求解TSP问题的单纯形与遗传算法的混合算法

提出一个求解TSP的算法,即用单纯形算法与遗传算法相结合的方法来进行路径得选取,以提高初始解质量,加快收敛速度,实验证明了算法的有效性。     

基于遗传算法改进神经网络的电力谐波检测算法

提出了基于遗传算法改进神经网络算法进行电力谐波分析的方案。遗传算法全局搜索能力强,收敛速度快的特点弥补了神经网络算法在进行谐波分析时易陷入局部最优解的缺点,同时对初始权值进行遗传算法进化也大大加强了整个算法模型的泛化能力。针对算法本文借助MATLAB的遗传算法和神经网络算法工具箱进行仿真训练发现使用遗传算法改进神经网络算法收敛速度更快,计算结果准确性更高,具有较好的谐波分析效果。     

基于遗传算法的TSP问题优化方法

针对传统遗传算法在巡回商旅问题优化计算中存在的弊端——收敛速度慢,迭代次数多。在传统遗传算法基础上,设计出一种加入人工选择和定向突变的优化改进算法。该优化算法通过人工方法保存具有有利变异个体和淘汰具有不利变异个体,有利变异个体进行杂交和变异,从而提高遗传算法的收敛速度,减少遗传算法的迭代次数。同时针对遗传算法易陷入局部最优解的情况,在优化算法中引入自适应参数算法,针对遗传算法的不同阶段,实现杂交概率和变异概率的自适应调节,防止算法陷入局部最优解。最后,采用国际标准的TSP测试集(TSPLIB)对优化算法的优良性进行验证,实验表明,对比其他算法,该优化算法在TSP最优解的质量上提高10%左右。     

基于遗传算法的运输规划方法研究

为了提高运输规划问题的有效性,降低运输成本,将遗传算法引入到该问题的求解中。运输规划问题的数学模型是带约束的函数优化问题,在该问题模型中引入遗传算法,采用罚函数法处理约束条件,对可行解和不可行解采用不同的适应值函数,结合轮盘赌、竞标赛和精英保存算法作为选择策略,对可行解和不可行解分别采用边界变异和非均匀变异,最终得出最优解。实验结果数值说明该方法的有效性。     

量子克隆遗传算法的多用户检测技术研究

针对现有的量子克隆遗传算法存在算法效率低、收敛速度较慢、易于陷入局部值等缺陷.文章通过引入量子交叉.加快算法收敛速度,使用自适应量子旋转门更新策略,加快最优解的搜索;采用量子灾变策略,避免早熟和进化停滞.由此给出了一种改进的量子克隆遗传算法(NQCGA).仿真结果表明:所提算法的多用户检测器的误码率、收敛速度、抗多址干...     

基于新型蚁群算法的配电网络规划

在基本蚁群算法的基础上引入分段函数及柔性伸缩机制,对蚁群算法中转移概率的调节因子的取值以及信息素全局刷新方式加以改进,提高了蚁群算法搜索全局最优解的能力以及收敛到最优解的速度。将改进后的算法应用于配电网规划问题,通过具体的算例验证表明,在相同的情况下,新方法比基本蚁群算法在搜索全局最优解和收敛速度方面有所提高,说明了新方法的可行性与有效性。     

一种GA-BP算法的研究及性能分析

遗传算法具有搜索全局最优解的能力,并且有很强的鲁棒性,而BP算法具有很好的泛化能力和非线性映射能力,基于两种算法的特点,设计了一种GA-BP算法,该算法将遗传算法应用到神经网络中权值和阈值的优化中,将最优解的分布范围缩小,然后通过BP算法进行再次优化和精确求解,以防止神经网络陷入局部极小点,从而达到加速收敛、减少训练次数的目的;并且通过对比实验给出该算法的可行性和有效性分析,进一步验证了该算法在收敛速度和误差精度上的优越性。     

板材轧制过程中设定初始速度场的类电磁机制算法

采用Newton-Raphson(NR)算法求解有限元离散化后形成的非线性方程组时,初速度场的设定对迭代过程能否收敛或收敛时的迭代次数都有重要影响,设定初速度场是技巧性很强的工作。本文提出设定板材轧制过程中初始速度场的类电磁机制(EM)算法,首先将能耗率泛函表达为节点速度的函数,然后采用随机策略产生一组可行速度场(对应一群带电粒子),最后根据粒子对应的能耗率泛函目标值来确定粒子间的吸引与排斥机制,按照一定的准则使得粒子朝最优解方向移动。数值实验结果显示,类电磁机制算法能为NR算法提供可快速收敛的初始速度场。     

自适应遗传算法

为了防止标准遗传算法中过早收敛到局部最优解的早熟现象,本文在分析早熟特征的基础上提出了相似程度的概念,并利用相似程度来选取杂交算子概率和变异算子概率,从而得到自适应遗传算法。实验结果表明,改进的自适应遗传算法比标准的遗传算法效果要好很多。     

