杨波[1]2003年在《基于混沌理论的遗传算法改进及应用研究》文中研究说明遗传算法作为一种新的全局优化算法已在许多领域中取得了令人鼓舞的成就。但是在实际工程应用中经常发生早熟收敛现象，且有时收敛速度非常慢，这在很大程度上限制了遗传算法的进一步普及应用。 本文首先介绍了遗传算法和混沌理论的基本概念，在详细分析了M.Srinivas提出的自适应遗传算法的基础上，提出了改进此算法的策略；然后，分别研究了基于混沌开关策略和混沌优化策略的遗传算法，成功地解决了函数优化问题；接着，本文重点研究了基于遗传算法的多播路由选择问题，提出了混沌搜索有效基因的新方法，使遗传算法能够快速找到最佳多播路由；最后，采用改进的遗传算法成功地解决了有OoS限制的多播路由选择问题，取得了满意的效果。 仿真结果表明，本文提出的改进策略能有效地防止遗传算法的早熟收敛问题，加快了遗传算法的收敛速度，为遗传算法的进一步普及应用做了有益的探索。
费腾[2]2016年在《改进人工鱼群算法及其在物流选址优化中的应用研究》文中提出人工鱼群算法是一种基于动物行为的新型全局寻优群智能优化算法,其基本思想是对鱼群觅食、追尾和聚群行为的模拟,通过人工鱼之间的协作与竞争来实现全局寻优。具有简单易行、并行能力强、对初始值要求不高等特点,已成功应用于信号处理、神经网络优化、图像处理、经济系统优化、生物信息处理等众多领域。但在算法后期,存在多样性差、易陷入局部最优、收敛速度变慢、搜索效率降低等不足。因此,本文在总结人工鱼群算法及其应用现状的基础上,提出了新的改进算法,并将改进算法应用于物流选址优化问题中。本文所做的主要工作如下:(1)提出一种基于DNA计算的改进人工鱼群算法。将DNA计算中的交叉与变异操作应用于基本人工鱼群算法,以增加算法后期的鱼群多样性,从而使得人工鱼能够跳出局部极值点,向全局极值点逼近。理论上分析了改进算法的收敛性及时空复杂度,测试函数仿真验证了算法的优越性。并将新的改进算法应用于优化配送中心选址问题,计算机仿真表明,基于DNA计算的改进人工鱼群算法在解决配送中心选址问题上更为有效,能够找到费用更低的中心站址。(2)提出一种基于细菌觅食的改进人工鱼群算法。将人工鱼群算法与细菌觅食算法相融合,利用细菌觅食算法中趋化操作具有局部拓展寻优能力的优势,将趋化算子嵌入到人工鱼群算法中,提高了算法后期局部搜索能力。分析了改进算法的收敛性及时空复杂度,测试函数验证了算法有效性。同时应用于配送中心选址问题的优化求解,仿真验证了改进算法的优化性能优于基本人工鱼群算法和遗传算法。(3)提出一种自适应Levy分布混合变异人工鱼群算法。根据变异能够增加生物多样性的基本思想,将Levy变异和混沌变异引入人工鱼群算法,Levy变异能够引导人工鱼群算法跳出局部最优,保持了鱼群的多样性;混沌变异增强了算法局部搜索能力,保证了算法后期的收敛速度。理论分析和测试函数验证了改进算法的有效性。并采用改进算法优化求解配送中心选址问题,仿真结果表明,改进算法具有良好的优化性能。
罗钦平[3]2012年在《遗传算法的改进及其在结构优化中的应用研究》文中研究说明遗传算法是一种借鉴生物界自然选择和遗传机制的高度并行、随机、自适应的全局优化概率搜索算法。国内外都非常重视遗传算法的理论和应用研究，并取得了令人瞩目的进展，遗传算法的应用成果已渗入到许多领域。结构优化设计是将优化原理和计算机技术应用于工程设计，使所设计的结构在满足各种规范或特定要求的限制下，某些评价指标(重量，刚度，造价等)达到最佳。遗传算法作为新兴的智能优化技术中的最重要的算法之一，在结构优化中有着广泛的应用前景。但遗传算法的理论和方法尚未成熟，算法自身的一些不足也有待于进一步地改进和完善。本文通过研究遗传算法理论基础，分析遗传算法的运行机理，研究遗传算法各构成要素对算法性能的影响，对各个步骤操作进行了深入分析并提出改进方法。