基于多种群的多目标遗传算法研究

根据求解多目标优化问题时的一般要求,结合当前多目标优化算法的研究状况,从增强和保持种群的多样性角度出发,采用多种群的方式,提出了一种基于多种群的多目标遗传算法,同时算法中采用ε-占优的策略更新外部种群.通过针对经典测试函数的实验表明,该算法能够求得这些问题的Pareto前沿,说明该算法具有求解复杂多目标优化问题的能力.     

基于多种群的多目标遗传算法研究

根据求解多目标优化问题时的一般要求,结合当前多目标优化算法的研究状况,从增强和保持种群的多样性角度出发,采用多种群的方式,提出了一种基于多种群的多目标遗传算法,同时算法中采用ε-占优的策略更新外部种群。通过针对经典测试函数的实验表明,该算法能够求得这些问题的Pareto前沿,说明该算法具有求解复杂多目标优化问题的能力。     

基于Pareto遗传算法的多目标优化

在工程实际当中存在着大量的多目标优化问题,传统的多目标优化方法存在着明显的缺陷.本文介绍一种基于Pareto最优概念的遗传算法来求解多目标优化问题.这种方法能够给出多目标优化问题的Pareto解集,而不是单纯的一个解,从而可以帮助决策者在Pareto解集中挑选适合设计要求的解作为最终解.     

基于遗传算法的机器人路径规划

静态环境中的移动机器人全局路径规划是路径规划中的一个重要问题,本文采用遗传算法遗传算法解决移动机器人的路径规划.该方法首先采用栅格法环境建模,采用遗传算法规划机器人路径,最后用MAT-LAB来实现算法,仿真后,观察路径,得出最终结果.     

基于遗传算法的火电单元机组多目标优化协调控制

作者提出了一种基于遗传算法的火电单元机组多目标优化协调控制策略。该策略通过改进的遗传算法进行多目标优化求解机组最优稳态控制量以得到最优设定值，从而完成多目标优化协调控制任务。改进的遗传算法采用十进制编码，规范化几何秩选择，混合交叉及均匀变异。仿真结果表明，在不同的运行目标下控制量的最优适应度函数都能快速收敛，遗传算法为多目标优化协调控制提供了有效的途径。     

基于群体分类的复杂约束多目标优化遗传算法

对于含复杂约束条件的多目标优化问题,提出了一种基于群体分类的遗传算法。其分类方法是:首先将种群分为不可行群体和可行群体,又将可行群体分为可行非Pareto群体和可行Pareto群体,然后再用k-均值聚类将可行Pareto群体划分为非聚类Pareto群体和聚类Pareto群体,最后对上述4个群体分别赋以适当的R适应值。数值计算表明,这种新的算法不仅能得到分布广泛、均匀的Pareto最优解,而且进化速度很快。     

基于多目标遗传算法的混合动力车控制策略参数优化

混合动力汽车的优化目标是在满足动力性及其各部件性能约束的前提下减少油耗并降低排放.这些特性除了与动力系统各部件参数有关,同时还受控制策略参数影响.本文以并联式混合动力车为研究对象,应用的多目标遗传算法,采用非占优排序方法来处理多个目标函数,将油耗和排放同时作为优化目标,优化控制策略参数,从而得到这类集成优化问题的Pareto最优解集,可以为控制策略参数的设定提供多种选择.     

基于非线性选择方法的多目标优化遗传算法

针对排序选择法中广泛采用的线性选择方法的缺陷,提出了一种非线性选择方法。这种选择方法既充分体现了非劣解集对劣解集的优先选择权,又考虑到了非劣解集和劣解集中个体的平等性。理论分析和仿真计算表明,这种新的排序选择法不仅能得到分布广泛的Pareto最优解,而且进化速度极快,一般只需30-50代。     

基于改进遗传算法的移动机器人路径规划

经典遗传算法的缺陷在于搜索耗时较长,容易出现局部最优解。为解决该问题,引进适应度函数,并在设计遗传算子时,重新定义适应度函数。为尽量规避出现局部最优解,在不改变种群参数的条件下,通过新算法得到最短路径为31,搜索耗时均值为20.667m/s;与之对比,经典遗传算法两项数据分别是37和24.667m/s。因此,新算法可在更短时间内给出更佳解。     