一种求解多背包问题的改进的人工鱼群算法

多背包问题是优化领域中典型的NP难题,传统算法由于计算复杂性高或收敛速度慢等缺点,结果往往不能令人满意。针对上述问题提出了一种求解多背包问题的改进的人工鱼群算法(IAF-SA)。首先将多背包放入方式整数编码,其次对不可行人工鱼编码、不充分人工鱼编码采用"随机修复"策略进行修复,并对人工鱼群算法(AFSA)中觅食、聚群和追尾等行为和产生的人工鱼编码进行改进和修复,最后结合实验对IAFSA算法分析和检验。实验结果表明,求解多背包问题的IAFSA算法相对其它算法不仅具有更快收敛速度和更强鲁棒性,而且以较大的概率收敛于原问题的最优解。     

一种避免早熟收敛的改进遗传算法

针对传统遗传算法的早熟收敛问题,在著名的"基因块"假设的基础上,提出了一种改进算法:利用设计的新算子对传统遗传算法演化过程中被淘汰的个体进行二次演化,使得可能包含在将来的演化中对结果的全局最优性产生重要影响的基因块得以保留,以此来避免遗传算法早熟收敛现象。实验结果证明了该改进算法可以有效地避免早熟收敛,提高了算法全局优化能力。     

基于改进BP神经网络的图像识别算法

为提高图像识别的准确率和速度,结合遗传算法和BP神经网络设计了一种改进图像识别算法。由于传统BP神经网络本身存在结构参数不确定、收敛速率低、容易陷入局部最小值等问题。本文首先提取图像的颜色和纹理特征,利用BP神经网络实现特征的初步识别同时基于遗传算法在线优化BP神经网络结构参数。在此基础上,给出了图像识别流程。最后,根据证据理论实现图像识别结果融合以获得完整图像信息。仿真结果表明:所述算法具有较高的识别率和收敛速度;在少量训练样本条件下,改进BP神经网络依旧具有较好的泛化能力。     

基于遗传算法的电子商务谈判模型设计

详细分析了遗传算法的原理,并且根据电子商务谈判模型系统的实际,进行种群的编码,给出相应的适应度函数.遗传算法收敛速度慢且性能不稳定,基于粒子群子代个体产生趋于最优个体的思想对遗传算法进行改进,设计出适合粒子群算法的交叉变异概率公式.在针对塑料颗粒的商务谈判中,应用这两种算法模型,结果表明基于粒子群改进的算法比遗传算法更能及时提供谈判解,节省了商务谈判的时间,提高了商务谈判的效率.     

基于免疫算法的机器人路径规划

本文采用栅格法建立机器人的环境模型,把免疫算法应用到机器人的路径规划中,通过提出一种新的多因素适应度函数,使对个体的评估更符合机器人所需要的最优路径。仿真结果表明该方法可行,而且有效,可以提高收敛速度,并与遗传算法进行比较,发现使用该免疫算法解决了遗传算法后期的波动现象。     

基于AB非格模型和遗传退火算法的蛋白质折叠预测

蛋白质结构预测的主要难点之一是全局优化问题。以AB非格模型为基础,采用遗传和模拟退火方法来进行蛋白质折叠预测,同时对遗传算法的变异函数进行了改进,重新设计出假设生成后的排序策略。实验结果表明,在AB非格模型中利用遗传退火算法可以有效地完成蛋白质折叠的预测,能在保持较高精度的情况下快速收敛到全局最优解。     

一种改进的并行混合遗传算法在求解TSP问题中的应用

遗传算法(GeneticAlgorithm,GA)是一种基于自然群体遗传机制的有效搜索算法。由于它在搜索空间中同时考虑许多点,这样就减少了收敛于局部极小的可能,也增加了处理的并行性。因此,可以利用并行遗传算法(PGA)研究典型的组合优化实例-TSP问题(旅行商问题)的求解问题,提出一种改进的主从式并行混合遗传算法求解TSP问题。实验结果表明,该方法在解的精度和速度上优于以前的算法。     

基于混合遗传算法的滑动 MTI 参差码优化设计

在滑动参差MTI滤波器设计中,通过选择适当的参差码改变雷达发射脉冲周期,使盲速大于目标可能的最大速度,并使第一零点尽可能浅,以确保不会丢失陷入其中的弱目标。参差码设计是一个组合优化问题,采用混合遗传算法对最优参差码进行搜索,该算法避免了遗传算法中的早熟问题,增强了算法的全局搜索能力,提高了算法收敛速度。仿真结果表明,该算法是可行且高效的。     

网格环境下独立任务调度的混合遗传算法

提出一种新的混合遗传算法。该算法在基于传统遗传算法的基础上采用了分组和负载均衡策略。仿真实验结果表明,这种调度算法有效地实现了资源的负载均衡。它相对于传统遗传算法,收敛速度更快,能产生更好的调度结果。     

一类线性分式规划问题的分支定界算法

本文针对一类线性分式规划问题,给出一个新的分支定界算法.算法的主要特点是提出了一个加速缩减技巧,这个技巧可以用于改善算法的收敛速度.通过对松弛线性规划问题的可行域细分以及一系列的求解过程,从理论上证明了算法能收敛到初始问题的全局最优解,数值算例表明这个算法是可行的.     

模拟退火算法优化无线传感器网络路由技术

由于模拟退火算法具有全局快速收敛优点,同时利用遗传算法优化模拟退火算法,加快模拟退火算法收敛速度,使其达到具有很强的全局搜索能力,最后对WSN路由优化问题求解.实验表明,本文方法有效地提高了节点能量利用效率.