遺傳優化算法的案例
基于遺傳算法優化阻尼器空間位置的結構振動控制
基于遺傳算法優化阻尼器空間位置的結構振動控制
李宏男 董松員 李宏宇
大連理工大學海岸和近海工程國家重點實驗室，沈陽建筑大學土木學院
摘要：通過對多層結構在二維地震動作用下的控制算法和控制機構布置準則的分析，建立了控制機構的布置優化模型，利用改進的遺傳算法中二進制單點交叉，避免了用懲罰函數。以一棟帶有阻尼器控制的結構為例，進行了數值計算和分析，結果與窮舉法比較表明，本文優化算法是快速而有效的。
關鍵詞：主動控制，遺傳算法，優化布置，阻尼器，多維地震動
內容簡介：
0 引言
1 運動方程及求解方法
2 控制機構的最優布置準則
3 采用的遺傳優化算法
3.1 編碼
3.2 適應度函數
3.3 選擇
3.4 改進的二進制單點交叉
3.5 變異
3.6 收斂
3.7 懲罰函數
4 數值計算及分析
5 結語
基于遺傳算法優化阻尼器空間位置的結構振動控制.pdf
展開 36基于matlab的對分解層數和懲罰因子進行優化。蟻獅優化算法優化VMD,算術優化算法優化VMD ￥25.9
基于matlab的對分解層數和懲罰因子進行優化。蟻獅優化算法優化VMD,算術優化算法優化VMD，遺傳優化算法優化VMD，灰狼優化算法優化VMD，海洋捕食者優化算法優化VMD，粒子群優化VMD，麻雀優化算法優化VMD，鯨魚優化算法優化VMD。程序已調通，可直接運行。
一本優化方面的不錯的書（有粒子群算法和遺傳算法）
第12章 二次規劃 178
12.1 拉格朗日法 178
12.2 起作用集算法 180
12.3 路徑跟蹤法 184
12.4 MATLAB優化工具箱函數應用實例 187
12.5 小結 190
第3篇 優化計算高級篇 191
第13章 粒子群優化算法 192
13.1粒子群算法概述 192
13.2 基本粒子群算法 193
13.3 帶壓縮因子的粒子群算法 197
13.4 權重改進的粒子群算法 200
13.4.1線性遞減權重法 200
13.4.2自適應權重法 203
13.4.3隨機權重法 206
13.5學習因子改進的粒子群算法 208
13.5.1同步變化的學習因子 209
13.5.2異步變化的學習因子 211
13.6 二階粒子群算法 213
13.7 二階振蕩粒子群算法 216
13.8 混沌粒子群算法 218
13.9 混合粒子群算法 222
13.9.1基于選擇的粒子群算法 222
13.9.2基于交叉遺傳的粒子群算法 224
13.9.3基于模擬退火的粒子群算法 227
13.10 小結 230
第14章 遺傳優化算法 231
14.1遺傳算法概述 231
14.2基本遺傳算法 232
14.3順序選擇遺傳算法 235
14.4適值函數標定的遺傳算法 238
14.5大變異遺傳算法 242
14.6自適應遺傳算法
展開 遺傳算法方面論文
遺傳算法方面論文 01<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2007-07-29 09:02:41被向陽評為4星級，為發貼者加分80。</Font><BR><Font color=#FF0000><B>點評:</B></Font>
SECTAM18.pdf
避免近親繁殖的遺傳算法.pdf
多目標優化遺傳算法的收斂性定義及實例研究.pdf
防止遺傳算法成熟前收斂的有效方法英.PDF
改進遺傳算法在非線性熱傳導參數識別中的應用.PDF
基于純數值函數優化的一種混合遺傳算法.pdf
基于擴展串的等價遺傳算法的收斂性.PDF
基于擴展串的等價遺傳算法的收斂性.PDF
基于遺傳算法的微機電系統魯棒性優化設計.pdf
基于遺傳算法的支持向量機時間序列預測模型優化.pdf
均勻設計法在GA欺騙問題中的應用研究.pdf
求解全局最優化的遺傳 算法的研究.pdf
十進制遺傳算法的收斂性分析.PDF
演化算法的收斂性分析及算法改進.PDF
一種全局優化算法遺傳算法_單純形法.pdf
遺傳模擬退火算法在約束求解中的應用.pdf
遺傳算法的早熟收斂.pdf
遺傳算法機理的研究.pdf
展開 
21GA-ELM，遺傳算法優化ELM預測，并和優化前后以及真實數值進行對比，確定結果 ￥18.8
GA-ELM，遺傳算法優化ELM預測，并和優化前后以及真實數值進行對比，確定結果，基于MATLAB平臺，程序已經調通，可以直接運行，需要直接拍下。
MATLAB遺傳算法優化主函數
該程序為標準遺傳算法優化主函數，染色體為整數編碼，供初學者學習。
clear;
clc;
data=xlsread('data.xlsx');
maxgen=400;
sizepop=60;
pcross=0.7;
pmutation=0.2;
lenchrom=5;
bound=[1 2;1 5;1 3;1 3;1 4];
individuals=struct('fitness',zeros(1,sizepop),'chrom',[]);
for i=1:sizepop
individuals.chrom(i,:)=ceil(rand(5,1).
