遗传算法在柱状高温气冷堆换料优化问题中的应用

堆芯换料方案的优化是一个典型的组合优化问题,其搜索空间异常庞大。传统的优化算法很难在如此巨大的搜索空间中寻找出全局最优解。遗传算法以其优良的自适应能力和优化能力,为组合优化问题提供了一个非常有效的解决途径。采用遗传算法对柱状高温气冷堆堆芯装料方案进行了优化,并编写了相应程序。为了提高堆物理的计算精度,堆芯临界计算采用26群输运计算。由于多群输运计算需要大量计算时间,为此对遗传算法进行了并行优化。为了验证遗传算法对柱状高温气冷堆换料的优化能力,构造了一个8组件的小型柱状高温气冷堆换料优化基准题。结果表明,遗传算法在柱状高温气冷堆换料优化问题中具有良好的优化能力和计算稳定性。     

基于结构多样性评价的换热网络全局最优化

针对启发式方法在优化换热网络时由于个体团聚而出现搜索能力下降,建立一种换热网络结构多样性评价方法,对种群中个体结构团聚程度进行衡量,并指导算法改进.对种群进行集团划分,将一定数目的具有公共结构的个体归为一个集团,从而得到个体结构分布;提出分散搜索策略,对于各集团中除集团最优个体外的其它个体,从其公共结构中随机选择若干个换热器进行摄动以分散集团中的个体结构;提出集中搜索策略,通过使其它个体获得最优集团对应公共结构以加强对较优结构的集中开发;采用9股流与15股流两个算例,验证分散搜索策略增强了全局搜索能力,集中搜索策略增强了局部搜索能力,优化结果分别较原算法降低了7 008针对启发式方法在优化换热网络时由于个体团聚而出现搜索能力下降,建立一种换热网络结构多样性评价方法,对种群中个体结构团聚程度进行衡量,并指导算法改进.对种群进行集团划分,将一定数目的具有公共结构的个体归为一个集团,从而得到个体结构分布;提出分散搜索策略,对于各集团中除集团最优个体外的其它个体,从其公共结构中随机选择若干个换热器进行摄动以分散集团中的个体结构;提出集中搜索策略,通过使其它个体获得最优集团对应公共结构以加强对较优结构的集中开发;采用9股流与15股流两个算例,验证分散搜索策略增强了全局搜索能力,集中搜索策略增强了局部搜索能力,优化结果分别较原算法降低了7 008■·a~(-1)与17 973■·a~(-1)且均优于文献结果.     

改进遗传算法在红外增透膜系设计中的应用

在3～5μm红外增透膜系的遗传算法优化设计中，当群体接近成熟时，个体间的竞争能力和算法的区别选优能力会下降，进化将停止不前，产生无意义的重复计算和长时间等待。为了监控进化过程中染色体的变化趋势和改进情况，并提高算法的搜索能力，提出了一种采用离线比较法和辅助优选因子的薄膜改进遗传算法。计算实验表明，离线比较监控法能有效地掌握计算的进展情况，准确地监察到群体的成熟收敛、进化停止，并可据此决定改进算法的时机。采取辅助优选因子，能保持先前的计算成果，选出当前群体中的优良个体，跟引入的新鲜个体一同参与交叉，使进化不断向前，从而使改进后的算法搜到合格解的几率大大提高。     

周期优势结构提炼与搜索路径强化结合提升换热网络结构进化能力

针对强制进化随机游走算法（RWCE）在优化后期会陷入局部最优而使搜索能力下降的问题，提出周期优势结构提炼与搜索路径强化结合策略.首先对系统种群初步优化，每隔一定周期进行一次优势个体提炼，然后采用多重路径复制的方法将这些优势个体给其他个体，最后根据搜索机制遍布整个求解域.以优势个体为中心进行多重路径搜索策略，提高了局部寻优精度，增加了种群多样性，进而增强了全局搜索能力，优化效率和质量得以提高.     

