苹果采摘机械手的逆运动学求解研究

为了提高苹果采摘机械手的采摘成品率,保证采摘后苹果质量,提出一种引入采摘综合因素的苹果采摘机械手的逆运动学求解方法。首先,采用Denavit Hartenberg模型对苹果采摘机械手进行建模,并将逆运动学求解问题转化为规划问题,其中,目标函数为所求得逆运动学参数对应的机械手末端中心坐标与待求坐标欧式距离。然后,在遗传算法选择、交叉、变异算子进行全局搜索的基础上,结合非线性规划对目标函数进行局部搜索。最后,借助随机森林算法将逆运动学求解结果分为3个姿势等级。试验表明,非线性遗传算法在苹果采摘机械手的逆运动学求解上相比遗传算法精度提高了8～25 mm,随机森林算法可以很好地对其求逆结果进行优化,从而提高苹果采摘成品率。     

遗传算法在独立分量分析的应用

研究应用遗传算法于独立分量分析.这种算法充分利用了分离信号的特征,既克服了普通梯度算法容易陷入局部最优的缺点,又避免了遗传算法在搜索过程中的完全随机性.该算法采用基于KL散度为原始目标函数,结合对分离矩阵的限制,从而形成一个带约束的多目标规划问题.用迭代法求解此问题,在原始目标函数的基础上建立新的适应度函数,采用实数对分离矩阵进行编码,用算术组合方式以合适的概率进行交叉,以权值梯度方向作为变异方向,用轮盘赌的办法来选择.通过变异、交叉、选择这几个算子进行多次迭代后得到最优解.与其他常用独立分量分析算法相比,仿真实验表明该算法有更突出的算法性能及分离效果.     

一种基于元胞自动机的改进遗传算法

针对遗传算法中存在搜索效率和解精度低的问题,结合元胞自动机模型,提出了一种改进的遗传算法——竞争杂交算法。在适应度函数中运用元胞自动机模型进行竞争复制,在确定交叉算子时进行杂交,依此来对遗传算法进行改进。仿真结果表明,竞争杂交算法在搜索速度和概率上比简单遗传算法要高一些。     

采用混合生物地理学算法的番茄种植规划研究

为解决番茄酱产季原料供应不均衡问题,在构建番茄种植规划的数学模型基础上,提出采用生物地理学算法对番茄种植规划模型的求解。利用余弦迁移模型、干扰迁移算子和基于高斯分布的变异算子对BBO算法进行适当改进,并与差分进化算法的变异算子结合,以增强生物地理学算法的全局搜索性能。以新疆某番茄酱厂为例对番茄种植规划问题进行计算,结果表明:采用该算法获得的种植方案能实现番茄原料产量与番茄酱厂生产能力之间的平衡。仿真结果验证了番茄种植规划数学模型的合理性。在求解番茄种植规划问题上,与其他智能优化算法相比,该算法具有较好的收敛性。     

求解离散优化问题的改进人工蜂群算法的研究

目的解决人工蜂群算法在求解连续优化问题时易陷入局部最优,收敛速度慢,而且算法在最初设计时不适用于离散问题的求解等问题。方法而0-1问题属于典型的二进制离散约束优化的NP-Hard问题,故提出了基于离散优化问题的人工蜂群算法(DABC)。首先,采用二进制编码方法,改进解的编码形式;其次,使用多维邻域搜索策略改进ABC算法的搜索策略,并在雇佣蜂阶段引入高斯变异,保持种群的多样性,加快算法的收敛速度。在侦察蜂阶段引入柯西变异算子,以增强算法的全局搜索能力,避免算法在迭代时陷入局部最优,进一步提高算法的效率和精准度。结果通过实验仿真验证了算法的有效性和高效性,当种群规模增大时,算法的收敛速度加快,从而验证了不同的参数值对算法的影响。结论改进后的算法在求解离散优化问题时确保种群的多样性,提高了算法的收敛速度、整体寻优能力和开发能力。     

基于种群密度的鲁棒多目标优化算法

为消除由于设计参数或环境因子扰动对多目标优化问题带来的影响,提出基于t分布构建有效目标函数,并在传统Pareto最优解评估策略基础上,一方面用种群在空间的分布密度替换NSGA2算法中基于距离的拥挤排序策略以维护外部档案;另一方面,引入基于种群分布密度的全局最优解概率选择策略和基于拉丁超立方的局部采样方法.实验结果表明,该算法能有效求解多目标问题的鲁棒Pareto最优解.     

惩罚函数结合遗传算法在工程经济中的应用

阐述了惩罚函数结合遗传算法在油气储运工程经济中应用的可行性,并针对一个具体的实例进行了求解.探讨了采用惩罚函数结合遗传算法求解约束优化问题中应当注意的惩罚因子的选择问题,还分析了遗传算法中的交叉概率和变异概率的选取对优化结果的影响.     

一类具有四元算子的广义混合隐拟平衡问题

引入和研究了一类具有四元算子的广义混合隐拟平衡问题.运用辅助原理技巧提出和分析了求解广义混合隐拟平衡问题的新的三步预测-校正迭代算法,并在较弱的条件下证明了该算法的收敛性.     