展開 21GA-ELM，遺傳算法優化ELM預測，并和優化前后以及真實數值進行對比，確定結果。 ￥15.9
GA-ELM，遺傳算法優化ELM預測，并和優化前后以及真實數值進行對比，確定結果。基于MATLAB平臺，程序已經調通，可以直接運行。
多目標優化之非支配排序遺傳算法（NSGA-II） ￥39.99
遺傳算法GA ( Genetic Algorithms)是受生物學進化學說和遺傳學理論的啟發而發展起來的，是一類模擬自然生物進化過程與機制求解問題的自組織與自適應的人工智能技術，是一種借鑒生物界自然選擇和自然遺傳機制的隨機的搜索算法，由Holland教授于1975年提出。
經過十幾年的努力，遺傳算法不論是在應用研究上，算法設計上，還是在基礎理論上，均取得了長足的發展，己經成為信息科學、計算機科學、運籌學和應用科學等諸多學科所共同關注的熱點研究領域。
遺傳算法雖然在過去的20年中得到了廣泛的應用，但研究人員己經意識到，遺傳算法采用簡單的、固定不變的進化策略對復雜應用場合的效果并不理想，傳統的遺傳算法逐漸暴露出一些缺點。所以，為了提高遺傳算法的性能，使其更好地應用于實際問題的解決中，研究者們開始對基本遺傳算法進行改進，通過不同的遺傳基因表達方式，不同的交叉和變異算子的選擇，特殊算子的引用，以及不同的再生和選擇方法，產生了以基本遺傳算法為核心的各種算法。遺傳算法的這些擴展和改進給一般問題特別是工業工程中的難以求解的優化問題帶來了新的希望和方向。
由于多目標優化問題在科學和工程實踐中普遍存在，但又缺少確實有效的解決方法，研究人員把目光投向了具有多方向和全局搜索特點的遺傳算法。遺傳算法的這一基本特點可以確保帶有潛在解的種群能夠一代一代地維持下來，這種從種群到種群的方法對于搜索Pareto解非常有益，因此，利用遺傳算法解決多目標優化問題極具研究意義。于是，遺傳算法應用于單目標問題之后的20多年以后，多目標遺傳算法逐漸成為研究熱點。
展開 常用參數自動標定算法總結（單純形，遺傳算法，貝葉斯優化算法，粒子群算法等）
在本推文中介紹四類常用參數自動標定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優化ego方案。
單純形方案實現最簡單，適用于少參數，更窄的初始區間
粒子群方案，遺傳算法方案適用于多參數更大的空間適合全局搜索
ego方案相比于其余三類方案的優勢體現為
EGO使用代理模型（如高斯過程回歸）來預測目標函數，極大減少了實際函數評估次數。
EGO在每一步都智能選擇下一個最值得評估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動態平衡比GA中盲目變異與交叉更具理論指導。
由于EGO最大化信息利用率，在樣本數量極少的情況下表現優于GA。
當樣本數量少，且有約束優化時適合使用ego方法。例如在評估晶體塑性模型參數時
不過這些優化算法經常容易陷入局部最優，即優化算法在搜索過程中被某個“看起來很好”的解吸引，不斷圍繞它進行微小改進，最終卡在“局部低谷”而不是“全局最低點”。
一個更合理的做法是：使用粒子群和遺傳算法在全局進行初始搜索，使用ego回歸分析進行特定區間的優化，最后使用NM方案進行小區間尋找，如果陷入局部最優解，引入全局擾動方案或者爆炸方法跳出局部區間重新搜索即可。
基于該思路編寫對應的程序，實現參數的自動標定過程：
這里實現對vpsc模型的復雜參數自動標定；
這里使用相對復雜的鎂合金為例，考慮3組滑移+一組孿晶，每個系統考慮tau_0,tau_s,h_0,一共12個待標定參數給定參數區間如下
設置最大迭代次數為2000次，初始優化來自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優化算法。
展開 多目標水資源系統運行決策優化的遺傳算法1
多目標水資源系統運行決策優化的遺傳算法
方紅遠1，鄧玉梅2，董增川3
(1.揚州大學；2.國家防汛抗旱總指揮部辦公室；3.河海大學)