基于非线性选择方法的多目标优化遗传算法

针对排序选择法中广泛采用的线性选择方法的缺陷,提出了一种非线性选择方法。这种选择方法既充分体现了非劣解集对劣解集的优先选择权,又考虑到了非劣解集和劣解集中个体的平等性。理论分析和仿真计算表明,这种新的排序选择法不仅能得到分布广泛的Pareto最优解,而且进化速度极快,一般只需30-50代。     

一类二层多目标规划的解法

在上层决策变量作为参数的情况下 ,将上层为单目标 ,下层为线性多目标的两层优化问题 ,转化为含参变量的有效集上的单目标问题 ,给出了一个相应的算法     

基于多约束条件的改进遗传算法路径规划

变电站位置确定是一个典型的最短路径问题,在实际处理中需要考虑功率、负载、损耗等多个因素。将不同元启发式算法和搜索方法中的元素进行混合,提出一种基于多约束条件的改进遗传算法,用于解决上述路径规划问题。使用相同例子对不同算法进行模拟仿真,得出蚁群成本平均为15.102 4s,代数为21,适应值为0.007 913 475 3。 改进的遗传成本为19.234 7s,代数为38,适应值为0.014 756 211。 模拟退火成本为36.493 3s,代数为47,适应值为0.017 414 562 4。 标准遗传成本34.253 7s,代数为68,适应值为0.019 527 878 1。以上数据证明改进的遗传算法在搜索效率、收敛速度和最终结果上具有一定优势。     

基于多生境遗传算法的无人机航迹规划

基本遗传算法易早熟和局部搜索能力欠佳,为此,将多生境遗传算法应用于无人机灾情巡查路径优化。基本思想是：在适应值共享基础上,在选择算子中引入排挤机制,在交叉算子中采用间隔交叉,并使用最相似个体中适应度最差的个体替换技术。数值实验表明,多生境遗传算法可以大大提高种群的多样性,在很大程度上避免早熟,获得比基本遗传算法更优的巡查路径。     

基于遗传算法的多中心海量数据布局研究

数据布局策略作为数据管理的重要方面,对研究多数据中心环境下的数据布局有着重要意义。针对多数据中心的数据检索、更新和全局负载均衡3个目标对数据布局方案进行求解和优化。提出一种改进的多目标遗传算法,该算法以降低多数据中心的数据检索和更新代价作为优化目标,并结合负载均衡作为约束条件。实验显示该算法不仅在数据布局方面有良好性能,而且能够获得较高的资源利用率。     

用改进的遗传算法进行自主式机器人的路径规划

主要是扩充标准遗传算法中的遗传操作 ,进行自主式机器人的路径规划。由仿真结果表明 ,在进行自主式机器人的路径规划中 ,该方案优于传统的方法 ,既能获得次优的路径 ,还具有对不确定因素的鲁棒性     

基于多目标遗传算法的装配线平衡问题

装配线平衡问题是生产管理中重要且比较难解决的问题,其中如何分配工人到不同的工作站以提高生产效率是问题的关键。针对包含工人分配问题的装配线平衡问题,提出一种基于Pareto的问题无关的适应值计算方法的多目标遗传算法。算法中首先建立ALB-wa问题的数学模型,提出一个基于随机键编码的基因表达方式;使用匹配指定的染色体结构和ALB-wa问题的遗传操作;使用基于Pareto支配关系的评价函数来代替使用基于偏好的评价函数。最后,通过实验数值验证该方法的性能。结果表明,该方法具有较高的收敛性和效率,改进了现有的其他遗传算法。     

基于改进遗传算法的地区电网优化规划

阐述与分析遗传算法的原理与技术特点,并通过在某地区电网的优化规划,仿真结果表明,该算法能够带来较大的经济效益。     

基于目标规划模型的管理决策研究——以大型会议住宿管理决策为例

在利用前期数据分析预测大型会议与会人数的基础上,从经济、便于管理和与会代表满意的角度,建立了如何选择宾馆和在宾馆内有选择性预订各类满足与会代表要求客房的目标规划模型,形成了大型会议筹备工作的整体优化方案,使办会过程务实合理。