CN104318307A - 一种基于自适应模糊遗传算法的轮胎花纹降噪方法 - Google Patents
一种基于自适应模糊遗传算法的轮胎花纹降噪方法 Download PDFInfo
- Publication number
- CN104318307A CN104318307A CN201410563873.3A CN201410563873A CN104318307A CN 104318307 A CN104318307 A CN 104318307A CN 201410563873 A CN201410563873 A CN 201410563873A CN 104318307 A CN104318307 A CN 104318307A
- Authority
- CN
- China
- Prior art keywords
- population
- probability
- individual
- produce
- avg
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Tires In General (AREA)
Abstract
本发明公开了一种基于自适应模糊遗传算法的轮胎花纹降噪方法,包括以下步骤:输入:初始节距比例群体训练集、改进遗传算法控制参数;输出:训练好的节距比例群体。步骤1:初始化控制参数:包括种群规模N,交叉概率Pc,变异概率Pm,调节变异自适应程度的参数V等;步骤2:随机产生初始种群,并计算种群中所有个体的适应度;步骤3:当结束条件未满足时,从父代中选择两个个体。本发明方法有效可行,可节约人力物力,开发周期短、费用低,有较大的推广价值,降噪优化效果显著,可信度高,工程实用性强。
Description
技术领域
本发明属于计算机技术领域,涉及一种基于自适应模糊遗传算法的轮胎花纹降噪方法。
背景技术
经多年研究,得出轮胎花纹噪声主要由①花纹块击地噪声,它跟花纹块面积大小有关,与其形状基本无关,②花纹槽泵浦喷吸噪声,它只跟花纹槽宽度、长度及走向有关,与其深度基本无关,③因噪声波互相干涉产生声波增强或抵消现象,合成的噪声强度大小跟花纹结构参数及花纹排列有极大关联。这三个原则是轮胎花纹降噪的理论依据。为了得到合理的轮胎花纹结构参数,在模糊遗传降噪算法上作了改进,引入自适应特性,形成了自适应模糊遗传降噪算法。
模糊遗传降噪算法(Fuzzy Genetic Noise-Reduction Algorithm,FGNRA)
遗传算法编码
以节距比例值为例,对比例因子染色体初始群体其比例因子用素数和无理数,最大值与最小值之比受工艺设计要求限制在一定范围(一般取7以内)。若Bmax为最大比值,并设定最小节距值为Pmin,随机产生基本节距个数的正整数(256以内),按从小到大的顺序建立比例因子串,这样减少了计算量。按如下方式进行编码:某一个轮胎花纹方案由A、B、C、D、E五个基本节距组成,随机产生小于等于256的五个正整数Ni(i=1~5,排序后若为4、23、111、200、248),节距值可由
求得,从而可求出节距比例Ri=Pi/P1,Ni对应十六进制编码为04、17、6F、C8、F8。
模糊遗传算法
遗传算法流程如图1,其迭代的结束条件有两个:①群体的最优个体适应度函数值趋于一稳态值;②迭代次数已满。对于轮胎花纹其他结构参数节距排列、错位、花纹条数等的FGNRA法优化具体过程与花纹节距比例优化相同。
基本遗传算法(Simple Genetic Algorithm,SGA)存在着容易早熟和收敛速度慢两个难题,且它的局部搜索能力弱,达不到很高的精度要求。
发明内容
本发明的目的在于克服上述技术存在的缺陷,提供一种基于自适应模糊遗传算法的轮胎花纹降噪方法,来提高局部搜索能力,并避免早熟和提高收敛速度。①引入交叉概率和变异概率与个体的适应度值相联系,使适应度值小的个体有较大的交叉概率和变异概率,适度值大的个体交叉概率和变异概率则相对较小,从而实现自适应的遗传算法。②为提高遗传算法的局部搜索能力,在交叉操作后引入模拟退火机制,并采用一种新的变异操作,每次变异产生二个子代,然后根据情况取舍,引入接受相对差的子代的概率,这样可一定程度上避免陷入局部极值。其具体技术方案为:
一种基于自适应模糊遗传算法的轮胎花纹降噪方法,包括以下步骤:
输入:初始节距比例群体训练集、改进遗传算法控制参数
输出:训练好的节距比例群体
步骤1:初始化控制参数:包括种群规模N,交叉概率Pc,变异概率Pm,调节变异自适应程度的参数V等;
