基于分布式并行遗传算法的PID参数整定

针对基于简单遗传算法(SGA)进行PID整定在收敛性及初值敏感度方面的缺陷,提出了基于分布式并行遗传算法(PGA)的PID参数整定方法。该方法可以将不同遗传操作的优点加以整合,通过并行运算提高整定效率,能够更有效地进行参数优化。选用典型被控对象仿真,并分别进行收敛性分析与初值敏感度分析。仿真试验表明与SGA相比PGA提高了局部搜索空间的微调能力,降低了对初值的敏感度,寻优效果也大为改善,从而说明了这种方法的可行性,为PID参数整定方法提供了一种新的尝试。     

Hybrid Multipopulation Cellular Genetic Algorithm and Its Performance

The selection pressure of genetic algorithm reveals the degree of balance between the global exploration and local optimization.A novel algorithm called the hybrid multi-population cellular genetic algorithm（HCGA）is proposed,which combines population segmentation with particle swarm optimization（PSO）.The control parameters are the number of individuals in the population and the number of subpopulations.By varying these control parameters,changes in selection pressure can be investigated.Population division is found to reduce the selection pressure.In particular,low selection pressure emerges in small and highly divided populations.Besides,slight or mild selection pressure reduces the convergence speed,and thus a new mutation operator accelerates the system.HPCGA is tested in the optimization of four typical functions and the results are compared with those of the conventional cellular genetic algorithm.HPCGA is found to significantly improve global convergence rate,convergence speed and stability.Population diversity is also investigated by HPCGA.Appropriate numbers of subpopulations not only achieve a better tradeoff between global exploration and local exploitation,but also greatly improve the optimization performance of HPCGA.It is concluded that HPCGA can elucidate the scientific basis for selecting the efficient numbers of subpopulations.     

航班进场调度的改进捕食搜索算法

为高效解决航班进场调度问题,采用以航班总延误时间最小为目标的规划模型,设计了一种改进的捕食搜索算法.区别于传统捕食搜索算法,新算法采用变化的局部搜索和全局搜索限制,从而避免陷入局部最优和解的退化.为测试新算法解决航班进场调度问题的性能,采用10架航班和双跑道数据进行仿真验证,并与传统捕食搜索算法和遗传算法进行比较.结果表明,新算法在最优解的获得率和计算时间上均优于传统捕食搜索算法和遗传算法.     

用于多峰函数优化的改进跳跃基因遗传算法

跳跃基因是维持生物大脑神经细胞多样性的主要原因,因此在遗传算法中引入跳跃基因操作能够提高算法的全局搜索能力。然而,标准跳跃基因遗传算法的随机跳跃过程容易破坏较优性能染色体的基因。针对此问题,提出了一种改进跳跃基因遗传算法。在改进方案中,适应度越高的染色体上的跳跃基因,能以越高的概率朝性能比它差的染色体上跳跃,以提高进化速度。并且,在适应度函数中引入密度函数,以保持染色体的多样性。通过对经典多极值测试函数的寻优仿真表明,改进跳跃基因遗传算法能够更有效地提高遗传算法对复杂多峰函数最优解的求解速度与精度。     

遗传算法在风洞实验优化中的应用研究

为了提高风洞实验效率,降低实验成本,缩短实验周期,笔者探讨了将遗传算法引入到风洞优化实验中,实现了基于遗传算法的多段翼型实验规划.通过遗传算法对多段翼型的迎角及各段的偏转角度、重叠量和缝道宽度进行编码,由实验提供适应度值.对两段翼型的研究表明应用遗传算法规划风洞实验能够减少实验次数约40%.种群数为染色体长度的2倍时,算法能较好的搜索到最优值.初始群体值对算法的收敛性及计算效果基本无影响.此外,也模拟计算了4段翼型风洞实验,提高实验效率大约为87%~93%,可见遗传算法仍然有效且在大规模风洞实验中更有应用价值.     