一类解决Job shop问题的改进进化规划

将进化规划与模拟退火算法相结合．提出了一种有效的混合调度算法。采用有较强突跳能力的模拟退火算法代替传统进化规划中的变异算子,增强了全局探索能力．减小了入局部极小值的机会;采用基于调度AOE网中关键路径的状态产生函数,缩小了搜索邻域,提高了算法的效率。仿真结果表明,该算法具有较高的求解质量和效率。     

基于混合策略机制的人工鱼群算法

针对人工鱼群算法在处理多峰函数问题时存在一部分人工鱼处于漫无目的的随机移动、易陷入"早熟收敛"情况造成的收敛速度减慢的缺点,提出一种基于混合策略机制的人工鱼群算法。它借鉴群体位置方差的早熟判断机制,把云发生器产生的杂交和变异算子引入到该算法中,为减少算法计算量,而采用耗散的人工鱼群算法结构。仿真实验表明,该算法比只有一个适应值的人工鱼群算法具有更快的收敛速度,且具有很强的避免局部极小能力,其性能远远优于单一优化方法。     

改进遗传算法下的畜禽冷链配送优化研究

在介绍传统遗传算法的基础上,提出了一种改进的遗传算法,通过设定前置交叉算子、互换变异算子、逆转变异算子来进行模型求解。算例分析表明,该算法可以在较短的时间内获得该问题的最优解或满意解。     

带柯西变异因子的量子粒子群算法在电力系统经济调度中的应用

为了避免算法早熟,结合柯西分布具有较长两翼的特点,提出了带柯西变异因子的量子粒子群,对全局最优解进行变异,并结合惩罚函数处理约束条件来求解电力系统经济调度问题。通过对15个机组和40个机组的数值仿真表明,该算法在收敛精度和迭代速度上有较好的效果。     

一种多目标混合进化算法的研究

针对遗传算法的不足，提出将禁忌搜索方法、免疫算法、遗传算法融和的多目标混合进化算法。该算法引入禁忌搜索法，避免了传统遗传算法早熟现象的发生；引入基于浓度的自适应变异操作，克服算法由于变异概率不变导致的求解过程长，解的多样性差的缺陷；引入外部精英集，避免最优解的丢失，通过ZDT系列测试函数的仿真实验并与NSGA-Ⅱ算法进行比较，验证了算法的有效性。     

约束优化问题的遗传算法求解

应用遗传算法基本原理,采用锦标赛选择、算术交叉、均匀交叉、均匀变异和非均匀变异算子,设计了一般非线性规划和整数规划问题的通用求解算法,应用Matlab6.0编制了相应的求解软件。实例测试结果表明,该算法可以应用于一般的非线性规划和整数规划问题。     

一种改进的正弦余弦算法求解0-1背包问题

【目的】针对组合优化中的经典背包问题,提出了一种用于求解0-1背包问题的改进正弦余弦算法.【方法】按幂递减函数自适应调整参数r_1,较好地平衡算法的全局探索与局部开发能力;利用采蜜蜂算子和贪婪选择策略,加快算法的收敛速度,提高算法优化精度;通过侦察蜂算子,增加种群多样性,防止算法陷入局部最优;采用贪心变换算法和修正连续解算法对求解过程中的不可行解进行修复.【结果】求解10个经典0-1背包问题的仿真实验表明,改进算法在收敛速度、求解精度和成功率等方面明显优于基本正弦余弦算法,并与其它改进智能算法的优化结果相当.【结论】改进算法具有较高的优化性能,能较好地求解0-1背包问题.     

求解约束优化问题的一种改进的交叉人工蜂群算法

针对人工蜂群算法在求解问题的最优值时后期收敛速度慢、易于陷入局部极值的问题,提出了求解约束优化问题的一种新型人工蜂群算法:为提高算法的开发能力,在采蜜蜂和观察蜂阶段利用约束松弛度来处理等式约束,并采用Kukkonen和Lampinen工作机制改进边界约束处理方法;在侦察蜂阶段引入交叉算子代替侦察阶段的随机搜索,保证种群的多样性,提高算法的收敛速度。一组13个基准函数和4种工程设计问题的测试试验验证了算法的可行性和有效性,改进的交叉的人工蜂群算法在求解约束优化问题时其可开发性、鲁棒性、防局部最优、收敛速度和极值等方面较其他算法更优。     

一种基于实数编码的自适应多亲遗传算法

为了克服基于二进制编码的遗传算法在求解连续参数优化问题时的缺陷,采用实数编码,定义1种度量多样性的指标,来自适应地调整基于实数编码的多亲遗传算法中交叉概率和变异概率,提出1种基于实数编码的自适应多亲遗传算法.该算法能自适应地调整其参数,且在求解优化问题的过程中,能克服早熟收敛的现象,提高搜索能力,加速收敛速率.最后对该算法进行了理论分析.     

求解P_0函数非线性互补问题的光滑牛顿法

将非线性互补问题转化为光滑方程组是求解非线性互补问题的一个重要途径.通过对min函数的光滑化,引入了一个新的光滑NCP函数,并在此基础上建立了求解P0函数非线性互补问题的一步光滑牛顿法;同时在较弱的条件下证明了该算法的适定性和全局收敛性.     

求解P0函数非线性互补问题的光滑牛顿法

将非线性互补问题转化为光滑方程组是求解非线性互补问题的一个重要途径.通过对min函数的光滑化,引入了一个新的光滑NCP函数,并在此基础上建立了求解P0函数非线性互补问题的一步光滑牛顿法;同时在较弱的条件下证明了该算法的适定性和全局收敛性.     

一种基于状态空间模型的进化算法

传统进化算法主要通过选择、重组和变异这三种遗传操作实现种群的进化。在进化过程中通常需要设定群体规模、交叉概率和变异概率等参数，而且它们的值会直接影响计算结果及精度。为了简化操作过程，设计一种基于离散系统状态空间模型的进化算法，这种算法采用实数编码方式，构造一个状态进化矩阵来实现重组和变异的功能，提高算法的可操作性和可靠性。并将该算法应用于求解无约束全局优化问题，对几种典型的测试函数进行仿真，结果表明：这种新的进化算法具有搜索能力强、收敛速度快、计算精度高、操作简单等优点，对相关研究有参考作用。