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。     

基于LT码的无损数据压缩算法

针对传统无损数据压缩缺少对传输错误的容错能力的问题,提出了一种基于LT码的无损数据压缩算法,将LT码编码器作为数据压缩器,BP译码器作为解压缩器,并通过二分法搜索递增或递减冗余数据长度.该算法不仅加快了收敛速度,而且提高了压缩效率.仿真结果表明,与已有的同类压缩算法相比,该算法具有较好的压缩性能和较强的噪声鲁棒性.     

基于多目标混合遗传算法认知无线电频谱分配

在认知无线电的频谱分配问题中,论文提出基于图着色模型的多目标混合遗传算法。该算法采用多目标函数为适应度函数,将模拟退火算法嵌入到遗传算法的循环中,弥补遗传算法局部搜索能力的不足。仿真结果表明多目标混合遗传算法能增强全局搜索能力,提高收敛速度,更好地实现系统效益最大化。     

基于改进RRT算法的AGV路径规划研究

路径规划是自动导引小车(AGV)控制中的核心问题之一。针对经典RRT算法在静态全局状态空间中随机采样搜索节点时随机性大与效率低的问题,提出了一种改进的RRT（快速搜索随机树）路径规划算法。该算法结合双向搜索功能与自适应目标引力思想,利用双向搜索速度快与自适应目标引力朝目标点方向生长的特性,使AGV在规划路径时路径搜索效率更高,路径更平滑。实验仿真结果证明,改进的RRT算法可以在有效提高路径搜索效率的同时生成最优路径。     

基于混合智能算法的电力系统无功优化研究

研究了电力系统的无功优化功问题,给出了结合电力市场实行的无功优化目标函数。在分析了遗传算法和蚁群算法各自优缺点的基础上,将遗传算法与蚁群算法融合,利用遗传算法的交叉、变异操作产生蚁群算法新的搜索路径,以此提高混合智能算法的全局搜索能力和收敛速度,并将混合智能算法应用于实例进行仿真。仿真结果表明,该混合智能算法具有快速的收敛速度和优良的全局优化能力。     

基于进化策略的函数优化问题研究

针对进化策略算法在解决具体问题是熟练速度较慢这一问题的原因进行分析,提出自适应变异步长的方法,以在全局和局部范围内进行搜索．变异步长的值依赖于目标变量与全局最优解之间的距离．步长随距离自适应变化,可避免局部熟练和早熟．通过对经典dejong函数和Shubert函数的仿真试验,验证了文中算法的有效性．仿真结果表明,该算法收敛速度快,搜索精度高,且具有良好的全局搜索能力．     

在Wolfe步长搜索下的一类新的共轭梯度算法

研究利用共轭梯度法求解无约束最优化问题,为了保证共轭梯度方向是目标函数的充分下降方向,对共轭梯度算法中的共轭梯度方向参数确定了一个取值范围并与Wolfe步长搜索相结合,提出了新的共轭梯度算法,使算法具有更好的收敛速度,特别是在求解大规模无约束最优化问题时,此算法只需要较小的存储.     

GPS信号并行捕获算法的改进与实现

目前使用最多的全球定位系统(GPS)信号捕获算法分别是串行搜索捕获算法、并行频域捕获算法以及并行码相位捕获算法,其中并行码算法捕获的C/A码相位分辨率最高,但其运算量大,捕获速度不高.为此,本文主要对GPS并行码相位捕获算法改进以及并行化实现进行了深入的研究.具体采用基2-FFT以及保存C/A码的傅里叶变换,然后利用MATLAB平台对改进的算法进行建模与仿真,再将改进后的并行码相位捕获算法用汇编语言描述,并映射到PAAG实验平台.实验结果得出,改进后的并行码相位捕获算法不仅能够提高捕获的速度,且易于在多核平台上实现.     

菌落挑选仪挑选通量提升算法研究

针对菌落挑选仪挑选通量低、耗时长、未挑选菌落易污染的问题,提出一种基于人工蜂群算法的多目标优化菌落挑选仪挑选方案。利用人工蜂群算法对菌落挑选仪中多目标问题进行优化,通过对蜂群初始化方式和邻域搜索方式进行改进,以提高算法寻找最优解的速度和全局搜索能力。将改进后的算法应用于挑选仪中,实验结果表明,该算法在优化菌落挑选仪的挑选行为上具有有效性和优越性。     

电力系统经济负荷分配的改进混沌粒子群算法

提出一种用于电力系统经济负荷分配的改进混沌粒子群算法．算法中采用自适应外罚函数法解决目标函数的约束问题,考虑了机组的系统平衡、出力上下限、爬坡速率和工作死区等约束条件;在粒子群算法中引入混沌机制,使算法能快速跳出局部极值区,提高算法的全局寻优性能;针对变惯性权重系数和变最大搜索速度改进措施的不足,提出依据机组爬坡速率约束来缩小最优解的搜索区域．仿真结果表明,改进的混沌粒子群算法对于解决带约束条件的经济负荷分配问题是可行和高效的,与改进前的计算方法相比,降低了运行费用,提高了寻优速度．     

A*算法在游戏中自动寻路的应用

在游戏设计过程中,为了使玩家快速找寻到目标对象,提升目标查询速度和查询效能,游戏对寻路算法的要求越来越高.本文以游戏中从当前位置搜索目标位置为目的,对比A*算法与Dijkstra算法以及Floyd算法的实现原理、实现过程、算法效能和性能分析,展示A*寻路算法在游戏背景中的应用及优势.实验结果表明,从当前位置搜寻目的位置...     

