GA矩阵编码方法及其在模糊建模中的应用

在遗传算法(GA)的实际应用中,许多问题都可以采用树结构描述.模糊建模中的结构辨识是指如何划分输入空间,它是一种复杂的非线性优化过程,模糊树模型可将输入空间的划分表示成二叉树结构的形式.本文提出了一种树结构的矩阵编码方法,这种编码方法直观、简单,非常适合遗传算法的各种遗传操作.针对模糊树模型,以树结构为个体,采用矩阵编码方式,利用遗传算法优化输入空间的划分,得到了一个精度较高而复杂度较低的次优模糊树模型.     

基于遗传算法和BP网络的航空发动机拆换期望值预测

通过使用真实样本实验的方法,在BP神经网络、GA遗传算法与改进的GA-BP复合算法中,找出能迅速精确地预测航空发动机拆换期望值的最佳方法。试验结果证明,GA-BP复合算法在用遗传算法对神经网络的权值进行大致搜索以后,再用神经网络方法进行训练,能很好地模拟发动机拆换期望值,并用实例证明该算法是有效的。      

基于危险模式免疫算法的自适应病毒邮件检测系统

本文针对当前的病毒邮件检测存在的缺陷,利用危险模式的运行机理.建立起一种新型的基于危险模式免疫算法的自适应病毒邮件检测系统模型.系统突出的显出其处理的高效性以及自适应进化更新过程,该方法的提出给邮件安全领域提供了一种新的研究思路.     

一种基于间接健康因子的锂离子电池剩余使用寿命预测方法

针对锂离子电池实际运行过程中容量数据无法在线获取,退化特征存在局部再生现象,剩余使用寿命（RUL）无法通过单一模型准确预测的问题,提出一种基于间接健康因子（HI）的锂离子电池RUL预测方法。首先根据在线数据构建并筛选最优的HI,然后建立基于遗传算法优化的极限学习机（GA-ELM）关系模型,再通过变分模态分解（VMD）解耦间接HI各分量,并通过相关向量机（RVM）进行趋势跟踪与预测,最后将预测结果输入到GA-ELM关系模型中得到电池容量预测值。与NASA PCoE数据集的验证对比表明,文章所用方法在趋势预测和RUL预测结果上均优于其他对比方法,可以实现锂离子电池RUL的准确预测。     

基于IGA-Elman算法的民航发动机基线挖掘研究

为进一步提高民航发动机性能参数基线挖掘的准确性,提出了一种基于改进遗传算法(IGA)优化Elman动态回归神经网络的基线预测模型.该模型通过改进遗传算法的交叉和变异概率更新操作,并优化Elman网络的初始权值和阈值.同时,结合EHM系统输出的飞行数据报告,对该神经网络进行训练,用训练好的神经网络对某航空公司提供的监控数...     

航空发动机解耦控制器设计

提出了一种基于输出拟形的解耦控制器设计方法。设计过程中针对某型涡扇发动机双变量控制系统,首先选取2个理想的一阶环节形成2个独立控制回路,以其在各通路单独阶跃下的无耦合响应为拟形目标。以LQR控制器设计为例,采用遗传算法(GA)来优化LQR控制器的加权矩阵Q和R,使闭环控制系统在各控制回路单独阶跃下的输出与目标相一致,从而达到解耦的目的。通过优化算法,设计出的LQR控制器取得了良好的动、静态解耦效果。     

基于模型参数辨识的航空发动机风扇叶片裂纹故障诊断

为了对发动机风扇叶片裂纹故障进行精确诊断,在航空发动机故障模拟试验平台上开展了风扇叶片裂纹故障模拟试验,对风扇转子叶片进行典型裂纹故障预置,并对风扇转子叶片产生裂纹前后的叶片典型参数进行试验测量。通过风扇转子叶片阻尼系统及裂纹故障特征理论分析发现,裂纹叶片的模态质量和模态刚度变化会使叶片阻尼比发生明显变化。采用基于遗传算法的模型参数辨识方法辨识风扇叶片应变响应函数,进而获取风扇叶片阻尼比。结果表明：相同叶片不同次测量试验得到的叶片阻尼比相差0.02%;不同叶片个体差异导致的阻尼比最大相差2.9%;5#风扇叶片产生裂纹后的阻尼比减小了6.4%。可见,叶片的阻尼比对其几何特性的变化十分敏感,且通过对风扇叶片阻尼比进行模型参数对应的遗传算法辨识能够实现风扇叶片裂纹故障诊断。     

基于遗传算法的正弦波四参数曲线拟合

曲线拟合法能够精确地提取正弦信号的四个参数。但是，由于数据处理比较困难，其应用在一定程度上受到了制约。本文提出了一种基于遗传算法的求解方法，研究了算法应用中初始种群数、繁殖代数和编码方式的选取以及适应度函数的设计。实验数据表明，该方法具有全局收敛和准确度高的优点。