改进遗传算法在天然气液化工艺流程优化中的应用

天然气液化工艺流程的设计优化中所涉及的设备、运行参数以及物流的物性参数众多,加之各热力学方程高度非线性这些特点,国内外一些学者将遗传算法这一优秀算法引入到天然气液化流程的优化设计中。但标准遗传算法在天然气液化工艺的优化设计中容易陷入局部最优的陷阱,且收敛的速度及精度还有待提升。本文根据天然气液化工艺优化设计中待优化参数多,耗时长的特点对标准遗传算法进行改进,改进后的遗传算法在提升全局搜索能力的同时还增强了局部搜索能力,对天然气液化流程的优化设计具有很好的适用性。     

动态混沌扰动遗传算法的振动模糊高光谱图像复原

高光谱图像具有较高的光谱分辨率和空间分辨率,从而具备区分诊断地物光谱特性的能力,但是在获取高光谱图像时,经常会由于载荷平台的振动,导致光谱图像失真,严重影响光谱图像在应用中的精度和可信度。提出一种能够将振动模糊高光谱图像复原的动态混沌扰动遗传算法, 该算法对比于普通的遗传算法,不会出现过早收敛,能够较准确的恢复图像,提高光谱质量。根据振动模糊图像的退化原理,找到振动模糊图像与清晰图像之间的映射关系和振动模糊图像的点扩散函数。针对振动模糊图像退化的非线性和混沌系统特征,用tent映射生成混沌初始种群,增强遗传算法的全局搜索能力。对产生的优秀个体,用切比雪夫映射进行混沌扰动,对优秀个体混沌优化,以增强遗传算法自身局部搜索能力。将三维高光谱影像平铺为二维图像,利用相邻的光谱通道的图像相关性,对每一幅图像进行复原,从而实现三维高光谱数据的复原。在澳大利亚机载Hymap成像光谱仪所提供的数据立方体中,进行了两组不同的振动模糊光谱图像复原仿真验证。将所提出的方法与近期使用的光谱图像复原算法和遗传复原算法进行对比分析,图像采用无参评价方法灰度平均梯度GMG和拉普拉斯算子LS,有参评价方法信噪比SNR和峰值信噪比PSNR,光谱采用光谱信息散度SID和光谱梯度角SGA评价方法,发现各个评价指标均有大幅改善。与最新的光谱复原算法相比,SNR提高了60%,PSNR提高了10%,GMG提高了11%,LS提高了11%,SID降低了39%,SGA降低了5%。与原遗传算法相比,图像的SNR提高了51%,PSNR提高了12%,GMG提高了33%,LS提高了43%,SID降低了39%,SGA降低了16%。计算结果表明该方法对恢复振动模糊高光谱图像数据非常有效,不仅能提高单波段图像的清晰度,光谱数据立方体的光谱质量也明显提高。     

一种采用优势个体多方向强制搜索策略的换热网络优化方法

提出一种采用优势个体多方向强制搜索策略的进化算法, 通过考察种群中个体差异性指标, 用以评价当前种群全局搜索的健康度。当优化结果出现长期停滞, 即健康度指标变差时, 启动优势个体多方向强制搜索策略, 扩大优势个体在靠近局部最优解区域的搜索方向, 保证算法全过程的全局搜索能力。用15SP和20SP算例进行验证, 与文献中最优结果相比, 分别下降了1.09%、0.83%, 表明优势个体多方向强制搜索策略充分发挥了优势个体的进化潜力, 提高了算法的优化效能。     

基于云进化算法的3D NoC测试规划

针对三维片上网络(Three Dimensional Network-on-Chip, 3D NoC) IP核的测试问题,采用云进化算法优化测试规划,完成3D NoC测试;该方法首先通过平分搜索范围的方式形成第一代种群,依据3D NoC结构特点建立功耗模型,在满足功耗约束的情况下进行测试,采用种群精英个体保留策略选择优秀个体,并利用云模型的随机性和稳定性特点进行迭代寻优,旨在降低总的测试时间,获得最佳测试规划;以ITC′02测试标准电路作为实验对象,实验结果表明,在获得相同测试时间下,云进化算法比遗传算法具有更好的寻优能力,收敛代数提高了约50%,有效提高了测试效率。     

