一种近红外光谱特征子区间选择新算法

为了简化光谱模型和提高模型精度,在传统遗传算法中引入Metropolis接受准则,提出了一种新的模拟退火-遗传区间选择算法(SAA-GA-iPLS),用于快速提取近红外光谱特征子区间,采用偏最小二乘法(PLS)建立近红外光谱模型。以黄瓜叶近红外光谱数据及其类胡萝卜素含量为例,将全光谱分为40个区间,模拟退火-遗传算法能快速优选出7个子区间(分别为第3,5,14,18,21,32,33子区间),在所选7个子区间的基础上建立了黄瓜叶类胡萝卜素PLS光谱模型。与传统遗传算法的比较结果表明:无论是建模效果还是算法执行效率,模拟退火-遗传算法均优于传统遗传算法。     

智能算法在晶体色散方程参量反演中的比较研究

为了研究智能优化算法在不同晶体材料色散方程参数反演中的迭代搜索性能问题,根据已测石英和方解石晶体的实验数据,分别采用遗传算法、模拟退火算法和遗传模拟退火算法应用于晶体色散方程的参数反演中,获得了晶体修正的塞耳迈耶尔方程的参量,同时比较了三种算法在迭代搜索性能、算法稳定性、计算时间和差方和等之间的差异,结果表明,三种算法在晶体色散方程参数反演时都可以得到满意的结果,但是,由于遗传模拟退火算法同时具备遗传算法的快速全局搜索性能和模拟退火算法的极强局部搜索性能,使得在晶体色散方程参数反演中的优化效果更优.因此在建立其它材料色散方程时建议采用遗传模拟退火算法,而且这一结果对研究混合智能算法的迭代搜索性能也是有帮助的.     

基于改进遗传与模拟退火融合的RISP软硬件划分

软硬件划分是可重构指令集处理器在软硬件协同设计中的关键问题,通过对比遗传算法和经典模拟退火算法的优缺点,提出改进遗传算法的适应度函数,同时将Tsallis接受准则引入到经典模拟退火当中。其思路是用遗传算法的结果来制约模拟退火算法产生的随机状态,然后由模拟退火的接受准则以及产生的随机状态函数对遗传算法的种群进行更新,从而找到全局近似最优解。实验结果证明,改进算法与单一遗传算法以及经典模拟退火算法相比,其收敛速度和适应度更好,找到全局近似最优解的概率更大。     

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%。     

基于退火遗传算法的少数投影CT图像重建

不完全投影重建算法研究是当今图像重建算法中的一个难点问题，近年来，遗传算法在其中有一定的应用，但还存在一些问题。针对遗传算法在优化中的不足(如早熟收敛及易陷入局部最小等)，将模拟退火机制引入到遗传算子中，提出一种新的算法；并通过选择测试函数，建立将该算法应用于不完全投影图像重建的优化模型，进行计算机模拟。通过对从投影角间距为15°的12个不同投影视角方向获取的投影数据进行分析，结果表明，该算法的重建图像具有较高的精度。     

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.     

基于混合算法的光学合成孔径成像系统孔径优化

结合模拟退火算法和遗传算法的优点,在遗传算法中加入模拟退火算子,运用这种混合算法对子孔径结构进行了优化。以阵列的子调制传递函数覆盖点间距最大化及最小冗余度来设计目标函数,实现了单圆周孔径阵列和双圆周孔径阵列的优化排列。使用仿真程序对优化阵列的光学传递函数进行了分析,将优化结果与相同子孔径数目的单圆周结构进行仿真实验和比较。结果表明,采用这种混合算法是可以很好的解决光学合成孔径结构的优化问题,优化结果接近全局最优解,优化后的双圆周阵列接近Golay阵列,具有更大的实际空间截止频率。     

WDM网络保护容量问题的遗传算法求解

本文以遗传算法为基础,设计了一个与传统数学方法完全不同的遗传搜索寻优算法并提出一种简捷解编码方式,该编码能够极大地简化选择、交叉和变异等遗传算子的执行.仿真实验结果表明文章算法能够迅速地求出保护容量优化问题的全局近似最优解,且能够满足工程设计的要求.     

一种用于云计算资源调度的改进遗传算法

针对轮询调度算法、遗传算法和模拟退火算法在云计算资源调度中存在收敛速度慢、易早熟和资源负载不均衡等问题,提出了一种基于模拟退火思想的改进遗传算法(Simulated Annealing Improved Genetic Algorithm: SAIGA)。改进算法设计了基于任务平均完成时间和负载均衡的双适应度函数和自适应的交叉变异概率函数,允许算法在退火过程中以一定概率接受劣质解从而避免早熟现象的发生,将虚拟资源上任务分配数的标准差作为选择个体的依据来实现节点的负载均衡。仿真结果表明,改进算法与上述算法相比,在任务平均完成时间、资源利用率以及收敛速度上表现得更优越,能够较快地找到资源最优调度方案,具有较好的可行性和实用性。     