步骤2:随机产生初始种群,并计算种群中所有个体的适应度;
步骤3:当结束条件未满足时
从父代中选择两个个体;
按(2),(3)式确定交叉概率
其中f′≥favg
Pc=Pc1 (3)
其中f′<favg;
按(4),(5)式执行交叉操作
Y1=X1+k(X2-X1) (4)
Y2=X2+k(X1-X2) (5);
按(6),(7)式确定变异概率
其中f≥favg
Pm=Pm1 (7)
其中f<favg;
按(8)式执行变异操作
Yj=[x1 x2 ... xN]+[b1Δx1 b2Δx2 ... bNΔxN] (8)
产生新一代种群,评价新一代种群,若达到条件要求则结束,否则产生新一代种群继续评价,直到达到条件。
优选地,所述交叉概率的算法具体包括以下步骤:
输入:染色体X,染色体Y,交叉概率Pc1、Pc2,初始温度T0
输出:染色体X,染色体Y
步骤1:按照(2a)和(2b)式计算交叉概率Pc;
步骤2:在[0,1]区间产生随机数r,若Pc>r,则继续,否则,转向步骤8;
步骤3:按照(3a)和(3b)式执行交叉操作,产生两个子个体X1和Y1,计算它们的适度值f(X1)和f(Y1);
步骤4:如果f(X1)>f(X);则个体X1取代X,转向步骤6,否则,继续;
步骤5:在[0,1]区间产生随机数recp,计算dif=f(X)-f(X1),Ti=T0(0.99i-1),temp=min(1.0,exp(-dif/Ti))(i为进化代数),如果temp>=recp,则个体X1取代X,否则保留X;
步骤6:如果f(Y1)>f(Y);则个体Y1取代Y,转向步骤8,否则,继续;
步骤7:在[0,1]区间产生随机数recp,计算dif=f(Y)-f(Y1),temp=min(1.0,exp(-dif/0.99i-1))(i为进化代数),如果temp>=recp,则个体Y1取代Y,否则保留Y;
步骤8:输出X、Y,结束。
优选地,所述变异概率的算法具体包括以下步骤:
输入:父代种群,染色体X,接受不良子代的概率λ,变异概率Pm1、Pm1
输出:子代种群
步骤1:按照(4a)和(4b)式计算变异概率Pm;
步骤2:在[0,1]区间产生随机数r,若Pm>r,则继续,否则,转向步骤7;
步骤3:按照(5)式产生两个新个体X1和X2,计算适度值f(X1)和f(X2);
步骤4:寻找父代中最小适度值fmin的个体Xmin,在[0,1]区间产生随机数α,如果α<λ,则个体X’=max(f(X1),f(X2)),X’取代Xmin,转向步骤7,否则继续;
步骤5:若f(X1)>fmin,则用X1取代Xmin,转向步骤7,否则继续;
步骤6:若f(X2)>fmin,则用X2取代Xmin,否则保留父代;
步骤7:输出子代种群,结束。
优选地,当某代的最优个体的适度值大于或等于预先给定的值或者算法给定的迭代次数已用完,算法结束。
与现有技术相比,本发明的有益效果为:本发明用自适应模糊遗传降噪算法(SFGNRA)进行轮胎花纹结构参数优化,方法有效可行,可节约人力物力,开发周期短、费用低,有较大的推广价值,降噪优化效果显著,可信度高,工程实用性强。
附图说明
图1是模糊遗传算法流程图;
图2是本发明的自适应模糊遗传算法流程图;
图3是轮胎花纹噪声优化仿真曲线图,其中图3(a)FGNRA优化仿真图,图3(b)SFGNRA优化仿真图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合附图和具体实例,进一步阐述本发明。
一种基于自适应模糊遗传算法的轮胎花纹降噪方法,包括以下步骤:
输入:初始节距比例群体训练集、改进遗传算法控制参数
输出:训练好的节距比例群体
步骤1:初始化控制参数:包括种群规模N,交叉概率Pc,变异概率Pm,调节变异自适应程度的参数V等;
步骤2:随机产生初始种群,并计算种群中所有个体的适应度;
步骤3:当结束条件未满足时
·从父代中选择两个个体;
·按(2a),(2b)式确定交叉概率;
·按(3a),(3b)式执行交叉操作;
·按(4a),(4b)式确定变异概率;
·按(5)式执行变异操作;
·产生新一代种群;
·评价新一代种群;
·评价新一代种群。
交叉算子
使用选择算子在群体中选择两个父体X1和X2,根据父个体的适应度确定交叉概率,交叉概率Pc选择是影响遗传算法行为和性能的关键所在,直接影响算法的收敛性,Pc越大,新个体产生的速度就越快。然而Pc过大时遗传模式被破坏的可能性也越大。交叉概率Pc的计算公式如下:
其中f′≥favg
Pc=Pc1 (3)
其中f′<favg
