改进的蚂蚁遗传混合算法及应用

车间作业调度问题是一个典型的NP-hard问题。分析了蚂蚁算法和遗传算法的特点,就遗传算子、交叉概率和变异概率上对传统遗传算法进行了改进;同时为了加速蚂蚁的搜索效率、减少迭代次数,重构了传统蚂蚁算法的下一个结点选择策略、信息素的局部更新策略,并将改进后的两个算法进行混合求车间作业调度的最优解。试验表明,算法的改进和混合提高了搜索效率及搜索结果的准确性。     

基于交叉变异机制的正余弦算法

正余弦算法(SCA)是近年提出的一种基于种群的求解优化问题的元启发式算法,针对其收敛速度慢、算法自适应性能较弱的缺点,提出一种引入交叉变异机制的正余弦算法(ICMSCA).首先在标准SCA算法中引入交叉操作,根据个体适应度与群体平均适应度的关系,设计两种不同的交叉方法,实现个体间的自适应交叉,改善群体多样性;其次为每个个体设计自适应变异概率,采用最优个体引导变异和贪婪选择方法,提高算法的收敛速度;为验证算法的有效性,在18个典型函数优化问题数据集上对算法进行测试,结果与其它算法进行对比分析,实验结果表明,相比于其它优化算法,改进后的算法在收敛速度和收敛精度上具有一定的优势,提高标准SCA算法的性能.     

LS-SVM的核参数对概率筛筛分效率预测影响

以探索概率筛振动参数与筛分效率之间的关系,为概率筛结构的进一步改进提供指导意义为研究目的,将LS-SVM分类算法引入自同步概率筛筛分效率预测建模,探讨LS-SVM建模的可行性。基于各个不同的应用领域,可以构造不同的核函数,针对核函数需要优化特征参数的问题,应用网格搜索和交叉验证算法,对核参数的选择进行优化。通过研究得出用多项式(Poly)核函数建模对预测样本的最高预测识别率达到96.7%,采用RBF核函数建模对预测样本达到了零错分率,表明将LS-SVM算法引入概率筛筛分效率预测建模是可行的。     

求解多维0/1背包问题的Memetic算法

根据多维0/1背包问题的特点,结合遗传算法和模拟退火算法的优点,设计了一种Memetic算法。该算法以基于模式替换的改进遗传算法作为全局搜素算法,采用模拟退火算法进行局部搜索。全局搜索算法引入了模式替换,使每代种群中的最好基因个体保存下来形成模式,引导种群搜索方向,提高搜索性能,然后进行选择、均匀交叉和变异操作,最后采用最大化修复策略,对不可行解进行修复,并对可行解进行修正。模拟退火算法以一定概率接受较差的解,从而避免陷入局部最优解。通过实验仿真和算法比较验证了Memetic算法的优越性和有效性。     

基于均匀分布的自适应差分演化算法研究

针对差分演化算法中的变异因子和交叉概率难确定的问题，设计一种基于均匀分布的自适应差分演化算法．在该算法中，变异因子和交叉概率是在某区间上服从均匀分布的随机数，随着演化的进行，该区间的长度将会根据前些代的演化经验自动调整．数值试验表明了该算法的有效性和稳健性．     

基于自适应蚁群算法的旅行商问题的求解

提出一种解决旅行商问题的改进自适应蚁群算法.在传统蚁群算法的基础上,引入自适应算法进行种群初始化;从对选择策略的改进、蚁群信息量的全局修正和引入变异三个方面实现遗传参数自适应调节,在加快寻优速度的同时防止寻优陷入局部最优;采用基于贪婪方法的启发式交叉算子优化交叉结果;对交叉前后的种群分别实施精英个体保留策略,保证最优基因结构得以延续.实验结果分析表明,改进的遗传算法可以在种群规模较小的情况下具有更可靠的寻优能力.     