采用三层保护策略的强制进化随机游走算法同步综合换热网络

强制进化随机游走算法（RWCE）同步综合换热网络时,存在个体最优解的进化路径被接受差解打乱而不接受差解又很难跳出局部最优的问题.提出一种采用三层保护策略的RWCE算法,将种群中个体分为三层,底层采用基本RWCE进行优化,以保护个体的全局搜索能力;中层读取底层各个体的历史最优解,并采用带微调功能的RWCE进行优化,以保护各个体最优解的进化路径不被打乱;顶层所有个体以中层最优个体的解为初始点,采用带自动精细搜索功能的RWCE进行优化,以保证最优个体得到充分的搜索;最后将顶层搜索到的结果传递给底层对应个体.实例表明,算法在允许接受差解的同时保护了个体最优解的进化路径,并实现了全局搜索能力与局部搜索能力的兼顾.     

基于遗传模拟退火算法的室内照明节能控制方法研究北大核心CSCD

目前的节能照明控制算法仍有陷入局部最优的问题。为了寻求全局最优解,提高室内照明的节能效果,设计一种遗传模拟退火算法对照明系统的控制参数进行优化求解。该算法通过在遗传操作后对优秀个体进行模拟退火处理,增强了算法的局部搜索能力。根据迭代的次数和种群的适应度对遗传概率进行自适应调节,使得算法在前期丰富种群多样性,避免算法“早熟”。提出基于人工神经网络的照度模型来计算室内照度分布,对照明舒适度进行评估,为构造优化算法的适应函数提供了依据。通过仿真实验,在本文介绍的照明场景应用遗传模拟退火算法,并与传统粒子群算法和遗传算法进行比较,其照明节能性能分别高出5.30%和13.61%。     

连续面型高效率光栅分束器件的设计

阐述了用虚源法设计连续面型光栅分束器件的原理 ,提出了一种局部搜索遗传算法 ,并将其用于优化器件的性能。局部搜索遗传算法结合了局部搜索算法和遗传算法的优点 ,可以有效地克服遗传算法的“早熟收敛”现象 ,具有更强的全局收敛能力。用文中给出的方法可以得到具有较好均匀性的、高衍射效率的连续面型光栅分束器件。     

一种基于非基因信息的免疫记忆优化算法

为提高人工免疫优化算法的优化能力, 将非基因信息的记忆机制引入智能算法, 提出了一种基于非基因信息的免疫记忆优化算法. 算法通过对先验知识(非基因信息)的短期记忆并指导后续进化, 降低盲目搜索和重复搜索, 增加了搜索的智能性和有效性. 结合标准测试函数在高维下的仿真实验表明, 与其他智能算法相比, 新算法在收敛速度、收敛精度和全局收敛性方面均优于对比算法. 此外, 在超高维下的仿真结果表明新算法具有在大规模维度解空间中的全局寻优能力.     

超结构换热器网络综合优化的遗传/模拟退火算法-Ⅱ.遗传/模拟退火算法及应用

本文提出了用于换热器网络综合的改进的遗传/模拟退火算法.最优综合的模型基于本文第一部分所提出的通用解方法.所采用的遗传算法结合了模拟退火算法和爬山优化算法,同时引进精英策略和结构变异策略以增强算法的搜索能力.采用本文提出的算法对文献提出的算例进行了计算并得到了更好的结果.     

基于改进蚁群算法的无线传感器网络路由的优化

为了延长无线传感器网络(Wireless Sensor Network ,WSN)的生命周期,均衡各个节点间能量消耗,针对现有的WSN路由优化算法存在的问题,提出了一种基于改进蚁群算法的路由优化算法。首先通过对蚁群算法和遗传算法的优劣性比较,在蚁群算法的基础上,结合遗传算法的选择、交叉和变异的操作,从而提高蚁群算法的搜索速度和寻优能力。最优路径评价函数综合考虑节点能耗及节点的剩余能量,使剩余能量多的节点优先参与数据转发,均衡节点间的能量消耗。通过与经典蚁群算法及遗传算法的对比实验表明,随着数据转发轮数增加,改进的蚁群算法能耗小,剩余能量多,网络生命周期明显延长;随着整个网络运行时间的增长,改进的蚁群算法,节点均衡能耗性好,最优路径搜索的成功率也明显优于其他两种算法。     