其中fmax为群体中最大的适应度值,favg为每代群体的平均适应度值,fˊ为X1和X2中较大的适应度值;Pc1=0.9,Pc2=0.3,实验过程中根据具体情况调节参数的值。两个父体X1和X2采用以下方式产生两个子代Y1和Y2:
Y1=X1+k(X2-X1) (4)
Y2=X2+k(X1-X2) (5)
这里k是一个比例因子,可由[0,1]上均匀分布随机数产生。子代的每个变量的值按上式计算,对每个变量要选择一个新的k值。
交叉后生成的子代按模拟退火机制进行取舍,模拟退火法(SimulatedAnnealing,SA)是模拟热力学中经典粒子系统的降温过程,来求解规划问题的极值。当孤立粒子系统的温度以足够慢的速度下降时,系统近似处于热力学平衡状态,最后系统将达到本身的最低能量状态,即基态,这相当于能量函数的全局极小点。由于模拟退火法能够有效地解决大规模的组合优化问题,且对规划问题的要求极小,该方法已成为一种极具发展前景的一种优化方法。具体思路如下:
如果f(X1)>f(Y1),则Y1取代当前代中的X1;否则随机产生β∈[0,1],Δ=f(Y1)-f(X1),prob=min(1,e-Δ/T),T=T0(0.99g-1),g为遗传代数,T为温度,T0=-d/logpr为初始温度(d为初始种群个体之间适度值的最大差值,pr=0.01实验过程中可根据情况调整),如果prob>β,则Y1取代当前代中的X1,相同方法处理X2和Y2。引入模拟退火机制可以提高算法的局部搜索能力。
自适应交叉算子可以描述如下:
输入:染色体X,染色体Y,交叉概率Pc1、Pc2,初始温度T0
输出:染色体X,染色体Y
步骤1:按照(2)和(3)式计算交叉概率Pc;
步骤2:在[0,1]区间产生随机数r,若Pc>r,则继续,否则,转向步骤8;
步骤3:按照(4)和(5)式执行交叉操作,产生两个子个体X1和Y1,计算它们的适度值f(X1)和f(Y1);
步骤4:如果f(X1)>f(X);则个体X1取代X,转向步骤6,否则,继续;
步骤5:在[0,1]区间产生随机数recp,计算dif=f(X)-f(X1),Ti=T0(0.99i-1),temp=min(1.0,exp(-dif/Ti))(i为进化代数),如果temp>=recp,则个体X1取代X,否则保留X;
步骤6:如果f(Y1)>f(Y);则个体Y1取代Y,转向步骤8,否则,继续;
步骤7:在[0,1]区间产生随机数recp,计算dif=f(Y)-f(Y1),temp=min(1.0,exp(-dif/0.99i-1))(i为进化代数),如果temp>=recp,则个体Y1取代Y,否则保留Y;
步骤8:输出X、Y,结束。
变异算子
出父个体,根据父个体的适应度确定变异概率Pm。变异概率也是影响遗传算法性能的关键所在。Pm的计算如下:
其中f≥favg
Pm=Pm1 (7)
其中f<favg
其中fmax为群体中最大的适应度值,favg为每代群体的平均适应度值,f为要变异个体的适应度值;Pm1=0.1,Pm2=0.099,实验过程中根据具体情况调节参数的值。
对选定的个体X按下式进行变异,设X=[x1x2…xN],xi∈[-b,b],i=1,2,…,N。
Yj=[x1 x2 ... xN]+[b1Δx1 b2Δx2 ... bNΔxN] (8)
这里j=1,2,bi的取值为0或1,v=2。第一个子代由随机选择一个bi为1,其余为0的情况产生;第二个子代由随机选择某些bi为1,其余为0的情况产生(有可能所有bi均为1)。随机产生一个小数α∈[0,1],如果α<λ,λ∈[0,1]为预先指定的小数,则用两个子代中适度值高的个体取代父代中最小适度值fmin的个体;如果α>=λ,若f(Y1)>fmin,则用Y1取代父代中适度值最小fmin的个体,对第二个子代做相同的操作。λ是为了避免陷入局部极值而设的接收不优良子代的概率,提高种群的多样性,避免早熟,以保证算法达到全局最优。
从前面的分析可看出,第一个子代实际上是一个基因突变产生的,第二个子代同时有多个基因突变产生的。采用这种方式变异的搜索域比每次只是单个基因突变的搜索域要大。当种群的适度值普遍较小时,个体基因有更大的提高空间,多个基因突变会比单个基因突变更有效;而当种群趋于稳定时,改变单个基因更有可能提高个体适度值,因为随着搜索域的缩小,某些基因也许已达到它们的最优值,如果多个基因突变,则会破坏某些优良基因。变异算子可以描述如下:
输入:父代种群,染色体X,接受不良子代的概率λ,变异概率Pm1、Pm1
输出:子代种群
步骤1:按照(6)和(7)式计算变异概率Pm;