针对现有自适应遗传算法中所存在的局部搜索能力弱、晚期运算效果的不确定性等缺点提出新的自适应遗传算法，并在MATLAB环境中实现遗传算法求解结构优化问题。本文的主要研究工作如下：1.深入分析遗传算法的基本理论，阐述了遗传算法的实现方法，针对遗传算法的缺点，对适应度函数、选择算子、交叉算子、变异算子的基本性质及其对遗传算法性能的影响进行了进一步分析并提出相应的改进方法。2.深入分析自适应遗传算法的基本思想和一种改进的自适应遗传算法以及他们存在的优缺点。针对现有算法的不足，提出一种随种群的进化而动态变化的自适应交叉算子和变异算子来改进现有的自适应遗传算法，以增强收敛性，提高算法的优化效率及确定性；引入了精英保留策略以克服各代种群最佳个体未能保护的缺点。用典型测试函数验证改进算法的有效性。3.深入分析结构优化理论，并针对桁架结构的特点和遗传算法运用要求，选择了罚函数法进行去约束处理，得到适应度函数。文中用MATLAB编制程序实现了所改进的自适应遗传算法。基于新算法的思想，对叁杆及十杆这两种典型桁架结构进行优化，并对新算法的优化结果、优化进程与简单遗传算法的优化结果、优化进程进行比较，验证了改进算法的可行性和有效性。
庄嘉祥[4]2013年在《精英策略遗传算法改进及在作物模型参数优化的应用》文中进行了进一步梳理遗传算法(Genetic algorithm, GA)是一类借鉴生物进化论和遗传学原理的自适应全局随机搜索算法,具有简单易行、鲁棒性强等优点。目前GA研究还存在局部搜索能力弱、早熟收敛和收敛速度慢等问题。精英策略是利用种群精英个体信息来改进算法性能,已有改进算法有效解决了收敛速度慢的问题,但是仍存在进化后期局部搜索能力弱的问题,求解病态测试函数时会出现早熟收敛现象。作物生长模型是以作物生长发育内在规律为基础,对作物生理过程与环境和技术的关系加以理论概括和量化分析的数学模型。当模型在不同环境条件或考虑品种差异时,模型品种参数需要重新优化,属于多变量、非线性的复杂优化问题。遗传算法作为一种启发式的全局优化方法,非常适合求解此类优化问题,但传统遗传算法在应用过程中存在早熟收敛现象。已有改进遗传算法虽然可获得更准确的模型参数,但存在着结构复杂且参数较多、求解效率不高等问题。针对上述问题,本研究提出了一种基于精英策略的改进遗传算法,提升了算法搜索性能；并将其应用到作物生长模型品种参数估算中,为解决作物模型参数优化问题提供了一种新方法；在此基础上开发了基于改进遗传算法的水稻生育期模型参数优化系统。论文的主要贡献包括：(1)提出个体优势遗传算法(Individual Advantages Genetic Algorithm, IAGA),提高了算法的收敛速度和收敛精度。基于精英策略思想,在种群进化过程中引入了一个精英子种群,保持算法全局收敛性的同时,增强算法在最优解区域的局部搜索能力。引入半粒子群变异算子(Semi-Particle Swarm Mutation Operator, SPSMO),利用精英个体信息引导个体变异,提高了算法前期向全局最优解靠拢的速度；精英子种群更新中引入个体优势算子(Individual Advantages Operator, IAO),提高种群优势个体的多样性。理论分析证明,IAGA具有全局收敛性。14个测试函数试验结果表明：算法收敛速度快,寻优能力强。与已有同类算法相比,平衡了收敛速度和全局收敛性之间矛盾的同时,进一步提高了收敛速度和精度。(2)提出基于IAGA的水稻生育期模型参数优化方法,实现品种参数自动率定。以IAGA为基础,RiceGrow和ORYZA2000水稻生育期模型为应用对象,设计了IAGA和水稻生育期模型耦合框架、目标函数及适应度函数。针对汕优63、盐粳2号、芦丝占、雪花粘和两优培九等5个水稻品种多年实测数据的试验结果表明：1) IAGA可获得较准确的模型品种参数,试验验证结果的RMSE<3.05d, R2>0.9885.2)调参数据量大小对IAGA拟合结果影响不大。