基于遗传模型改进蜂群算法的稀疏阵列优化

人工蜂群算法作为一种新兴的群体智能算法,在解决复杂连续问题时表现突出。但是由于算法本身内在运行机制的原因,算法在搜索上表现出优异的性能,却疏于开发。为了平衡搜索和开发二者之间的矛盾,提出了一种基于遗传模型改进的人工蜂群算法,并成功运用到了阵列综合领域。算法先将全局最优解引入邻域搜索过程,指导蜂群寻找最佳蜜源,加速算法收敛。为了避免人工蜂群算法陷入局部最优,需要提高其开发能力,通过借鉴遗传算法中的进化机制,建立了遗传模型,对采取最佳保留后的蜜源进行遗传操作,丰富蜜源的多样性。在一组广泛使用的数值函数上对改进人工蜂群算法进行了测试,实验数据表明,该算法相较于其他算法具有很强的竞争力。将该算法运用于线性阵列的稀疏优化,旨在降低阵列的峰值旁瓣电平,在同样的阵列约束下与其他算法进行了优化对比,仿真结果进一步证明了算法的有效性。     

运动声源快速定位的声达时差法

针对声达时差法只能用于非运动声源定位的问题,本文提出一种运动声源快速定位方法。该方法以声达时差为基本定位原理,基于声源计算位置对多普勒效应进行解耦并进行声信号多普勒效应修正,根据三角定位方法构建声传播空间矩阵,以声源位置偏差度为目标基于单纯形优化搜索算法进行声源位置快速逼近,实现了对匀速直线运动的单声源的定位追踪,提高定位实时性。该方法将声达时差法拓展到运动声源的定位,同时解决了消除多普勒效应带来的计算过程复杂、运算量大的问题,仅用4个传声器就可实现运动声源的快速定位,突破了传统运动声源识别中对大传声器阵列的依赖。仿真实验和实车运动声源识别实验结果证明了该方法的有效性,本研究为短时发声运动声源的识别提供了一种简便、高效的方法。      

图像法自动调焦的最佳调焦区域选取算法

对分辨率较高的图像来说,调焦评价函数的计算耗时较多,会影响调焦的实时性。选用整幅图像中细节最丰富的子图像作为调焦对象,在保证调焦精度的同时,可改善调焦效率。为快速找到此区域,提出了基于自适应遗传算法(AGA)的寻优算法。在此算法中,用离焦子图像的加权熵作为适应度函数,自适应的改变遗传算法的交叉概率和变异概率,以避免结果陷入局部极值。实验结果表明,此算法具有运算复杂度低,稳定性好等优点,所选定的子图像具有良好的调焦特性曲线。     

基于改进遗传算法的移动机器人路径规划

针对传统遗传算法存在的搜索效率低、易于陷入局部最优解的问题,提出了一种改进的遗传算法。采用简单的一维编码替代复杂的二维编码,节约了存储空间。在遗传算子的设计中,重新定义了交叉算子和变异算子,避免了陷入局部最优。最后将最短路径和免碰撞相结合作为适应度函数进行遗传优化。实验结果表明,改进的算法能够快速、有效的规划出最优路径。     

Parameter estimation for chaotic systems using the cuckoo search algorithm with an orthogonal learning method

We study the parameter estimation of a nonlinear chaotic system,which can be essentially formulated as a multidimensional optimization problem.In this paper,an orthogonal learning cuckoo search algorithm is used to estimate the parameters of chaotic systems.This algorithm can combine the stochastic exploration of the cuckoo search and the exploitation capability of the orthogonal learning strategy.Experiments are conducted on the Lorenz system and the Chen system.The proposed algorithm is used to estimate the parameters for these two systems.Simulation results and comparisons demonstrate that the proposed algorithm is better or at least comparable to the particle swarm optimization and the genetic algorithm when considering the quality of the solutions obtained.