步骤2:在[0,1]区间产生随机数r,若Pm>r,则继续,否则,转向步骤7;
步骤3:按照(8)式产生两个新个体X1和X2,计算适度值f(X1)和f(X2);
步骤4:寻找父代中最小适度值fmin的个体Xmin,在[0,1]区间产生随机数α,如果α<λ,则个体X’=max(f(X1),f(X2)),X’取代Xmin,转向步骤7,否则继续;
步骤5:若f(X1)>fmin,则用X1取代Xmin,转向步骤7,否则继续;
步骤6:若f(X2)>fmin,则用X2取代Xmin,否则保留父代;
步骤7:输出子代种群,结束。
算法终止条件
当算法满足以下两个条件之一,算法就结束:
(1)当某代的最优个体的适度值大于或等于预先给定的值;
(2)算法给定的迭代次数已用完。
优化实例分析比较
对轮胎花纹节距比例采用模糊遗传降噪算法(FGNRA)和自适应模糊遗传降噪算法(SFGNRA)(参数设置见表1)进行优化,对两种方法分析比较。
表1自适应模糊遗传降噪算法参数设置
图3(a)和图3(b)分别是上述两个方法优化后的轮胎方案噪声仿真曲线,图中曲线1为M曲线,曲线2为优化方案噪声仿真曲线。
以上所述,仅为本发明最佳实施方式,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。
Claims (3)
1.一种基于自适应模糊遗传算法的轮胎花纹降噪方法,其特征在于,包括以下步骤:
输入:初始节距比例群体训练集、改进遗传算法控制参数
输出:训练好的节距比例群体
步骤1:初始化控制参数:包括种群规模N,交叉概率Pc,变异概率Pm,调节变异自适应程度的参数V;
步骤2:随机产生初始种群,并计算种群中所有个体的适应度;
步骤3:当结束条件未满足时
从父代中选择两个个体;
按(2),(3)式确定交叉概率
其中f′≥favg
Pc=Pc1 (3)
其中f′<favg;
按(4),(5)式执行交叉操作
Y1=X1+k(X2-X1) (4)
Y2=X2+k(X1-X2) (5);
按(6),(7)式确定变异概率
其中f≥favg
Pm=Pm1 (7)
其中f<favg;
按(8)式执行变异操作
Yj=[x1 x2 ... xN]+[b1Δx1 b2Δx2 ... bNΔxN] (8)
产生新一代种群;
产生新一代种群,评价新一代种群,若达到条件要求则结束,否则产生新一代种群继续评价,直到达到条件。
2.根据权利要求1所述的基于自适应模糊遗传算法的轮胎花纹降噪方法,其特征在于,所述交叉概率的算法具体包括以下步骤:
输入:染色体X,染色体Y,交叉概率Pc1、Pc2,初始温度T0
输出:染色体X,染色体Y
步骤1:按照(2a)和(2b)式计算交叉概率Pc;
步骤2:在[0,1]区间产生随机数r,若Pc>r,则继续,否则,转向步骤8;
步骤3:按照(3a)和(3b)式执行交叉操作,产生两个子个体X1和Y1,计算它们的适度值f(X1)和f(Y1);
步骤4:如果f(X1)>f(X);则个体X1取代X,转向步骤6,否则,继续;
步骤5:在[0,1]区间产生随机数recp,计算dif=f(X)-f(X1),Ti=T0(0.99i-1),temp=min(1.0,exp(-dif/Ti))(i为进化代数),如果temp>=recp,则个体X1取代X,否则保留X;
步骤6:如果f(Y1)>f(Y);则个体Y1取代Y,转向步骤8,否则,继续;
步骤7:在[0,1]区间产生随机数recp,计算dif=f(Y)-f(Y1),temp=min(1.0,exp(-dif/0.99i-1))(i为进化代数),如果temp>=recp,则个体Y1取代Y,否则保留Y;
步骤8:输出X、Y,结束。
3.根据权利要求1所述的基于自适应模糊遗传算法的轮胎花纹降噪方法,其特征在于,所述变异概率的算法具体包括以下步骤:
输入:父代种群,染色体X,接受不良子代的概率λ,变异概率Pm1、Pm1
输出:子代种群
步骤1:按照(4a)和(4b)式计算变异概率Pm;
步骤2:在[0,1]区间产生随机数r,若Pm>r,则继续,否则,转向步骤7;
步骤3:按照(5)式产生两个新个体X1和X2,计算适度值f(X1)和f(X2);
步骤4:寻找父代中最小适度值fmin的个体Xmin,在[0,1]区间产生随机数α,如果α<λ,则个体X’=max(f(X1),f(X2)),X’取代Xmin,转向步骤7,否则继续;
步骤5:若f(X1)>fmin,则用X1取代Xmin,转向步骤7,否则继续;
步骤6:若f(X2)>fmin,则用X2取代Xmin,否则保留父代;
