本文基十遗传算法(CA)理论，对基本遗传算法作了一些改进和补充，并 在给定技术指标的前提下，利用改进的遗传算法直接设计FIR, IIR数字滤波器， 取得了较好的设计效果。全文分为五章。
上传时间： 2017-08-30
上传用户：yan2267246
遗传算法实现旅行商问题：经典遗传算法解决旅行商问题，可供研究遗传算法的同仁进行研究改进。
上传时间： 2017-09-12
上传用户：15071087253
人工智能遗传算法的GA程序。加入遗传算法程序中，能够更好的改进算法。
标签： 人工智能 智能计算
上传时间： 2015-03-15
上传用户：baby_cry11
遗传算法为群体优化算法，也就是从多个初始解开始进行优化，每个解称为一个染色体，各染色体之间通过竞争、合作、单独变异，不断进化。 优化时先要将实际问题转换到遗传空间，就是把实际问题的解用染色体表示，称为编码，反过程为解码，因为优化后要进行评价，所以要返回问题空间，故要进行解码。SGA采用二进制编码，染色体就是二进制位串，每一位可称为一个基因；解码时应注意将染色体解码到问题可行域内。 遗传算法模拟“适者生存，优胜劣汰”的进化机制，染色体适应生存环境的能力用适应度函数衡量。对于优化问题，适应度函数由目标函数变换而来。一般遗传算法求解最大值问题，如果是最小值问题，则通过取倒数或者加负号处理。SGA要求适应度函数>0，对于<0的问题，要通过加一个足够大的正数来解决。这样，适应度函数值大的染色体生存能力强。 遗传算法有三个进化算子：选择（复制）、交叉和变异。 SGA中，选择采用轮盘赌方法，也就是将染色体分布在一个圆盘上，每个染色体占据一定的扇形区域，扇形区域的面积大小和染色体的适应度大小成正比。如果轮盘中心装一个可以转动的指针的话，旋转指针，指针停下来时会指向某一个区域，则该区域对应的染色体被选中。显然适应度高的染色体由于所占的扇形区域大，因此被选中的几率高，可能被选中多次，而适应度低的可能一次也选不中，从而被淘汰。算法实现时采用随机数方法，先将每个染色体的适应度除以所有染色体适应度的和，再累加，使他们根据适应度的大小分布于0-1之间，适应度大的占的区域大，然后随机生成一个0-1之间的随机数，随机数落到哪个区域，对应的染色体就被选中。重复操作，选出群体规模规定数目的染色体。这个操作就是“优胜劣汰，适者生存”，但没有产生新个体。 交叉模拟有性繁殖，由两个染色体共同作用产生后代，SGA采用单点交叉。由于SGA为二进制编码，所以染色体为二进制位串，随机生成一个小于位串长度的随机整数，交换两个染色体该点后的那部分位串。参与交叉的染色体是轮盘赌选出来的个体，并且还要根据选择概率来确定是否进行交叉（生成0-1之间随机数，看随机数是否小于规定的交叉概率），否则直接进入变异操作。这个操作是产生新个体的主要方法，不过基因都来自父辈个体。 变异采用位点变异，对于二进制位串，0变为1，1变为0就是变异。采用概率确定变异位，对每一位生成一个0-1之间的随机数，看是否小于规定的变异概率，小于的变异，否则保持原状。这个操作能够使个体不同于父辈而具有自己独立的特征基因，主要用于跳出局部极值。 遗传算法认为生物由低级到高级进化，后代比前一代强，但实际操作中可能有退化现象，所以采用最佳个体保留法，也就是曾经出现的最好个体，一定要保证生存下来，使后代至少不差于前一代。大致有两种类型，一种是把出现的最优个体单独保存，最后输出，不影响原来的进化过程；一种是将最优个体保存入子群，也进行选择、交叉、变异，这样能充分利用模式，但也可能导致过早收敛。 由于是基本遗传算法，所以优化能力一般，解决简单问题尚可，高维、复杂问题就需要进行改进了。 下面为代码。函数最大值为3905.9262，此时两个参数均为-2.0480，有时会出现局部极值，此时一个参数为-2.0480，一个为2.0480。算法中变异概率pm=0.05，交叉概率pc=0.8。如果不采用最优模式保留，结果会更丰富些，也就是算法最后不一定收敛于极值点，当然局部收敛现象也会有所减少，但最终寻得的解不一定是本次执行中曾找到过的最好解。
标签： 遗传算法
上传时间： 2015-06-04
上传用户：芃溱溱123
电机优化设计是复杂的有约束、非线性、混合离散多变量规划问题.该文在对电机优化设计理论进行研究的基础上,从一般传统的优化方法入手,对电机的全局优化设计方法特别是遗传算法进行了详细的研究和探讨.该论文的主要工作包括:(1)对适应于电机优化设计的常用传统优化方法(HOOKE-JEEVES法、MDOD法和SUMT法)进行了较为详细的研究,给出了各种方法的计算流程和步骤;(2)对全局优化的理论和方法进行了研究,分析了全局优化方法中的随机实验法、模拟退火算法和模拟进化算法各自的特点,对遗传算法的工作原理及其诸要素进行了详细的探讨;(3)在对遗传算法的基本原理进行研究的基础上,进行了电机优化设计遗传算法的研究,分析了各要素对电机优化设计遗传算法性能的影响;(4)建立了三相异步电机多目标优化设计的数学模型,分别编制了基于HOOKE-JEEVES法、MDOD法和多轮进化遗传算法的电机优化设计程序,并对使用各种优化方法优化的结果进行了对比分析.