基于关键路径链和PACGA的网络总线资源调度方法研究

针对传统工业控制网络总线资源调度算法在节点数量逐渐增加时收敛速度慢和搜索精度不高,且准确度及效率低等问题, 提出了一种基于关键路径链和多态蚁群遗传算法(PACGA)的资源调度方法,采用关键路径链的调度算法获取需求调度的节点,不同节点间采用多态蚁群遗传算法进行资源的调度,依据照工业控制网络资源调度的特征,用自适应调整挥发系数增强节点的全局搜索性能,通过候选节点集方法缩小搜索区域提高算法的搜索效率,完成工业控制网络总线资源的高效调度。仿真实验说明,该种方法在工业控制过程中任务数量较多的情况下仍然具备较高的运行效率和精度,并且具有较低的运行时间,具有较强的应用价值。     

改进蚁群算法的局部信息动态路径规划

针对传统蚁群算法收敛速度慢、对动态路径变化适应性低的局限性,提出了一种基于局部信息获取策略的动态改进型蚁群算法。该算法利用局部信息获取策略,进行最优局部目标点的获取,然后调用改进蚁群算法获取局部区域内的最优路径,再重复循环获取新的最优局部目标点,直到找到全局目标点。与此同时,将提出的改进型蚁群算法应用于动态路径规划中的路径寻优与避障,仿真结果表明：提出的算法在具有与传统蚁群算法相当的路径优化效果的同时,能够有效适应障碍变化、大大提高了路径规划的收敛速度。     

自适应混沌蚁群径向分析算法求解重力辅助导航匹配问题

针对现有重力导航匹配算法的匹配精度、匹配率受惯导初始位置误差影响较大以及实时性较差等不足,提出了一种基于自适应混沌蚁群径向分析的实时重力辅助导航匹配算法,新算法引入改进的连续域蚁群算法进行优化模型求解,通过进行连续域蚁群算法的信息素的自适应调整,同时对蚁群算法的搜索策略、计算参数、局部信息素进行混沌自适应处理,最终达到提高算法搜索效率、匹配率、抗噪性能的效果,实验结果表明,新算法对惯导初始误差不敏感,匹配率高,实时性强。     

用改进的两步模拟退火法进行二元光学元件的设计

为了减少二元光学元件设计的计算量并提高设计精度,在对现有算法机理进行深入分析的基础上,提出了适用于二元光学元件设计的两步模拟退火法.该算法在整个退火过程中采用先量化后优化的策略,并将优化过程分为两个阶段：搜索并锁定最优解区间;快速收敛到最优解.模拟实验显示,与传统设计方法相比,该算法不仅保持了全局寻优的特点,而且提高了稳健性和效率.算法剔除了对设计结果影响较大的量化误差,提高了设计精度.用此法实例设计了单焦面辐射聚焦元件,得到了与目标图像一致的光学实验结果.     

基于蚁群算法的二元光学优化设计

为了提高二元光学优化的速度,进一步提高衍射效率,提出一种采用蚁群算法直接设计二元衍射光学元件(BOE) 的方法, 构造出了用蚁群算法对具体的二元光学元件——矩形孔径多阶相位调制型光栅优化设计的有向图, 用Matlab对其结果进行仿真,缩短了运行时间,并使元件的衍射效率得到进一步提高。     

基于蚁群算法的辊式涂布涂层厚度图像检测

针对目前辊式涂布涂层厚度检测效率低、准确率低等问题,提出一种基于启发式蚁群算法的辊式涂布涂层厚度机器视觉检测方法。采用Canny算子的原理提取出边缘信息,得到了边缘点的先验知识;然后建立了改进的蚁群算法的边缘追踪模型,实现了信息素和启发信息对蚂蚁的导向作用,同时较好地避免了蚂蚁在非边缘区域的分布和行走,解决了传统蚁群算法中随机性与正反馈两种机制的协调问题,使用改进蚁群算法的机器视觉法进行测量实验,与机理建模法对比最大误差为5.74%,平均误差为4.04%,满足实际生产需要。     

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。     

基于蚁群算法自整定PID的风电系统最大风能追踪研究

以欠功率阶段的最大风能追踪为研究重点,对风力机捕获风能的过程进行理论分析,将蚁群算法自整定PID应用于最大风能追踪控制,设计了蚁群算法自整定PID控制器,并对其进行相应的仿真分析。仿真结果表明,与传统的PID控制策略相比,该控制策略使控制系统具有良好的动态响应能力,提高了控制精度、风能利用率、输出功率。     

基于人工免疫改进的搬运机器人蚁群路径规划

针对搬运机器人在障碍环境下的路径寻优问题,提出一种基于人工免疫改进的蚁群路径规划算法(AI-ACA)。蚁群算法(ACA)的规划依赖于信息素挥发系数、期望启发因子和信息启发因子等参数的选取,传统ACA通过经验来设定这三个参数,但路径寻优中的最优参数因障碍环境而异,为解决经验参数对不同环境路径寻优结果的影响,引入人工免疫算法(AIA),对ACA的相关参数进行迭代优化,以此改善路径寻优结果。仿真结果及在自制机器人平台上测试表明,AI-ACA对于不同障碍环境可以准确地进行路径规划,在同样环境下较所参考的定参数蚁群路径规划效果有明显提升,提高了整个系统的运输效率。