步骤7:输出子代种群,结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410563873.3A CN104318307A (zh) | 2014-10-21 | 2014-10-21 | 一种基于自适应模糊遗传算法的轮胎花纹降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410563873.3A CN104318307A (zh) | 2014-10-21 | 2014-10-21 | 一种基于自适应模糊遗传算法的轮胎花纹降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104318307A true CN104318307A (zh) | 2015-01-28 |
Family
ID=52373535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410563873.3A Pending CN104318307A (zh) | 2014-10-21 | 2014-10-21 | 一种基于自适应模糊遗传算法的轮胎花纹降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318307A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045875A (zh) * | 2016-02-03 | 2017-08-15 | 重庆工商职业学院 | 基于遗传算法的基音频率检测方法 |
CN108932370A (zh) * | 2018-06-13 | 2018-12-04 | 正新橡胶(中国)有限公司 | 一种确定轮胎的花纹的方法及装置 |
CN109145411A (zh) * | 2018-08-02 | 2019-01-04 | 浙江工业大学 | 一种基于内嵌并行结构遗传算法的关键电路单元定位方法 |
CN117668701A (zh) * | 2024-01-30 | 2024-03-08 | 云南迅盛科技有限公司 | Ai人工智能机器学习系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203739576U (zh) * | 2013-12-23 | 2014-07-30 | 比亚迪股份有限公司 | 用于降低车辆胎噪的降噪系统及具有其的车辆 |
-
2014
- 2014-10-21 CN CN201410563873.3A patent/CN104318307A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203739576U (zh) * | 2013-12-23 | 2014-07-30 | 比亚迪股份有限公司 | 用于降低车辆胎噪的降噪系统及具有其的车辆 |
Non-Patent Citations (3)
Title |
---|
李晓辉等: "自适应模糊遗传算法在轮胎花纹降噪中的应用", 《计算机工程与应用》 * |
陈理君等: "基于自适应遗传算法的低噪声轮胎花纹结构参数优化", 《橡胶工业》 * |
陈理君等: "轮胎花纹噪声及其降噪方法", 《噪声与振动控制》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045875A (zh) * | 2016-02-03 | 2017-08-15 | 重庆工商职业学院 | 基于遗传算法的基音频率检测方法 |
CN107045875B (zh) * | 2016-02-03 | 2019-12-06 | 重庆工商职业学院 | 基于遗传算法的基音频率检测方法 |
CN108932370A (zh) * | 2018-06-13 | 2018-12-04 | 正新橡胶(中国)有限公司 | 一种确定轮胎的花纹的方法及装置 |
CN108932370B (zh) * | 2018-06-13 | 2022-03-15 | 正新橡胶(中国)有限公司 | 一种确定轮胎的花纹的方法及装置 |
CN109145411A (zh) * | 2018-08-02 | 2019-01-04 | 浙江工业大学 | 一种基于内嵌并行结构遗传算法的关键电路单元定位方法 |
CN109145411B (zh) * | 2018-08-02 | 2023-04-18 | 浙江工业大学 | 一种基于内嵌并行结构遗传算法的关键电路单元定位方法 |