上传时间： 2013-04-24
上传用户：tonyshao
遗传算法程序遗传算法程序遗传算法程序遗传算法程序遗传算法程序
上传时间： 2013-04-24
上传用户：nanjixehun
无刷直流电机具有输出转矩大、调速性能好、运行可靠等一系列优点，具有广泛的应用前景，其传统的理论分析及设计方法已经比较成熟。它的进一步推广和应用，在很大程度上有赖于对其控制策略的研究。本文主要研究了无刷直流电机的速度控制问题。 无刷直流电机是一种多变量和非线性的控制系统，传统的控制方法很难满足对它的精确控制。近代模糊控制理论在无刷直流电机的控制中得到了广泛的应用，提高了控制系统的性能。但是，在模糊控制器控制规则优化和参数在线调整方面还存在着许多不足。针对这些问题，本文提出了一种使用遗传算法优化的模糊控制器，并且应用到无刷直流电机的控制中。系统采用双闭环控制，内环采用电流负反馈对电机转矩进行调节；外环应用模糊控制器进行速度控制，通过遗传算法离线优化模糊控制规则和在线调节模糊控制器的参数以提高系统的动态性能。同时本文使用Matlab和电机仿真软件VisSim对无刷直流电机的速度控制进行了软件仿真。 数字信号处理器(DSP)是一种高速的信号处理芯片，近几年在电机控制领域得到了广泛的应用。本文以TI公司的TMS320LF2407控制器为基础，介绍了DSP在无刷直流电机控制中常用的应用技术。同时为了降低系统开发设计的复杂性，提高控制系统的可靠性以及软件开发的快速性，本文将嵌入式操作系统移植到DSP中，并在该操作平台上开发出高效的控制算法。 实验结果表明，通过遗传算法优化的模糊控制器对无刷直流电机模型的不确定性和负载变化具有较强的适应性和鲁棒性，而且控制系统具有较好的动态性能。
上传时间： 2013-06-12
上传用户：h886166
遗传算法是基于自然选择的一种鲁棒性很强的解决问题方法。遗传算法已经成功地应用于许多难优化问题，现已成为寻求满意解的最佳工具之一。然而，较慢的运行速度也制约了其在一些实时性要求较高场合的应用。利用硬件实现遗传算法能够充分发挥硬件的并行性和流水线的特点，从而在很大程度上提高算法的运行速度。 本文对遗传算法进行了理论介绍和分析，结合硬件自身的特点，选用了适合硬件化的遗传算子，设计了标准遗传算法硬件框架；为了进一步利用硬件自身的并行特性，同时提高算法的综合性能，本文还对现有的一些遗传算法的并行模型进行了研究，讨论了其各自的优缺点及研究现状，并在此基础上提出一种适合硬件实现的粗粒度并行遗传算法。 我们构建的基于FPGA构架的标准遗传算法硬件框架，包括初始化群体、适应度计算、选择、交叉、变异、群体存储和控制等功能模块。文中详细分析了各模块的功能和端口连接，并利用硬件描述语言编写源代码实现各模块功能。经过功能仿真、综合、布局布线、时序仿真和下载等一系列步骤，实现在Altera的Cyclone系列FPGA上。并且用它尝试解决一些函数的优化问题，给出了实验结果。这些硬件模块可以被进一步综合映射到ASIC或做成IP核方便其他研究者调用。 最后，本文对硬件遗传算法及其在函数优化中的一些尚待解决的问题进行了讨论，并对本课题未来的研究进行了展望。
上传时间： 2013-07-22
上传用户：谁偷了我的麦兜
针对单件车间调度问题，设计一种基于整数编码的单亲遗传算法。该算法既具有单亲遗传算法运算量小、不存在“早熟收敛”现象等优点，在编码中又体现了单件车间调度的“保序性”等工艺约束条件，增强了调度算法的整体性
上传时间： 2013-04-24
上传用户：笨小孩
遗传算法是一种基于自然选择原理的优化算法，在很多领域有着广泛的应用。但是，遗传算法使用计算机软件实现时，会随着问题复杂度和求解精度要求的提高，产生很大的计算延时，这种计算的延时限制了遗传算法在很多实时性要求较高场合的应用。为了提升运行速度，可以使用FPGA作为硬件平台，设计数字系统完成遗传算法。和软件实现相比，硬件实现尽管在实时性和并行性方面具有很大优势，但同时会导致系统的灵活性不足、通用性不强。本文针对上述矛盾，使用基于功能的模块化思想，将基于FPGA的遗传算法硬件平台划分成两类模块：系统功能模块和算子功能模块。针对不同问题，可以在保持系统功能模块不变的前提下，选择不同的遗传算子功能模块完成所需要的优化运算。本文基于Xilinx公司的Virtex5系列FPGA平台，使用VerilogHDL语言实现了伪随机数发生模块、随机数接口模块、存储器接口/控制模块和系统控制模块等系统功能模块，以及基本位交叉算子模块、PMX交叉算子模块、基本位变异算子模块、交换变异算子模块和逆转变异算子模块等遗传算法功能模块，构建了系统功能构架和遗传算子库。该设计方法不仅使遗传算法平台在解决问题时具有更高的灵活性和通用性，而且维持了系统架构的稳定。本文设计了多峰值、不连续、不可导函数的极值问题和16座城市的旅行商问题 (TSP)对遗传算法硬件平台进行了测试。根据测试结果，该硬件平台表现良好，所求取的最优解误差均在1％以内。相对于软件实现，该系统在求解一些复杂问题时，速度可以提高2个数量级。最后，本文使用FPGA实现了粗粒度并行遗传算法模型，并用于 TSP问题的求解。将硬件平台的运行速度在上述基础上提高了近1倍，取得了显著的效果。关键词：遗传算法，硬件实现，并行设计，FPGA，TSP
上传时间： 2013-06-15
上传用户：hakim
