加速混合遗传算法在搜索边坡最危险滑动面中的应用

基于简化Janbu条分法,提出一种加速混合遗传算法,在无需对边坡最危险滑动面的几何形状进行假设的前提下,自由搜索最危险任意形状滑动面,并计算其对应的最小安全系数。该方法是通过把无约束优化的Powell算法作为一个与遗传算法的选择、交叉和变异平行的算子,嵌入到改进的实数编码遗传算法中而得到的,它同时具有两种方法的优点:(1)有较强的自适应能力,使得收敛速度加快;(2)还有可能搜索到最优化问题的全局最优解。首先通过一算例验证加速混合遗传算法的准确性,然后应用于一工程实例。与现场勘察结果对照表明,加速混合遗传算法搜索到的最危险滑动面与实际情况吻合得很好,优于简单遗传算法。

改进遗传算法在水文模型参数优选中的应用

为改善传统水文模型参数优选算法的性能,针对遗传算法的寻优效果明显依赖于模型参数的初始变化区间的大小,并且局部搜索能力较差、可能会出现过早收敛等问题,在遗传算法中加入局部搜索算子和加速算子,并引入了生物学中的小生境概念,提出了基于小生境技术的混合加速遗传算法(HAGA).该算法在广西合浦水库流域的洪水预报中得到成功应用.结果表明:基于小生境技术的混合加速遗传算法不仅有较好的全局优化性能而且精度较高,是一种既可以较大概率搜索全局最优解,又能进行局部细致搜索的优秀非线性优化方法.

一种高效混合遗传算法

针对基本遗传算法在优化应用中遇到的诸如局部搜索能力差、计算量大、对较大搜索空间适应能力差和早熟收敛等问题 ,将传统的单纯形搜索算法与遗传算法相结合 ,提出了一种混合遗传算法 ,并在算法中增加了小生境淘汰运算和加速循环操作 .典型测试函数数值算例验证表明 ,本文方法不但可以有效地克服基本遗传算法的上述缺陷 ,而且计算速度和计算精度都有显著提高 .

基于自加速遗传粒子群算法的半封闭式温室能耗预测

针对半封闭式温室环境参数众多且难以测量的问题,提出了一种机理建模与系统辨识建模相结合的温室能耗建模方法。采用自加速遗传粒子群算法(self-accelerating hybrid algorithm of particle swarm optimization and genetic algorithm,SPSO-GA)对温室物理模型中难以确定的参数进行辨识,建立半封闭式温室能耗预测模型。根据上海半封闭式玻璃试验温室的气象数据和测量的能耗值,分别采用遗传算法(genetic algorithm,GA)、粒子群算法(PSO,particle swarm optimization)和SPSO-GA进行参数辨识与能耗预测比较分析。采用SPSO-GA获得的温室能耗预测结果与实测数据的相对误差为1.4%,分别比GA和PSO减少了2.9%和13.7%。根据日太阳光照辐射总量、室外日均温度2个参数及相应的变化曲线,预测的温室能耗值精确度大于86%。试验与模拟结果验证了基于SPSO-GA的温室能耗预测模型有效,可为半封闭式温室能量负载设计、管理和控制提供理论依据。

复杂非线性函数最优化问题的一种实用智能算法

对浮点编码遗传算法加以改进,并与DFP变尺度算法相结合,经加速循环,构建新型混合加速遗传算法(以下简称NHAGA);协同求解具有变量边界约束的非凸、高度非线性的复杂函数最优化问题。算例测试表明,该法兼顾了改进浮点编码遗传算法全局搜索能力和DFP算法快速局部搜索能力的优点,成功搜索全局最优点的概率较高,是一种求解非凸、高度非线性全局优化问题的有效智能算法。

遗传算法的改进策略及其应用

针对基本遗传算法在优化应用中遇到的诸如局部搜索能力差、计算量大、对较大搜索空间适应能力差和早熟收敛等棘手问题 ,本文将传统的单纯形搜索算法与遗传算法结合 ,提出了一种混合遗传算法 ,并在进化操作中将交叉 ,变异概率与个体的适应度结合提出了一种个体自适应概率 ,使算法在产生新个体的同时 ,最大限度地保护优秀个体不受破坏 ,从而提高了整个算法的运算效率 ;在上述基础上又引入了加速循环操作以加强对优秀个体的利用率 ,进一步提高算法的效率。通过典型测试函数的数值算例验证 ,表明本文方法不但可以有效地克服遗传算法的上述缺陷 ,而且计算速度、稳定性、精度都有明显提高。