CN117668701A (zh) * | 2024-01-30 | 2024-03-08 | 云南迅盛科技有限公司 | Ai人工智能机器学习系统及方法 |
CN117668701B (zh) * | 2024-01-30 | 2024-04-12 | 云南迅盛科技有限公司 | Ai人工智能机器学习系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363344B (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
Cheng et al. | Differential evolution algorithm with fitness and diversity ranking-based mutation operator | |
Alajmi et al. | Selecting the most efficient genetic algorithm sets in solving unconstrained building optimization problem | |
Zhou et al. | A multiobjective evolutionary algorithm based on decomposition and probability model | |
CN104318307A (zh) | 一种基于自适应模糊遗传算法的轮胎花纹降噪方法 | |
CN104268077A (zh) | 基于混沌遗传算法的测试用例集约简算法 | |
CN104573820A (zh) | 一种用于带约束条件的工程优化问题的遗传算法 | |
CN105303252A (zh) | 基于遗传算法的多阶段神经网络模型训练方法 | |
CN104899374B (zh) | 基于小波变异风驱动优化算法直线天线阵方向图综合方法 | |
CN109725294A (zh) | 基于改进遗传算法的雷达阵列稀疏优化方法 | |
CN110348046B (zh) | 一种基于模糊综合评价的钻进轨迹多目标优化方法 | |
CN110147590B (zh) | 一种基于自适应演化优化算法的螺旋式天线设计方法 | |
CN105608295A (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN109241576A (zh) | 基于蚁狮算法的稀疏天线方向图综合方法 | |
CN102708047B (zh) | 数据流测试用例生成方法 | |
CN104123706A (zh) | 一种基于自适应免疫遗传算法的图像增强方法 | |
CN114548568A (zh) | 一种致密页岩油藏注气吞吐参数协同优化方法 | |
CN102521654A (zh) | Rna遗传算法的超临界水氧化反应动力学模型参数估计方法 | |
CN113032953A (zh) | 一种多井系统水驱油藏注采参数智能优化方法 | |
CN113435128A (zh) | 基于条件生成式对抗网络的油气藏产量预测方法及装置 | |
Zheng | Comparing the real-time searching behavior of four differential-evolution variants applied to water-distribution-network design optimization | |
CN104376363A (zh) | 一种基于改进的免疫遗传算法的多相正交码生成方法 | |
CN103164554B (zh) | 一种确定超材料单元结构的方法 | |
CN105512726A (zh) | 基于免疫遗传优化的可靠性分配方法及装置 | |
Buelow | Choosing parents to produce better preforming children: a comparison of selection methods used for evolutionary search |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150128 |
|
RJ01 | Rejection of invention patent application after publication |