基于粒子群算法的多基地雷达优化布站方法

为提高多基地雷达探测及"四抗"能力,提出了一种基于混沌变异粒子群算法的多基地雷达优化布站方法.定性分析了多基地雷达的布站原则,并对其量化,建立了优化布站的数学模型.为加快求解速度,结合混沌理论对标准粒子群算法进行了改进,给出了混沌变异粒子群算法在该优化问题中的设计方法,并与标准粒子群算法和遗传算法进行了仿真对比.结果表明,该方法能够快速有效得出多基地雷达优化布站方案.     

动态WTA问题的混沌人工鱼群算法

针对不同作战平台上多个武器单元对一批目标进行射击时的武器目标分配问题,建立了该问题的数学模型。采用混沌人工鱼群算法对动态条件下的武器目标分配问题进行求解,并设计一个实例进行仿真实验。仿真结果表明,在时间约束条件下该算法较遗传算法更具优越性,验证了混沌人工鱼群算法用于动态武器目标分配的有效性。     

遗传算法在阵列天线误差校正及优化中的应用

针对阵元位置误差影响DOA估计算法性能的问题,采用遗传算法寻找阵元的最佳位置进行校正。然后研究了在阵元数一定、放置范围可变和阵元放置范围一定、阵元个数可变的情况下,如何利用遗传算法对阵列进行优化。最后给出了计算机仿真结果。结果表明这种方法可以有效地对天线阵列进行误差校正及优化。     

基于量子免疫遗传算法的火力分配优化问题

针对传统方法在解决火力分配优化问题时存在迭代次数多、收敛速度慢、易陷入局部极值等不足,将免疫遗传算法中的免疫克隆、免疫记忆、免疫平衡机制引入到量子遗传算法中,利用求解问题的先验知识和局部最优解信息来改善和优化量子遗传算法的性能,提高了算法的收敛精度、收敛速度和稳定性。在分析问题背景和算法实现过程的基础上,通过实例仿真,模拟了不同容量的抗体记忆库对算法性能的影响,对比了普通遗传算法、量子遗传算法、免疫遗传算法以及文中所提及的量子免疫遗传算法在解决火力分配优化问题上的不同优化效果,结果表明:该方法在解决火力分配问题时,可以有效克服早熟现象,具有收敛速度较快、稳定性较好的特性。     

改进遗传算法在传声器阵列优化中的应用

规则平面阵列因其结构周期性,在进行波束综合时存在主瓣宽、旁瓣电平高等问题。对此,提出一种基于改进遗传算法的阵列优化方法。设计平面栅格传声器阵列,以满足阵元间距的要求,并构造以主瓣宽度为约束条件、以全局旁瓣电平为适应度的目标函数,对常规遗传算法进行改进,采取个体间自由交叉、随机的阵元数量强制变异的策略来增大种群的搜索范围。通过仿真,得到多个优化阵列,与几种规则平面阵列相比,在不同的信噪比输入下,经过改进遗传算法优化得到的随机阵列均有更好的表现。而相比于几种常规的优化算法,改进的遗传算法具有更强的搜索能力,得到数量更多、性能更优的随机阵列,由此证明了所提方法的可行性。     

基于遗传算法的配送路线优化

探讨物流配送路径优化问题,研究选取恰当的配送路径,是在物流过程中提升响应速度,提高服务质量,降低物流成本,提高效率的有效途径.物流配送路径优化问题是一个NP完全问题,使用传统优化方法很难得到最优解或满意解.通过对配送路线优化问题和遗传算法的分析研究,探讨了基于配送路线优化的遗传算法设计,给出了一个算法实例,利用Matlab强大的数值计算能力较好地解决了这个难题并进行了实例验证.说明了遗传算法在求解配送路线优化时的有效性和实用性.对物流系统进行科学的配送路径的优化决策具有实际指导意义.     