摘 要：針對一多目標水資源系統優化運行問題，本文闡述了多目標決策遺傳算法(MODGA)的應用。按遺傳算法原理，采用浮點向量表達解的結構；并依據多目標決策協調規劃法定義適應度為任一目標點與理想點的距離。對構建的模型，文中使用的計算方法的收斂過程相當有效，計算結果合理。
關鍵詞：多目標決策；水資源系統；遺傳算法
在過去的20多年中，基于計算機的各種智能算法已在許多領域得到應用，其中遺傳算法(GA)是運用較普遍的一種方法。這種搜索法借助于生物激勵機制，通過種群換代達到改善參與競爭的染色體的特征［1，2］。GA法是一種隨機優化技術，它是通過產生準隨機數代替候硯以完成解空間的搜索，隨著種群的不斷換代，前代候硯的概率分布相應地被后代更新。雖然由于生成各代種群中染色體的隨機性能否確保達到全局最優搜索尚無定論，但GA法的高度魯棒性以及在許多領域的成功應用，仍使它成為一種具有吸引力的尋優方法。水資源系統規劃與管理中的許多問題都屬于復雜的多狀態、多目標離散化問題。多目標決策遺傳算法(MODGA)在每一代種群的更新過程中，都能產生大量滿足決策指標的權衡解，故它能給出一個較廣范圍的非劣解［5］。本文以解決這一實際的多目標水資源系統優化運行問題為例，闡述GA法在水資源多目標決策中的應用。
1 系統概況
蘇北平原湖區水資源短缺現象普遍存在，供需矛盾十分突出，而已有的多級泵站提水調水成本較高，如何通過科學規劃和管理，使系統能有效利用天然徑流和已建工程調蓄能力，滿足工業、農業、生活和航運用水的需求，是該地區水資源合理利用的一個重要課題［7］。
展開 預應力鋼結構遺傳算法優化研究
如題
基于AMESim的純電動汽車熱管理系統的優化設計 附AMESim優化過程基礎操作及DOE&遺傳算法G
4．3爬坡工況下熱管理系統的優化
在上文研究的基礎上，選擇具有一定坡度的路況進行仿真．在NEDC循環工況下，環境溫度為40℃，道路坡度在3%～4%，部分路段達到5%左右，考察電動汽車的動力性能和冷卻效果．在外界環境溫度為40℃條件下，冷卻水全部經過散熱器散熱．在此工況下，散熱器進出口的冷卻水溫度如圖13所示。
從上圖可以看出，在高溫環境下，車輛在爬坡道路時，散熱器的最大溫差約為5℃左右．散熱器進口溫度低于65℃，能滿足熱管理的要求．電池包內部的平均溫度變化如圖14所示．由圖14可知，在外界環境為40℃時，車輛運行NEDC工況并有爬坡道路時，電池包內部的平均溫度約升高10℃，最高溫度接近50℃．此時對電池的性能有較大的影響，長時間運行在高溫狀態下，會對鋰離子電池的壽命產生嚴重影響，并存在安全隱患．這說明高溫爬坡工況下，風冷系統已不太適合電池包的熱管理，不能很好地冷卻電池包，應該采用水冷方式或者其他冷卻方式來設計電池包的熱管理系統。
5總結
本文基于AMESim軟件，建立了完整的純電動汽車的熱管理系統模型，并通過整車實驗采集溫度數據對仿真結果進行驗證，結果證實實驗結果與仿真結果基本一致，表明該仿真模型對于整車的仿真和冷卻系統的熱量管理具有較高的精度．其次，在此模型的基礎上，分別對水冷系統、高溫環境下熱管理系統及爬坡工況下熱管理系統進行了優化設計．與此同時，本文對熱管理系統的控制策略也進行了優化，使得熱管理系統能適應不同的運行工況和環境溫度．本文基于AMSim軟件對純電動汽車的熱管理系統進行優化設計的方法為研究和開發純電動汽車的熱管理系統提供了思路和參考。
下載地址：AMESim優化過程基礎操作及DOE&遺傳算法GA應用
展開 孟錦豪等：基于NSGA-II遺傳算法的鋰電池均衡指標優化
