基因块编码的并行遗传算法及其在TSP中的应用

针对简单遗传算法在较大规模组合优化问题上搜索效率不高的现象,提出了一种用基因块编码的并行遗传算法(Building-block Coded Parallel GA,BCPGA).该方法以粗粒度并行遗传算法为基本框架,在染色体群体中识别出可能的基因块,然后用基因块作为新的基因单位对染色体重新编码,产生长度较短的染色体,再用重新编码的染色体群体作为下一轮以相同方式演化的初始群体.将BCPGA应用于一个100城市的旅行商问题(TSP)中,结果表明本方法可以提高遗传算法的搜索效率,并且在相同条件下,BCPGA明显优于单纯的粗粒度并行遗传算法.     

聚类分析在多极值函数优化中的应用

将聚类分析方法应用于经典的优化和遗传寻优过程当中，提出了一种求解多极值函数全局最优解的方法。在基于梯度的算法中，先取多个初始点，几次迭代搜索后做聚类分析。在每类取一点，将目标函数分为多个单极值函数，然后分别寻优，通过比较得到全局最优解。在遗传算法中，通过聚类分析在每类取若干个体作为代表个体，它们将始终参与遗传操作，从而有望达到全局最优。     

Ⅰ型糖尿病基因免疫治疗研究

Ⅰ型糖尿病是由T细胞介导自身免疫性疾病,由胰岛β细胞免疫破坏所致.其基因免疫治疗主要包括诱导免疫耐受、改变抗原提呈细胞的功能及活性、改变免疫调节细胞因子、干扰协同刺激信号和调节细胞凋亡.     

基于改进广义回归神经网络的雷达故障预测

针对目前雷达故障预测存在的问题,提出了一种基于遗传算法(GA)的广义回归神经网络(GRNN)模型.该模型以前10个时刻的雷达状态为输入,以下一时刻状态及其变化速度为输出;利用遗传算法对网络平滑因子以及网络结构进行优化,以均方差(MSE)最小构造适应度函数.仿真结果表明,所提出的GRNN模型预测值与计算值的偏差系数2.62%,期望偏差率2.07%.     

PSO-QGA在移动机器人复杂路径规划中的应用

量子遗传算法具有适应性强、收敛速度快、适合于全局搜索的特点,粒子群优化算法的优点是具有记忆能力,在智能搜索的实现上可以结合个体和全局的最佳位置实现位置定位,但粒子群优化算法在搜索速度和择优能力方面还有待提升.因此提出了一种改进的路径规划算法,即利用量子遗传算法结合粒子群优化算法的记忆功能和最佳定位能力,实现对移动机器人路径规划算法的改进.通过仿真实验已经证明,改进后的移动机器人路径规划算法在稳定性和路径优化选择上都优于单纯的粒子群优化算法和量子遗传算法,并且改进后的算法更适合于复杂路径中实现优化.     

机械系统动态优化设计的混合遗传基因方法

融合复合形法和基因算法提出一种可以有效地解决机械系统动态优化设计问题的随机优化算法－混合遗传基因法。该法以遗传基因方法实现代间进化，以复合形法改进代间较差个体以加速进化。数值分析结果表明，该方法结构正确，算法简洁。     

基于分级遗传算法的结构损伤识别方法

提出了一种基于遗传算法的利用不完整振动数据识别结构损伤的新方法，该方法首先扩展不完整的振型并利用单元能量熵差比确定结构损伤的大致位置，然后采用二级搜索策略，借助遗传算法确定结构损伤的程度，数值计算结果表明，当可能的损伤区域较大时，本方法较直接搜索策略更能有效地确定结构损伤的程度。     

基于免疫遗传算法改进DFNN模型及其应用

针对动态模糊神经网络（DFNN）在进行预测应用时容易陷入“局部极值”的缺陷,提出一种改进方案。综合人工免疫算法和遗传算法的优点,用免疫选择优化遗传算法的进化策略,提出一种新的免疫遗传算法。将免疫遗传算法对模糊神经网络的学习算法进行改进,增强其学习能力和算法的稳定性。结合复杂性强的短期电价预测问题,采集美国PJM电力市场的实际数据作为样本数据,对免疫遗传算法改进DFNN进行实证研究。研究结果表明：与DFNN的预测结果相比,改进后的方法在同样的运算条件下,预测精度提高4．5％,而运算时间仅增加6．4s,说明基于免疫遗传算法对DFNN模型的改进效果较好。     

利用粒子滤波原理求解函数优化问题

针对多维函数优化容易陷入局部极小值问题,提出一种基于粒子滤波原理的优化算法.首先简要地介绍粒子滤波算法的基本原理;再针对函数优化问题,阐述利用粒子滤波实现优化算法的基本思想,并介绍了其具体的实现步骤,同时为了丰富粒子的多样性,引入了遗传算法的交叉和变异操作;最后为了验证新算法的有效性,采用30维的Benchmark函数进行仿真实验.仿真实验结果表明:基于粒子滤波的优化算法在解决多维函数优化问题方面较其他优化算法具有更强的全局搜索能力和求解精度,这也为优化算法的研究提供一种新的途径和手段.     

基于利润最大化的油田开发非线性规划

根据油田开发的实际情况，将油田的产量和利润细分为9个部分，以获得最大利润为目标，同时综合考虑了成本、投资等约束，建立了油田开发非线性规划数学模型。为了能够获得全局最优解，给出了基于遗传算法的非线性规划求解算法。利用某油田的实际开发数据，对提出的优化方法进行了验证，并给出了一组最优解。验证结果证实了所建模型的合理性和优化方法的有效性。