利用GA求解卫星影像的空间后方交会

克服经典平差线性化的不足,将遗传算法理论引入卫星影像的空间后方交会解算中,利用遗传算法全局和局部搜索力强的优势,求解IKONOS影像和模拟影像的单片空间后方交会病态问题。实验结果表明,遗传算法可以有效求得精度较高的最优解;同时,相比最小二乘、岭估计等方法,其运行效率也较高。     

非线性最小二乘的遗传算法与常规算法的比较

为克服线性经典平差的不足,对非线性最小二乘进行了研究,主要将遗传算法应用于非线性模型参数估计领域,并采用阻尼最小二乘法和高斯-牛顿法对同一观测数据进行了处理,且对解算结果进行了比较。     

结合混沌映射与遗传算法的高光谱影像降维分类方法

针对高光谱遥感影像分类研究中的波段降维问题,利用混沌映射的遍历性与初值敏感性提升遗传算法的全局寻优能力,提出一种基于混沌遗传寻优算法的高光谱影像分类波段选择方法.实验部分采用粤港澳大湾区欧比特高光谱影像对多个行政区进行了仿真分类实验,同时对比了主成分分析(PCA)等经典降维方法.实验结果表明,欧比特高光谱影像能够有效地区分出多种典型地物,而且引入混沌映射改进的遗传算法具有更强的全局寻优能力,基于所选波段子集得到的分类精度更高.     

交通网络旅行商路径优化的遗传禁忌搜索算法

旅行商路径优化问题是经典的网络分析问题之一。由于旅行商问题具有NP Hard特性,主要通过智能优化方法或启发式算法来获得近似最优解。然而,单一智能优化方法存在运算量过大、参数选择苛刻,对初值依赖性强等缺陷,很难快速实现全局优化。结合多种优化机制和邻域搜索结构设计混合启发式算法可在一定程度上解决这一问题。本文结合遗传算法的全局寻优能力和禁忌搜索的记忆功能,设计实现了一种基于分散集中策略的禁忌遗传算法,即采用遗传变异算子作为分散策略构造邻域,开辟新的搜索空间,有效提升获得全局最优解的概率;将禁忌搜索作为集中策略进行局部寻优,避免迂回探测,充分体现禁忌搜索较强的“爬山”能力,并通过实际交通网络和不同规模的节点集合,从求解精度、稳定性和效率三个方面对算法进行了评价。结果表明,本文提出的交通网络旅行商路径优化的禁忌遗传算法平均求解精度比禁忌搜索算法提高了9%,略优于ArcGIS;当与ArcGIS求解的TSP路径长度差异在1%以内时,禁忌搜索算法已经难以获得对应精度的TSP路径,而禁忌遗传算法效率比遗传算法提高了50%。且禁忌遗传算法具有很好的并行化潜力。     

基于P-SA-PSO算法的概率积分法参数反演

针对目前概率积分法参数反演存在的问题,为了更加准确稳定地解算出概率积分法参数,在经典粒子群算法的基础上,引入自适应惯性权重以及模拟退火算法中的Metropolis准则,提出了一种基于P-SA-PSO算法的概率积分模型参数反演方法。论文通过仿真实验,与遗传算法(GA)、经典粒子群算法(PSO)以及加入自适应惯性权重优化的粒子群算法(P-PSO)进行对比分析,结果表明：新算法反演各参数的精确性、稳定性和收敛速度优于其他3种算法。将新算法引入工程实例中,进一步体现了新算法在反演概率积分模型参数上的可行性。     

遗传算法与最小二乘法相结合的遥感图像子像素匹配

图像匹配在计算机视觉和数字摄影测量中都是一项十分重要的任务。为了加速匹配并为高精度子像素匹配提供稳健而相对精度的初值，本文提出了一种基于遗传算法（GA）和最小二乘法匹配（LSM）相结合的遥感图像子像素匹配算法。实验表明：基于遗传算法的匹配算法比序贯相似度度量（SSDA）和经典的平均绝对差（MAD）方法要快得多。以我们的实验数据为例，MAD与GA在相关计算总量上的比至少为36：1。本文从理论上证明了这一点。     

改进的遗传算法在图像模板匹配中的应用

提出了一种基于改进的遗传算法的图像匹配方法,对基本遗传算法的初始种群产生和遗传算子做了改进,避免了基本遗传算法的执行效率低且容易“早熟”等问题.实验结果表明,改进后的遗传算法能够精确、快速地完成图像匹配,与传统方法相比,匹配效率得到明显改善.     

混和模拟退火-遗传算法在参数估计中的应用

在分析传统遗传算法和模拟退火算法各自优缺点的基础上,提出把模拟退火算法和传统遗传算法相结合的混和算法,有效避免了两种算法的不足之处,并将该混和模拟退火遗传算法用于非线性的参数估计中。     

基于遗传算法的整周模糊度解算方法

在卡尔曼滤波的基础上,利用高斯变换降低各整周模糊度之间的相关性,然后利用遗传算法进行搜索,提出了自适应遗传算法,改进了搜索效果,仿真结果表明,自适应遗传算法有更快的搜索速度和更强的鲁棒性.     