求解多目標問題目前常見的算法有帕累托差分進化算法(Pareto-based differential evolution，PDE)、多目標差分進化算法(multi-objective differential evolution，MODEA)、多目標粒子群優化算法(multi-objective particle swarm optimization，MOPSO)及多目標遺傳算法(multi-objective genetic algorithm，MOGA)等。MOGA的優勢在于其搜索范圍不受限制，能動態地優化多個目標，能夠協調目標函數之間的關系，確定最優解集，使目標函數盡可能達到一個相對大(小)的值。非支配排序遺傳算法(non-dominated sorting genetic algorithm，NSGA)是一種基于Pareto最優概念的遺傳算法，該算法有利于決策者根據不同偏好進行決策。NSGA-II則是一種在NSGA的基礎上進行改進的帶有精英策略的算法，有效提高了算法的運算速度和魯棒性，并保證了非劣最優解的均勻分布。Gu等分析了電池儲能系統的布置和容量選擇與配電網功率損耗、線路電壓以及電壓波動之間的關系，使用改進的NSGA-II算法實現配電網功率損耗、電壓波動以及電池儲能系統容量最小的目標。陳楚昭等針對太陽能光伏系統，以負載損失概率和能源成本最小為目標，引用了NSGA-II算法進行求解。
因此，為解決現有研究在需要權衡多個均衡指標時選取均衡閾值缺乏理論基礎的問題，本工作提出基于NSGA-II遺傳算法對多個均衡指標進行優化，并在不同工況對所提方法的有效性進行驗證。本工作的主要創新點如下。
展開 模擬退火、遺傳算法和神經網絡之比較
模擬退火和遺傳算法屬于優化領域的，神經元網絡屬于近似模型的國外叫做metamodel（模型的模型），是完全不同的東西，只所以兩者經常出現是因為在優化問題里神經元網絡扮演著重要角色．一般的有數學表達式的優化問題是最簡單的了這中問題是不會出現神經元網絡的，在工程實際優化過程中，目標函數和優化設計變量之間是隱函數的關系而且可能高度的非線形，并且這種問題一次的計算機仿真時間可能就很長，如果用遺傳算法或者模擬退火的話直接優化是相當的消耗時間的，所以很多人引入近似模型的概念，神經元網絡是屬于其中一種，而且可以近似逼近高度非線性的問題．還有就是遺傳算法用到神經元網絡訓練方面，不知道大家對神經元網絡了解多少，其實神經元網絡沒有那么玄，是有數學基礎的，有一種網絡叫誤差反饋網絡，這種網絡在訓練過程中是用剃度法不斷調整權值直到達到滿足誤差才算收斂剃度法有個問題就是求解得到的是局部最優．所以就有人在網絡訓練中引入了遺傳算法來訓練網絡權值．綜上可以看到遺傳算法和神經元網絡的關系是如此的緊密．
展開 基于遺傳模擬退火算法的聚類算法-matlab
源碼如下： %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %功能：遺傳模擬優化初始聚類中心示例 %環境：Win7，Matlab2015b %Modi: C.S %時間：2022-07-09 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% 清空環境 clc clear all close all tic load X m=size(X,2);% 樣本特征維數 % 中心點范圍[lb;ub] lb=min(X); ub=max(X); %% 模糊C均值聚類參數 % 設置冪指數為3，最大迭代次數為20，目標函數的終止容限為1e-6 options=[3,20,1e-6]; % 類別數cn cn=4; %% 模擬退火算法參數 q =0.8; % 冷卻系數 T0=100; % 初始溫度 Tend=99.999; % 終止溫度 %% 定義遺傳算法參數 sizepop=10; %個體數目(Numbe of individuals) MAXGEN=100; %最大遺傳代數(Maximum number of generations) NVAR=m*cn; %變量的維數 PRECI=10; %變量的二進制位數(Precision of variables) pc=0.7; pm=0.01; trace=zeros(NVAR+1,MAXGEN); %建立區域描述器(Build field descriptor) FieldD=[rep([PRECI],[1,NVAR]);rep([lb;ub],[1,cn]);rep([1;0;1;1],[1
展開 