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。     

基于遗传算法的供水管网优化设计研究

从经济性和可靠性角度出发,应用数学建模与最优化理论,对城市供水管网优化设计进行了系统的研究．通过对已有管网优化设计数学模型的分析,提出了以经济性和可靠性为目标函数的多目标优化数学模型．建模过程中,将系统可靠性定义为“节点富余水头加权平均值”和“管网恢复力”,使对管网系统可靠性的评价更加直观和定量化．同时将管网年费用作为经济性衡量指标;管径组合方案优化采用遗传算法进行求解;编制了相应计算程序,对某一管网进行优化设计．研究结果表明由该方法产生的优化设计方案在经济性、水力性和可靠性方面均好于传统设计方案．     

基于遗传算法的无线传感器网络覆盖问题的多目标优化

覆盖是无线传感器网络的一个基本问题,在确定的监测区域内,使用尽可能少的传感器节点而又能实现最优的覆盖度,这样不仅节约能源,而且减少信道访问冲突,延长网络的生存周期.本文对无线传感器网络的覆盖问题进行了研究,建立了网络覆盖问题模型,并通过基于Pareto排序的遗传算法来求解这个多目标优化问题.     

基于遗传算法优化的神经网络PID控制器

对于参数可变的时变系统和非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为1种有效的控制策略．根据神经网络初始权值的选取影响控制器性能的特点,提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化．仿真结果证明了该算法的有效性。     

基于改进型期望值选择的GA及程序实现

遗传算法(Genetic Algorithms,GAs)作为一种新的全局优化搜索算法,在各学科中有着广泛的应用,选择策略在GA的进化中具有重要的意义,直接决定GA进化结果的效率和效果,该文指出基于轮盘赌选择的遗传算法和基于传统期望值选择的遗传算法的不足,并在此基础上提出了基于改进型期望值选择的遗传算法(RevisedExpected Value Selection-GA,REVS-GA),提高了程序的简洁度,同时通过实验证明了REVS-GA有效地克服了“早熟”现象,并且执行的效率比传统算法高.