复合材料层压板热屈曲优化设计的自适应免疫遗传算法

复合材料层压壁板的热屈曲优化问题是高速飞行器结构设计的重点考虑内容。通过对免疫遗传算法引入自适应交叉和变异,构造了一种自适应免疫遗传算法(AIGA),并将该算法应用于考虑强度约束的层压板热屈曲铺层顺序优化设计。并将算法的优化结果与简单遗传算法(SGA)、免疫遗传算法(IGA)的优化结果进行了比较,结果表明该算法收敛速度快,优化解的质量最好,并有效的克服了SGA易于早熟收敛,IGA收敛缓慢的缺点。同时研究了抗体调节系数对AIGA算法性能的影响。     

双变异率自适应遗传算法研究及其应用

针对标准遗传算法的不收敛性，提出一种双变异自适应遗传算法，即通过全局变异算子和局部变异算子共同作用，增加种群的多样性，提高算法的全局收敛能力。实例证明：改进算法具有很好的寻优能力和效率。     

采用主流FPGA的数字电路在线生长进化方法

采用主流FPGA器件构建了在线进化平台,提出了一种适合较大规模数字电路在线进化的生长进化方法。该方法模拟植物生长机理进化以解决进化速度缓慢问题,采用增长验证评估方法取代传统的穷举式验证评估方法来解决在线验证评估难题;应用免疫遗传算法克服遗传算法的早熟收敛问题;采用多参数级联十进制整数编码方法缩短染色体长度;采用生长进化方法成功地进化出了16位加法器和8位乘法器。对比实验结果表明,采用生长进化方法无论是进化出的电路规模,还是进化速度均优于传统的直接进化方法。     

基于Hamming神经网络聚类分析的进化策略

本文提出了一种基于Ｈａｍｍｉｎｇ神经网络聚类分析的进化策略，模糊自适应Ｈａｍｍｉｎｇ神经网络各类族的权重矢量纪录被进化搜索过的区域，并相应妄下该区域内最优个体和它的适应度，因此通过Ｈａｍｍｉｎｇ神经网络对进化个体的聚类分析，进化策略具有搜索记忆性，可以充分保证下一代遗传群体中个体遗传基因的丰富性，从而避免早熟现象的发生，这种进化策略还可以避免在被搜索过的区域内的无用搜索，进而加快进化策略的收敛速度     

基于实值编码遗传算法的起重机伸缩臂结构优化

实值编码遗传算法(RCGA)的染色体空间和问题解空间是同一个空间，较好地解决了二进制编码遗传算法(BCGA)存在的求解精度和冗余代码等问题；给出了改进的交叉和变异操作算子；RCGA自然集成工程领域知识．弥补BCGA语义的不足．就实现而言．RCGA可有效继承常规数值算法的代码。因此，RCGA更适合有连续变量的复杂的工程数值优化问题。本文建立了多工况的基于惩罚的RCGA模型用于起重机伸缩臂的优化设计，该模型比常规方法更符合工程实际，优化结果令人满意，证明RCGA在工程设计中有实用意义。     

基于遗传算法的连续结构拓扑优化分析

结构拓扑优化设计是结构初始方案设计的重要方法。采用遗传算法，用染色体基因映射结构离散化后的单元体，通过改变基因代码实现连续结构的拓扑。在优化过程中，利用遗传算法的全局收敛性等特点进行结构优化．通过有限元技术对结构进行建模和分析。为了消除结构拓扑优化分析中的铰接和棋盘格现象，提高优化分析效率．改善优化分析结果．在结构拓扑优化分析中引入了结构约束的概念和渐进结构优化的思想。算例分析表明．本文提出的方法是合理、有效的。     

基于小生境遗传算法的多峰函数优化

根据多峰目标函数的具体情况,应用遗传算法随机寻优得到若干个最优值,以这些值作为小生境遗传算法的先验知识,指导小生境距离参数的确定。依据此方法确定小生境距离参数,应用小生境遗传算法成功求解了shubert多峰函数的所有全局最优值。并与相同遗传操作和相同参数下的遗传算法作比较,小生境遗传算法不但能一次性地寻求到解空问中所有的最优解,而且就寻求一个最优点而言收敛速度快于非小生境遗传算法。     

求解装箱问题的遗传算法

本文提出了两种求解装箱问题（ＢｉｎＰａｃｋｉｎｇ）的遗传算法。一种是简单遗传算法,它采用等长度字符代码编码方法,使用常规的遗传操作算子。另一种是混合遗传算法,它综合运用解装箱问题的ＦＦＤ（ＦｉｒｓｔＦｉｔＤｅ－ｃｒｅａｓｉｎｇ）近似算法和简单遗传算法。试算结果表明,由这两种遗传算法所得到的装箱方案较一些近似算法所得到的装箱方案都要好。     