一种基于弱拟牛顿方程的对角拟牛顿法

基于弱拟牛顿方程,结合Armijo非精确线性搜索设计了一种求解大规模无约束优化问题的对角拟牛顿法,该算法在每次迭代时利用对角矩阵逼近Hessian矩阵,使计算搜索方向的存储量和工作量明显减少.在一定的假设条件下,证明了算法的全局收敛性和R-线性收敛性.通过数值实验表明该算法是有效的,适于求解大型无约束优化问题.     

基于带容量约束Memetic算法的动态车辆调度问题研究

针对物流配送过程中带容量约束的动态车辆调度问题,提出一种Memetic算法,旨在最小化成本。Memetic算法中采用量子与遗传算法混合进行全局搜索,并根据搜索点目标函数变化率,设计了一种自适应量子旋转门更新方式,通过子代种群适应度变化确定量子旋转角大小与方向,明确了种群进化方向,扩展了全局搜索范围,引入了一种变异操作,使算法种群多样性得以保持,提高全局搜索宽度,采用2-opt法结合swap法增强算法局部搜索能力。仿真实验验证了所提算法的有效性与优越性。     

云计算环境下基于遗传蚁群算法的任务调度

研究了云计算环境下的任务调度问题,通过构造云计算环境下的任务调度模型,提出了一种混合调度算法,该算法是蚁群算法与遗传算法的有机融合。其中的遗传算法采用间接编码方式,结合由遗传算法衍生出的优化解,对蚁群信息素的分布进行初始化处理,使遗传算法的快速搜索能力得到充分利用,并通过克服蚁群算法的起始信息素不足问题,加快了求解速度。云计算环境下的仿真实验结果表明,该混合算法是一种行之有效的任务调度算法。     

求解作业车间调度问题的变邻域动态烟花算法

针对最小化最大完工时间的作业车间调度问题,提出一种基于变邻域搜索的动态烟花算法。变邻域搜索是一类重要的元启发式算法,在每一次迭代计算过程中通过搜索当前解的邻域得到一个改进的解,通过变邻域搜索方法可有效提高局部最优解的精度。与此同时,算法引入进化速度的概念,并通过进化速度计算烟花算法迭代过程中需更新的维度,实时调整相关参数,加快算法收敛,避免陷入局部最优。算例试验表明,该算法具有较好的鲁棒性,且能有效地提高算法搜索精度,加快收敛速度。     

基于改进差异进化算法的有功优化仿真研究

在电力系统有功优化这个复杂的全局优化问题上,差异进化(Differential Evolution,DE)算法可以增加其种群多样性但搜索效率低,于是在其基础上提出了一种改进的差异进化算法(Improved Differential Evolution,IDE)。IDE算法保留了DE算法的三大步骤:变异、交叉以及选择,优化了传统的变异策略,同时引入了Logistic映射改变系统参数,使固定取值的搜索步长和交叉算子在一定范围内随机取值,以此扩大种群搜索范围,加快收敛速度;IDE算法最后运用了考虑系统约束的非贪婪选择,以确保算法在可行域里探索最优解。为验证算法的实用性,利用Matlab软件,将DE和IDE算法在IEEE30节点测试系统上进行目标函数为电网功率损耗的有功优化仿真。仿真结果表明,IDE算法增加了种群多样性,加快了收敛速度并且提高了搜索效率。通过此次仿真,加深了学生对电力系统有功优化以及DE算法的认识和理解,同时引导学生利用计算机技术改善算法的搜索性能并且求解优化问题。     

基于小生境的自适应多目标遗传算法求解流水车间调度问题

流水车间调度问题属于NP完全问题。为了更高效地求解多目标流水车间调度这一问题,提出了一种新的混合多目标遗传算法,采用小生境技术、双重精英策略及非劣解局部搜索,并且可根据适应度来自动调节交叉和变异概率。实验表明,该算法具有更快的收敛速度和优化效果。     

一种失真或旋转QR码的定位算法

为了解决传统算法QR码定位中出现QR码失真,或旋转时出现较弱鲁棒性的现象,提出一种新型QR码自适应定位算法。在算法研究过程中,首先使用自适应阈值算法解决不均匀照明的影响,在此基础上提出一种基于轮廓跟踪与轮廓筛选的定位方法。实验结果表明,与传统QR码定位算法相比,该算法定位准确率提高了30%,且定位速度提升了17%,可见该定位算法能够很好地应用于QR码定位。     

基于粒子群算法的排课系统设计

排课问题是一个有约束的、多目标的组合优化问题.在针对遗传算法在求解该问题时搜索效率较低的情况下,提出了一个基于粒子群的排课算法.在算法设计过程中,考虑排课过程中所出现的各种时间、空间资源的冲突情况,设计了一种基于粒子群优化算法来实现时间和空间两种资源的优化.利用C#程序设计语言实现了基于粒子群算法的排课系统,实验和测试结果也验证了其有效性和系统的可用性.     

基于贪心边的MMAS改进算法及在TSP中的应用

最大最小蚁群算法通过对信息素更新和限制的改进,有效提高收敛速度,但难以避免出现停滞并陷入局部最优的困境。基于贪心边的MMAS改进算法规定一种新的搜索停滞状态,设定不同等级贪心边,并在停滞状态下利用搜索过程中寻找到的贪心边进行优先搜索。该算法使搜索能够尽早地集中在有效边进行,丢弃“无用”搜索,提高发现更优路径的可能性。利用TSP标准实例进行测试,结果表明改进算法的最优解更加接近实际最优解,具有更高的全局寻优能力和更快的收敛速度。