求解带软时间窗多车场多车型车辆路径问题的一种改进蚁群算法(英文)

考虑实际生活中带多种扩展特征(如多车场、多车型、客户服务优先级、时间窗等)的车辆路径问题应用广泛,建立带软时间窗多车场多车型车辆路径问题的数学模型,并提出一种改进的蚁群优化算法(IACO)求解该模型.首先,根据就近原则将客户分组,并通过扫描算法构造初始路径;其次,通过引入遗传算子并自适应地调整交叉概率和变异概率来提高算法的全局收敛能力,且采用平滑机制来提高蚁群优化算法的性能;最后,采用3-opt策略来提高算法的局部搜索能力.将提出的算法应用在3个随机产生的实例中,仿真表明提出的IACO在收敛速度和解质量两方面都优于现有的3种算法,证明提出的算法是有效可行的,且提出的模型具有一定的实际意义.     

多资源约束作业车间调度问题的模型研究

在柔性作业车间调度问题模型的基础上,针对资源约束作业车间调度问题及多目标柔性作业车间调度结合的问题,建立了资源约束下多目标柔性作业车间调度问题的数学模型,提出了启发式活动调度算法与遗传算法结合来对模型进行求解。选择操作采用轮盘赌选择方式;交叉操作采用基于活动启发式算法的交叉算子;变异操作采用基于领域搜索的变异。最后分析了一个具体调度结果实例。     

一种带随机选择机制的新型改进粒子群优化算法

标准粒子群优化算法对空间所有区域等概率搜索,降低了算法效率。借鉴遗传算法的思想,本文提出一种带随机选择机制的改进粒子群优化算法。该算法将适应值选择和粒子状态更新方程结合起来,通过赌轮算法选择机制使得粒子在适应值较小的区域尽可能的降低搜索概率,在最优解可能区域尽可能加大搜索强度,从而提高算法搜索效率。通过标准进化计算测试函数测试,实验结果表明对于复杂优化问题该算法优于标准粒子群优化算法和遗传算法。     

基于改进遗传算法进化神经网络

本文提出一种新颖的基于实数编码的改进遗传算法用于前馈神经网络的训练 ,进而实现对非线性系统预测 .该改进遗传算法采用基于代沟最小的代选择模型 ,选用BLX α混合交叉算子 .与经典的基于二进制编码的遗传算法相比较 ,该算法不需要编码和解码 ,所以计算速度快 ;且不需要根据经验设置交叉和变异概率 ,因而算法简单、鲁棒性强、优化效率高 .同时给出了应用该算法对前馈神经网络进化时的计算流程 .仿真结果证实该方法对非线性系统进行预测是快速有效的     

基于模拟退火遗传算法的公交区域调度研究

采用模拟退火算法和遗传算法相融合,建立公交区域调度中行车计划生成的模型,创建目标函数,将模拟退火算法应用于遗传算法的交叉、变异过程中,对模型进行求解,并用实际的运营数据对模型进行了验证,结果表明,此方法是可行且有效的。     

混沌遗传算法在自动组卷中的应用研究

该文提出了一种基于混沌序列的改进型遗传算法来实现自动组卷的新方法．首先对染色体采用分段自然数编码策略;然后,将混沌机制同时引入到遗传算法的交又和变异阶段,在交叉阶段交叉基因座由混沌交叉算子来确定,在第三阶段变异个体的变异基因住由混沌变异算子来给出．该算法将混沌优化的遍历性、规律性与遗传算法的全局性相结合,有效地克服了遗传算法随机性大、未成熟收敛等缺点．     

VLSI标准单元布局遗传交叉算子比较研究

遗传算法的成功之处在于其交叉、变异等进化机理,交叉算子性能对算法的整体性能有决定性的影响,因而成为了设计大规模问题遗传算法的关键因素.首先简要介绍VLSI标准单元布局问题定义及其染色体编码,给出4种主要交叉算子的基本思想及其算法步骤,并对其中循环交叉算子进行改进.而后使用标准测试例子对这4种交叉算子的性能进行深入的实验比较,分析交叉算子特征与性能的关联性,总结了高性能交叉算子的设计思想.改进型限定长度循环交叉算子的性能实验结果验证了该设计思想的有效性.     