由3年数据增加到6年数据,试验结果的最大NRMSE值由2.58%增大到3.08%,增加了0.5%。3)选择隔年并包含全生育期天数最大值与最小值的调参数据,可以获得较准确的模型品种参数。4)IAGA应用效果优于复合形混合演化算法、遗传模拟退火算法以及标准粒子群算法,可获得更准确的模型品种参数。(3)研制基于IAGA的水稻生育期模型参数优化系统(CDSMPOS-IAGA),提供模型自动调参软件工具.以基于IAGA的水稻生育期模型参数优化方法为基础,采用构件化软件开发方法,研制了CDSMPOS-IAGA系统。RiceGrow和ORYZA2000水稻生育期模型品种参数优化应用案例表明：CDSMPOS-IAGA可快速准确估算水稻生育期模型参数。
宋倩[5]2010年在《SDD-1算法的改进及其应用研究》文中指出作为一种分布式数据库的查询优化方法,由于其本身的局限性,SDD-1算法所生成的查询计划的通信费用并非最小,而且当连接查询涉及到的站点数目较多时,会因其生成查询计划的时间过长而导致查询效率下降。本文针对SDD-1算法的这两个缺陷,设计了一种基于遗传算法的I-SDD-1算法。用遗传算法求解I-SDD-1算法的查询计划；设计了适用于该问题的群体初始化方法、群体规模、适应度函数、结束条件和相关遗传算子；通过仿真程序比较了I-SDD-1算法和SDD-1算法生成查询计划的时间复杂度；在此基础上结合绿色清洗数据库系统的需求特性,设计了符合该系统特点的查询优化方法并设计了模拟实验。实验证明,尽管查询连接的站点数目较少时,I-SDD-1算法生成查询计划的时间较长。但是由于其生成的查询计划通信费用较小,所以在涉及到数据的远程传输时,I-SDD-1算法的整体查询效率高于SDD-1算法。当查询连接的站点数目较多时,I-SDD-1算法在生成查询计划时间和通信费用两方面都优于SDD-1算法。由于遗传算子设计得不够理想,I-SDD-1算法的执行结果并不是每次都是最优的。完善遗传算子的设计以及提高I-SDD-1算法收敛于最优解的概率将是以后的研究方向。
杨海清[6]2004年在《遗传算法的改进及其应用研究》文中提出遗传算法是模拟自然界生物进化过程与机制求解问题的一类自组织与自适应的人工智能技术，已广泛应用于计算机科学、人工智能、信息技术及工程实践，但在算法性能方面还有不足之处，因而对其进行改进研究具有理论意义和实用价值。 国内外对遗传算法已经作过许多改进研究。目前，遗传算法的主要问题有两个：早熟收敛和开采能力差。相应的解决策略是：维持种群个体多样性和增强对局部领域的搜索开采能力。 针对遗传算法存在的问题，在总体解决思路的指引下，本文在叁个方面对遗传算法进行改进研究。 一、将自适应策略引入种间竞争遗传算法。该方法不仅运用交叉算子和变异算子的自适应调节技术协调种内进化过程，而且通过种间竞争频率的自适应调节促进最优个体的生成。 二、将小生境技术和单纯形方法融入遗传算法中提出一种新的基于小生境的混合遗传算法。该方法一方面运用小生境技术增强遗传算法“探测”能力，另一方面通过使用单纯形搜索方法提高遗传算法的“开采”能力，从而有效消除遗传算法的两大弱点。 叁、针对多模态函数优化问题中的小生境半径变化差异悬殊的特点，给出一种小生境半径自动确定的设计方法。算例仿真表明了该方法的有效性。 最后，应用改进的遗传算法求解供水泵站效率优化问题，验证了改进算法的有效性。