采用改进遗传算法的舰载机保障调度方法

舰载机保障作业过程受到多种资源约束,同时可能存在突发事件的干扰。针对此特点,分析并制定干扰情况下的模型修正策略。在遗传算法中引入禁忌搜索算子改进传统遗传算法的变异操作,并通过具体实例进行仿真验证,其结果证明改进后的遗传算法在优化含干扰事件的多机保障问题时效率更高,并通过甘特图直观地反映重调度方案,为真实情况下有效处理舰载机保障过程中的干扰事件奠定理论基础。     

基于改进遗传算法的结构损伤识别

结构损伤识别问题在数学上可以转化为一种带约束的目标函数优化求解。将基于混沌系统的优化理论和免疫系统的基本机制提出的自适应免疫遗传算法用于结构损伤识别,研究其有效性和可行性。通过平面框架单元损伤识别算例分析,表明该方法是实用可行的。     

GA BP网络在机体研制费用预测中的应用

针对目前BP神经网络在应用中,网络结构难以确定以及网络极易陷入局部解问题,用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中引入交叉概率和变异概率与个体的适度值相联系,改进了操作算子,而且在交叉操作后又引入模拟退火机制,提高遗传算法的局部搜索能力.建立了基于改进遗传算法的BP网络费用预测模型,并以某型飞机机体进行实例分析,计算结果表明,该方法预测的准确性更高,且预测结果稳定.     

基于混合遗传算法的拦截弹道优化方法

传统的遗传算法中,交叉和变异样本的选择直接影响算法的收敛.通常根据工程实际需求调整交叉和变异样本的选择概率来提高遗传算法运行的有效性和防止早熟现象的发生.将传统的单纯形搜索算法与遗传算法相结合,提出了一种混合遗传算法,并在算法中增加了加速循环操作,提高遗传算法在求解优化问题特别是工程应用中的有效性,以便优化拦截弹道.数学仿真结果表明该方法能够有效地解决迎面拦截弹道问题.     

A New Chaotic Genetic Hybrid Algorithm and Its Applications in Mechanical Optimization Design

A new chaotic genetic hybrid algorithm(CGHA) based on float point coding was put forward in this paper.Firstly,it used chaos optimization to search coarsely and produced a better initial population.Then,a power function carrier was adopted to improve the ergodicity and the sufficiency of the chaos optimization.Secondly,the genetic algorithm(GA) was used to search finely and guaranteed the population's evolution.To avoid the search being trapped in local minimum,a chaos degenerate mutation operator was designed to make the search converge to a global optimum quickly.Finally,CGHA was used to solve a typical mechanical optimization problem of shear stress checking for a cylinder helix spring.Compared with traditional penalty function method,chaos-Powell hybrid algorithm and standard GA,CGHA shows better performance in solution precision and convergence speed than those of the algorithms.Therefore,CGHA is a new effective way to solve the problems in mechanical optimization design.     

云模型改进惯性权重的混沌交替粒子群算法

标准粒子群算法通过线性减小惯性权重系数来调整寻优性能,但缺乏智能化机制易导致算法后期产生早熟或陷入局部最优而产生僵局。针对这一问题,提出一种基于云模型改进惯性权重的混沌交替粒子群优化算法。根据粒子迭代变化关系,采用云模型理论对惯性权重ω进行智能化调整,以平衡其全局和局部搜索能力,防止算法产生局部僵局;另外,判定粒子稳定性,对于可能陷入局部僵局的稳定粒子进行混沌扰动,促使其跳出僵局进而向最优位置更新。实验与分析表明,基于云模型改进惯性权重的混沌交替粒子群优化算法能够跳出局部僵局且具有较高的寻优精度,算法接近完全收敛时的平均迭代次数,较现有相关研究分别降低了13.73%~20.11%。     

基于遗传模拟退火算法的空袭兵力分配及优化

对遗传模拟退火算法中的交叉、变异操作进行了改进,并实施了最优保留策略,形成了改进遗传模拟退火算法.以突击效果最大化和兵力损失最小化为目标函数,以空袭兵力总量的限制、空袭兵器挂载类型的限制等为约束条件,建立了空袭兵力分配及优化模型.在考虑兵力分配模型特点的基础上,利用改进遗传模拟退火算法求解.通过与多目标数学规划和标准遗传算法优化进行的比较表明,该方法能够有效地解决带约束的多目标优化问题.     