基于遗传算法整定的PID网络流量控制

结合经典控制理论和优化控制理论设计了基于遗传算法的线性PID控制器,并与经典的PID控制器进行了比较．此控制器较好地控制了交换机缓冲器的队列长度,动态性能明显优于一般PID控制器．并得到了仿真结果的验证．     

一种新的求解非线性方程组的混合遗传算法

为了解决实际工程中经常遇到的求解非线性方程组的问题,作者提出了求解非线性方程组的一种新的思维,即首先将非线性方程组的数值求解问题转化为最优化问题,然后利用浮点遗传算法全局群体搜索能力及起始搜索速度快的特点,快速得到接近精确解的较优解,之后将其作为拟牛顿法迭代的初始值,利用其局部寻优能力非常强的特点,快速迭代至精确解。该混合遗传算法充分利用了浮点遗传算法与拟牛顿法的各自优点。     

Solving Job-Shop Scheduling Problem Based on Improved Adaptive Particle Swarm Optimization Algorithm

An improved adaptive particle swarm optimization(IAPSO)algorithm is presented for solving the minimum makespan problem of job shop scheduling problem(JSP).Inspired by hormone modulation mechanism,an adaptive hormonal factor(HF),composed of an adaptive local hormonal factor(H l)and an adaptive global hormonal factor(H g),is devised to strengthen the information connection between particles.Using HF,each particle of the swarm can adjust its position self-adaptively to avoid premature phenomena and reach better solution.The computational results validate the effectiveness and stability of the proposed IAPSO,which can not only find optimal or close-to-optimal solutions but also obtain both better and more stability results than the existing particle swarm optimization(PSO)algorithms.     

一种基于年龄和性别特征的遗传算法

提出了一种基于年龄和性别特征的遗传算法。标准遗传算法（SGA）已经被成功的应用到很多进化优化问题上，但是对于复杂的多模态函数寻优时，会出现早熟收敛现象。为了解决这个问题，结合自然界最常见的有性繁殖现象，赋予了遗传个体年龄和性别特征，提出了基于年龄和性别特征的遗传算法的框架以及实现。通过建立年龄和有性遗传进化算子。对不同年龄和不同性别的个体赋予不同的进化控制参数，克服了早熟收敛问题且保持了群体的多样性，使算法能顺利的收敛到全局最优值。     

基于生产成本的作业调度

提出了一个基于净现值的调度指标，该指标充分考虑到影响调度决策的各项费用．如在制品库存费用、机床工时费、直接工人的工资、工件提前或拖期完工造成的损失等。然后以遗传算法为工具，研究了作业调度问题，设计了一种很实用的算法。该算法采用基于工序的编码方法把调度编码成染色体，并通过遗传操作来搜索最佳染色体。解码算法根据工序在染色体中的次序和最短加工时间一紧迫度规则得到调度。仿真结果表明该方法是可行的。并有一定的优越性。     

云制造资源的工序级多目标调度方法研究

由于云制造资源的分散性、多样性、负载率不均衡性等特点对其调度与调度粒度有更高的要求,将云制造任务分解后的工序作为调度的最小粒度,构建一种以最短制造服务时间、最低制造服务成本以及均衡负载率为多目标的云制造资源工序级调度模型,采用以粒子群、遗传相结合的混合多目标调度算法,将遗传算法中通过双层编码的染色体作为粒子群算法的粒子,双层编码方式是指以工序加工顺序作为第一层、工序对应加工资源编号为第二层,随后通过对染色体交叉变异进行粒子更新,使整个调度过程快速收敛于全局最优解。最后电梯实例证明了该算法能在较短的时间内给出最优的调度方案,从而有效地解决云制造资源多目标调度问题。     

关于遗传算法模糊控制的研究

在控制对象的数学模型由于受非线性的时变的影响很难精确确定时，模糊控制是一个比较好的方法，但模糊控制规则易受人的因素的影响而归纳得不完善，并且不能自学习影响了模糊控制的效果。遗传算法可以搜索整个空间，不易陷入局部最优解，不受搜索空间的性假设的约束。可以解决非常困难的寻优问题，本文提出关于遗传算法的模糊控制，使控制规则得到优化，从而改善了控制性能。仿真实例表明这种方法是可行的。