菅倩[7]2008年在《基于矩阵编码的遗传算法研究与应用》文中认为作为一种搜索算法,遗传算法通过对编码、适应度函数、复制、交叉和变异等主要操作的适当设计和运行后,可以做到兼顾全局搜索和局部搜索遗传算法不依赖于问题的具体领域,它具有自适应性、全局优化性和隐含并行性,体现出很强的解决问题的能力。随着遗传算法应用领域的不断扩大,其操作、搜索能力不满足要求的现象也日趋增多。在解决多参数寻优问题时,通常的二进制编码串很长。一个长的二进制串会给选择、交叉等操作带来不便,造成计算机的运算过程复杂而时间长,从而降低了遗传算法的搜索效率。若采用的编码串短又不能满足问题的精度要求。在多维空间内寻优时,要把一个矩阵展开成一个串,同样也有字符串过长的现象。可见,要妥善解决多参数寻优问题、高维矩阵等问题,首先要改善编码策略。针对上述问题,本文提出了一种改善二进制编码的方法—矩阵编码。它是根据待求参数的个数来确定所用矩阵的行数和列数,根据实际问题的精度要求确定矩阵编码串长度L。将1×m维的二进制编码串化为n×h的矩阵向量。在这种编码方法下,有效降低了编码串的长度L,增强了选择、交叉的操作能力,缓解了计算机内存的占有率,进一步提高了遗传算法的搜索效率。论文分别从理论角度和实际应用两方面来论证矩阵编码遗传算法的可行性。本文主要做了以下工作:1)深入学习遗传算法;介绍了遗传算法的产生和发展、基本原理和特点、遗传算法中存在的共性问题及遗传算法的理论研究现状及应用。2)在分析遗传算法存在问题的基础上,提出了矩阵编码遗传算法。对基于矩阵编码遗传算法的编码策略,遗传操作,适应度函等相关理论进行详尽论述。3)将基于矩阵编码的遗传算法应用于实际。首先通过PID参数整定来验证矩阵编码遗传算法的可行性,然后采用矩阵编码遗传算法来解决实际问题。多输入n维连续时间线性系统极点配置和最小二乘模型辨识问题其实质属于多参寻优、高维矩阵运算求解问题范畴,符合矩阵编码遗传算法的适用范围。采用基于矩阵编码的遗传算法来实现,实验表明矩阵编码遗传算法可以很好地解决这类问题。总之,本文描述了一种基于矩阵编码遗传算法来解决多参数、高维矩阵求解问题的方法。这个方法的基本原理是通过把个体用矩阵串表示,从而降低了编码串的长度,与此同时简化了遗传操作,有效增加种群多样性,提高了搜索效率。通过理论阐述与实际应用表明这种方法是合理可行的,将对多参数、多维空间的寻优或矩阵方程的优化的解决提出了一种确实可行的有效的方法,使遗传算法的理论方法及其应用领域都得到进一步扩展。
李欣[8]2008年在《自适应遗传算法的改进与研究》文中研究说明简单遗传算法作为一种启发式搜索算法,寻优理论还不完善。因此,在应用中常出现收敛过慢、稳定性差及早熟现象等问题,而现有的一些自适应遗传算法容易产生局部最优解。因此,对自适应遗传算法的进一步研究和探讨是很必要的。针对简单遗传算法和现有的一些自适应遗传算法的缺陷,本文分析了种群“早熟”性能指标和计算量,并且判断种群当前适应度最大的那些个体是否重复或相互趋同,由此发展了一种新的种群“早熟”程度评价指标,结合自适应调整遗传算法的控制参数的思想,提出了一种改进的自适应遗传算法。作者希望本论文提出的新的自适应遗传算法,不仅能加快遗传进化速度,而且能增强遗传算法的全局收敛性能,从而得到满意的全局最优解。本文首先介绍了遗传算法的背景、发展历程和应用,国内外研究现状,说明了研究的背景、目的和预期结果;其次介绍了简单遗传算法和几种改进自适应遗传算法,分析了现有的一些自适应遗传算法存在的缺陷,为下一步工作奠定基础;最后本文提出了一种新的判定种群“早熟”程度的方法,对算法的交叉概率和变异概率进行改进,设计实现了本文提出的新算法。实验结果说明新算法具有计算稳定性高、收敛速度快等特点,是一种性能良好的改进的自适应遗传算法。