一种有效的多目标混合遗传算法

设计了一种基于支配关系下的局部搜索方法，将此局部搜索方法嵌入到多目标遗传算法中，从而提出一种有效的求解多目标优化问题的混合遗传算法。为加速遗传算法在全局优化问题上的收敛性，发挥传统数值优化算法在计算速度与计算精度上的优势，在遗传算法中镶嵌一个多目标线搜索算子。线搜索算子与遗传算法中的选择算子、交叉算子和变异算子共同作用，使全局搜索和局部搜索都能够很好的实现。数值实验表明，该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。     

遗传算法在消圈问题中的应用

利用遗传算法实现对图论中无向图的消圈。将无向图转化为二进制的染色体个体,对于出现圈的图,算法巧妙地采用关联矩阵列向量线性相关性进行判断,对含有圈的个体进行惩罚使其进入下一代的概率微小,促使算法能较快的收敛。算法在设计过程中,进行多种遗传机制的测试,在遗传的控制参数上也都适当进行调整,使其达到较为满意的结果。将该算法应用测试后表明,算法能够有效进行消圈,并输出最优解。在交通规划的实际问题中,能很好地体现其优势。     

防止遗传算法成熟前收敛的有效方法(英)

从群体多样性角度对成熟前收敛的成因进行了分析,并提出了两个有关定理．根据分析结果,提出了基于群体多样性和自适应交叉、变异率的改进遗传算法．通过四个典型函数的实例验证,证明了本文提出的改进遗传算法是一种有效算法．     

基于DNA计算的遗传算法解决最小生成树问题

给出了最小生成树问题（MST）的一个基于混合DNA计算的遗传算法模型。在该模型中,为了对最小生成树的解进行编码和解码,通过引入DNA计算,提出了一种最小生成树问题的改进遗传算法编码方案,该方案吸收了DNA计算和遗传算法的优点,具有固定的长度。为了搜索需要的最佳编码,引入遗传算法搜索技术,并给出了自适应的交叉算子和变异算子。最后,根据最小生成树问题的特点,通过实例仿真验证了所提出的基于DNA计算的遗传算法的有效性     

基于细胞自动机演化算法求解无约束函数优化问题

在最优化领域目前广泛应用的智能优化算法有遗传算法、模拟退火算法、神经网络算法等。但这些算法的实现模式都还是基于串行模式。利用细胞自动机来解决优化问题,也就意味着能够建立极度并行的解决最优化问题的程序。提出了一种基于细胞自动机的演化算法,以求解无约束函数优化问题,并用实验分析了此算法的性能。     

DNA遗传算法的化工过程建模方法

DNA遗传算法的化工过程建模参数估计是非常复杂的问题,但转化成非线性优化问题就可以设计一种新型的简便的建模方法。利用遗传算法具有适应性强的全局搜索优势,可以使用碱基对个体进行四进制编码,设计全新的变异算子与交叉算子,开发出一个新型的DNA遗传算法化工过程建模方法。两个经典测试函数计算结果表明,这种算法的搜索能力、拟合精度都比较理想。     

Improved Genetic Algorithm and its Performance Analysis

Although genetic algorithm has become very famous with its global searching,parallel computing,better robustness,and not needing differential information during evolution.However,it also has some demerits,such as slow convergence speed.In this paper,based on several general theorems,an improved genetic algorithm using variant chromosome length and probability of crossover and mutation is proposed,and its main idea is as follows:at the beginning of evolution,our solution with shorter length chromosome and higher probability of crossover and mutation;and at the vicinity of global optimum,with longer length chromosome and lower probability of crossover and mutation.Finally,testing with some critical functions shows that our solution can improve the convergence speed of genetic algorithm significantly,its comprehensive performance is better than that of the genetic algorithm which only reserves best individual.