公路”,分别制定相应的最优能量管理策略;运用遗传算法优化支持向量机(gentic algorithm-support vector machine,GA-SVM)算法识别车辆运行工况,动态选择相应的能量管理策略,使其对选定的几种代表性工况具有自适应性,从而降低氢耗量,延长蓄电池寿命。仿真结果表明,与无工况识别的能量管理策略和采用传统算法优化的支持向量机(support vector machine,SVM)工况识别能量管理策略相比,使用GA-SVM工况识别的能量管理策略的等效氢耗量分别降低了7.78%和1.31%,蓄电池电池荷电状态(battery state of charge,SOC)变化量减小,变化相对平稳,有利于延长电池寿命。