指挥信息系统非线性最优化问题的混沌搜索解法

指挥信息系统进行辅助决策很多情况下是一个求解最优化问题的过程,指挥信息系统遇到的很多问题具有非线性,同时指挥信息系统对算法的适应性和收敛速度要求相当严格。对此,普通的优化技术只能求出局部最优解。基于混沌搜索技术的计算智能具有全局搜索能力强、算法简洁、计算量小、收敛速度快的特点,成为一种求解非线性最优化问题全局最优的有效方法。算例表明,当搜索次数达到一定数量时,混沌搜索方法可以保证算法收敛到全局最优解,且计算效率很高。     

基于遗传算法的电子对抗作战实验寻优方法

作战仿真实验是评估电子对抗作战效能的理想方法,但在方案寻优时却面临实验方案"组合爆炸"的困难。对此,提出了将遗传算法引入作战实验寻优过程的求解思路。简要介绍了电子对抗作战仿真系统;分析了电子对抗作战方案拟制一般流程,建立了电子对抗作战方案优化模型,并给出了结合遗传算法和作战实验对其进行求解的原理和步骤;通过空袭作战电子对抗方案寻优的实例验证了方法的有效性。结果显示,本方法能够极大地提高寻优效率。     

基于GRA-PSO算法的端铣工艺参数多目标优化

考虑生产实际的需求,综合最小变形误差、最大金属切除率和最大刀具耐用度建立端铣工艺参数多目标优化模型。通过对粒子群全局寻优能力和灰色理论的适应性综合分析,研究提出耦合粒子群算法（Particle Swarm Op-timization,PSO）和灰色关联（Gray Relevancy Analysis,GRA）的多目标工艺参数优化算法。该方法将多目标函数的优化问题转化为优化单项灰关联度,得到了多项工艺指标要求下的参数优化组合。将该方法应用在多目标工艺参数优化设计中取得了满意的结果,表明其具有很大的适应性。     

随机动态规划的混合算法研究

针对随机条件下动态规划模型的主要特点,运用智能算法混合编程理论,设计了一种探索多阶段决策问题的智能混合算法.该算法首先将问题转化成一族同类型的一步决策子问题,然后利用随机模拟和遗传算法,依据训练样本形成的训练神经元网络,在单步决策中寻求最优策略和最优目标值,逐个求解,再据初始状态逆序求出最优策略序列和最优目标值.仿真结果表明,该算法具有一定的通用性,初始设计点可以随机产生,其计算精度不因函数的非线性强弱而受影响,对目标和约束的限制较少,可应用于多种形式的随机多阶段决策优化问题,较好地满足了随机动态规划模型求解和优化的要求.     

贪心遗传算法解决一般武器-目标分配问题

一般武器-目标分配问题,是使武器发挥最大效能而使目标遭受最大毁伤的最优化问题.遗传算法广泛用于解决最优化问题.提出一种具有贪心优化机制的局部搜索方法,以提高遗传算法的搜索效率,从而迅速找到全局最优解.应用于炮兵武器-目标分配问题的仿真试验结果表明,此算法比现有的其他搜寻算法具有更好的求解效率.     

机械故障特征与分类器的联合优化

在机械故障诊断中,特征选择和分类器的参数优化都可以提高诊断精度。利用特征和分类器参数的依赖关系,提出了特征选择和SVM参数的联合优化方法来提高诊断性能。联合优化方法采用支持向量机(SVM)作为故障分类器,SVM半径—间距上界(RM界)为目标计算诊断精度,并应用遗传算法求解此优化问题。齿轮故障诊断试验结果表明,联合优化的诊断精度要优于单独优化特征和SVM参数,而且优化速度更快。因此在故障诊断中,利用特征和分类器参数联合优化能够快速取得较好的诊断精度。     

一种用于求解火力分配问题的混沌优化算法

针对火力分配问题,提出了一种新颖的用于解决组合优化问题的混沌优化算法.该算法利用混沌搜索的方法得到新的合法解,充分利用了混沌的随机性和遍历性等特点来改善寻优效率.通过设定逃逸系数,算法在寻优过程中具有了能够跳出局部极小点到达全局最优点的能力.仿真结果表明,该方法的寻优效率明显高于Hopfield等其他优化方法.