改进遗传算法在变形监测网平差中的应用

遗传算法在处理非线性最小二乘问题上具有其独到的优势。文中通过对遗传算法的理论性研究,对常规遗传算法的选择交叉策略、变异步长及变异率都作了改进。并将改进的遗传算法应用到变形监测网平差中,实现变形监测网在不同基准下的非线性平差计算,并通过实例证明其实用性及优越性。     

遗传模拟退火算法优化BP神经网络的GPS高程拟合

针对传统BP神经网络收敛速度慢、易陷入局部最优和遗传算法优化BP神经网络(GA-BP)算法过早收敛的问题,提出了遗传模拟退火算法优化BP神经网络(GSA-BP)算法. 在遗传算法(GA)的种群更新中加入模拟退火算法(SA),保留种群的多样性. 用GSA-BP算法对某地区进行高程异常拟合,并与BP算法和GA-BP算法结果进行比较. 结果显示:GSA-BP算法精度可分别提高约51%、25%,速度提高约77%、39%,且能基本满足四等水准测量精度要求. 该方法在GPS高程拟合中具有可行性.      

改进的自适应遗传算法支持下点云与BIM模型配准

在钢结构数字化检测中,点云与设计模型的配准是进行数字化检测的关键步骤,配准的精确度决定了检测分析的准确度。传统配准方法一般先进行粗配准再进行精确配准,计算量大且收敛速度缓慢。针对精确配准存在的问题,本文提出了基于改进的自适应遗传算法用于点云与设计模型的配准方法,自适应地调整交叉概率与变异概率的执行顺序及概率值的大小,提高了种群的多样性及收敛速度。试验证明,改进后的自适应遗传算法极大地提高了点云与模型配准精度和收敛速度。     

实数编码改进遗传算法的非线性最小二乘平差

遗传算法在处理测量领域中的非线性问题时,算法中的种群数目大小、个体中的参数分量的数量以及参数的取值区间都会对算法的效率产生影响。针对基本遗传算法在处理非线性问题时,容易陷入局部最优值、速度慢、收敛区间小等问题,本文采用了一种新的交叉策略,并对变异算子中的变异步长作动态的自适应改变。最后通过实例解算验证了这种改进的遗传算法比基本遗传算法更加稳定、精度更高、收敛速度更快、收敛区间更大。     

改进遗传算法优化灰色神经网络隧道变形预测

针对目前隧道变形预测方法的不足,该文提出了使用改进型遗传算法优化灰色神经网络的隧道变形预测模型。改进遗传算法策略:在种群繁衍过程中根据个体的适应度进行排序,再将排序后的种群均分为3个部分,按照比例对3个部分进行选择,最后从适应度较大的部分中随机选取个体在重新补充到种群中。改进型遗传算法可以避免陷入局部收敛成功找寻全局最优解,提高收敛速度。该文利用实际隧道监测数据进行实验,验证改进型遗传算法优化灰色神经网络的隧道变形预测模型。实验证明,改进型遗传算法优化灰色神经的隧道变形预测模型在进行隧道拱顶下沉量预测时有着更高的精度、更好的稳定性。     

北斗／WSN网络的融合定位算法

通过对传统的无线传感器网络RSSI定位算法的研究,分析了其定位精度差,响应速度慢等特点,结合北斗定位系统的优点,提出了一种传统无线传感器定位与北斗导航定位相融合的算法,通过卡尔曼滤波,将两种算法的数据进行融合,得到了新的融合定位算法。通过仿真分析可得,新的融合算法在定位精度和收敛速度上,相较于传统单一的无线传感器网络节点定位算法都有了相应的提高,通过对这一算法的仿真,仿真结果说明该算法切实可行。      

基于混合算法的单配送中心路径优化方法

遗传算法具有较好的全局收敛性,蚁群算法具有较好的正反馈性,结合二者的优点,对混合算法进行了研究。定义了自适应交叉率和变异率,用遗传算法得到的一组最优解初始化蚁群算法初始状态下信息素的浓度,结合2-opt算法对结果进行优化,得到最优的物流车辆配送方案。实验验证了将混合算法运用于单配送中心车辆路径问题的有效性。     

基于混沌遗传算法的遥感影像分类

为提高遥感影像分类精度,本文提出基于混沌遗传算法(Chaos Genetic Algorithm)的遥感影像分类方法.首先应用混沌遗传算法对样本进行自学习得到全局最优的聚类中心,然后通过得到的聚类中心对整幅影像进行分类.该方法利用混沌变量的遍历性,进行粗粒搜索,优化遗传算法的初始种群,从而提高收敛速度;对经过选择算子、...     

BFGS-BP法在变形监测数据处理中的应用

针对传统的BP神经网络算法计算精度低、收敛速度慢的缺点,本文将求解无约束极值问题的非线性最优化方法—BFGS法引入到BP神经网络模型,构建适用于带有不确定性和非线性的结构变形监测数据的处理和预测的BFGS-BP网络模型。并以某隧道施工过程中的拱顶下沉观测数据为例,进行BFGS-BP与传统BP算法的训练和预测对比试验。试验结果表明,与传统的BP算法相比,BFGS-BP模型具有更高的计算精度、更快的收敛速度。     

基于遗传算法的点状要素注记的整体最优配置

提出了一种点状要素自动注记的整体最优解的解决方案，其核心算法采用具有全局搜索特性的遗传算法，可以获取点状要素注记配置的（近似）全局最优解。     

基于改进BP神经网络的GPS高程拟合方法

BP神经网络用于GPS高程拟合时存在收敛速度慢,受初始值选取影响大和易陷入局部极大值的问题。本文提出一种改进的BP神经网络高程拟合方法,将模拟退火算法(Simulated Annealing,SA)引入BP神经网络模型,利用模拟退火算法的全局寻优能力对BP神经网络的初始值进行选择,同时优化神经网络的各层神经元之间的连接权值和阈值,提高BP神经网络拟合法的拟合精度、收敛速度和推广泛化能力。最后结合实际算例对所提方法的拟合性能进行验证,结果表明利用模拟退火算法改进的BP神经网络进行高程拟合是可行且有效的,拟合结果优于传统BP神经网络法。