张家善[9]2014年在《基于改进蚁群算法的物流配送车辆路径优化研究》文中指出本文以物流配送过程中的车辆路径优化问题为研究对象,对车辆路径优化的理论和方法展开系统研究。通过对标准车辆路径问题增加约束条件,建立起了扩展的车辆路径优化模型,提高了理论模型的可信度和应用价值。针对建立的车辆路径优化模型,设计出改进的蚁群算法,以缩短求解时间,提高求解质量,并通过仿真结果分析了改进算法的正确性和有效性。论文主要研究内容包括：首先,综述了车辆路径优化问题的国内外研究现状。通过对车辆路径优化问题研究现状的分析,指出目前研究存在的问题与不足。进而,引入容量、距离、时间窗、同时取送货等约束,建立起车辆路径问题的几种扩展模型。其次,综述了车辆路径优化问题的各种求解方法,包括精确算法和各种启发式算法。重点分析了蚁群算法研究现状以及其在车辆路径优化问题中的应用状况。然后,研究了蚁群算法的改进问题,提出了两种改进算法：一是求解大规模VRP问题的基于密度聚类的双层蚁群算法；二是改进的混合蚁群算法。最后,研究了如何运用改进的蚁群算法进行车辆路径优化。通过实例仿真,采用对比分析法对改进算法进行评价。本文的创新之处主要有以下几点：(1)提出了一种求解大规模VRP问题的基于密度聚类的双层蚁群算法。该算法通过采用基于密度的聚类算法对客户节点聚类,降低求解问题规模,而后分别在两个层次使用蚁群算法求解。(2)提出了改进的混合蚁群算法。通过将遗传算法中的变异、交叉算子等引入蚁群算法,提出了改进的混合算法框架。(3)设计了一种新的状态转移规则。针对带时间窗车辆路径问题特点,通过将时间窗宽度和顾客等待时间引入状态转移中,设计了一种新的状态转移规则。(4)建立了多目标物流配送车辆路径问题数学模型。通过引入配送车辆数、行驶距离、客户满意度等目标,建立起了多目标物流配送车辆路径问题数学模型,并基于混合蚁群算法求得问题的Pareto最优解。
李瑞霞[10]2007年在《智能PID整定方法的仿真与实验研究》文中认为PID控制器因为结构简单、容易实现，并且具有较强的鲁棒性，因而被广泛应用于各种工业过程控制中。作为一种广泛的控制规律，PID控制并没有因为各种先进控制算法的出现而遭到淘汰，相反，由于其应用时期较长，控制工程师们已经积累了大量的PID参数整定的经验。但是简单的PID控制往往不能达到令人满意的效果，对于工业过程中的复杂系统，传统的PID控制更是显得无能为力。本文从理论上深入研究了模糊控制理论、遗传算法，并将PID控制与智能控制中的模糊控制及遗传算法结合起来，形成了模糊自适应整定PID算法和基于遗传算法的PID参数整定方法。MATLAB软件仿真结果表明这两种智能PID整定算法效果良好，能够达到预期的控制效果。在此基础上，对实验室现有的电液伺服位置闭环控制系统进行了建模，用常规PID控制、模糊PID控制及遗传算法PID控制方法分别对该实验系统进行了仿真与比较；并构建了基于DSPACE实时系统的混合仿真实验平台，进行了多种参数整定方法的PID控制效果的实验验证。仿真与实验结果均表明，智能PID整定方法具有良好的控制效果，明显好于常规PID整定方法，特别是由遗传算法整定的PID控制效果更好一些。
参考文献：
[1]. 基于混沌理论的遗传算法改进及应用研究[D]. 杨波. 南京理工大学. 2003
[2]. 改进人工鱼群算法及其在物流选址优化中的应用研究[D]. 费腾. 天津大学. 2016
[3]. 遗传算法的改进及其在结构优化中的应用研究[D]. 罗钦平. 中北大学. 2012
[4]. 精英策略遗传算法改进及在作物模型参数优化的应用[D]. 庄嘉祥. 南京农业大学. 2013
[5]. SDD-1算法的改进及其应用研究[D]. 宋倩. 西安电子科技大学. 2010
[6]. 遗传算法的改进及其应用研究[D]. 杨海清. 浙江工业大学. 2004
[7]. 基于矩阵编码的遗传算法研究与应用[D]. 菅倩. 太原理工大学. 2008
[8]. 自适应遗传算法的改进与研究[D]. 李欣. 南京信息工程大学. 2008
[9]. 基于改进蚁群算法的物流配送车辆路径优化研究[D]. 张家善. 辽宁工程技术大学. 2014
[10]. 智能PID整定方法的仿真与实验研究[D]. 李瑞霞. 太原理工大学. 2007
标签：自动化技术论文; 遗传算法论文; 自适应论文; 仿真软件论文; 能力模型论文; 蚁群算法论文; 优化策略论文; matlab函数论文; 路径分析论文; 算法论文;