两段式遗传算法求解CTSP

旅行商问题（TSP）是一类典型的NP完全问题,遗传算法（GA）是求解这类问题的常用方法之一。针对中国旅行商问题（CTSP）,设计了两阶段遗传算法的改进策略。第一阶段在SGA基础上采取控制参数优化和保优操作,求得若干个较优解;第二阶段采用变异操作,在第一阶段较优解组成的种群基础上寻找最优解。用该策略迅速找到了CTSP最优解,该路径长度为15378km,比目前已知CTSP解更优。对遗传算法迅速求解TSP最优解提供了可行解决方案。     

遗传算法在智能机器人行为规划中的应用研究

遗传算法（GA）是一种基于进化论的仿生算法,非常适合于求解最优化问题,适用于解决难度大或者计算代价大的问题。将遗传算法用于可移动智能体的研究,其重点是智能机器人的行为规划,对此进行了论述。     

QoS组播路由的多种群遗传算法

针对单种群遗传算法在求解QoS组播路由问题中存在的容易早熟、收敛性差等缺陷,提出了一种基于多种群遗传算法的QoS组播路由算法。该算法在初始化过程中采用多种初始化算法生成了不同种群,并设计了多种交叉、变异操作,保证了种群间进化过程的独立性和算法的多样性;增加了种群间协调机制,提高了算法的整体收敛性。仿真结果证明了多种群遗传算法的有效性和优越性。     

改进量子粒子群自适应优化算法

<正>近年来,智能优化算法层出不穷,如：灰狼优化算法（Grey Wolf Optimization,GWO）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、粒子群算法（Particle Swarm Optimization,PSO）、遗传算法（Genetic Algorithm,GA）等。由于智能优化算法参数较少,容易实现,受到各国学者的青睐。但是,随着优化功能的具体化和规模的庞大化,部分单一算法无法兼顾收敛速度和精度,无法满足实际应用的需求。     

知识挖掘的一种遗传算法实现

基于遗传算法 (GA) ,提出了一种新的知识挖掘系统。该系统以遗传算法为核心 ,解决一组属于面向对象数据库的对象所具有的共性问题。阐述了一种基于基因算法的知识发现系统的关键部分 ,描述了遗传算法 ,并通过一个实例说明了使用GA算法产生最佳查询方法的有效性。     

遗传算法求解TSP问题的实现与改进

旅行商问题（Traveling Salesman Problem,简称TSP）已经被证明为NP难题。通过应用遗传算法求解TSP问题,给出了遗传算法中各算子的实现方法,并用遗传算法（Genetic Algorithm,简称GA）和穷举法分别求解了15个城市的TSP问题,结果表明,遗传算法具有明显的优越性。引入模拟退火的思想对遗传算法的变异算子进行改进,并求解了50个城市的TSP,得到了满意的结果。     

基于并行遗传算法和agent的组合优化研究

针对并行遗传算法中计算资源的分配问题,采用遗传算法和多智能体技术相结合的方法,实现了基于粗粒度的并行GA算法结构,该方法有利于改进遗传算法的性能,提高遗传算法搜索的效率.     

一种新的APGA算法及其在多核CPU环境下的Java实现

研究了遗传算法（SGA）的遗传自适应策略和并行遗传算法（PGA）迁移时的自适应策略,提出了一种新的自适应并行遗传算法（APGA）,描述了算法的流程和关键算子,最后给出了在多核CPU环境下用Java实现的APGA算法。     

基于种群优化遗传算法的城市空间增长分析模型

针对标准遗传算法在对城市空间增长分析时还存在精度不高、误差较大等问题,提出了一种基于种群优化遗传算法的城市空间增长分析模型,该模型在标准遗传算法的基础上,首先采用动态自适应调整策略对原算法遗传算子中的交叉算子和变异算子进行优化,然后引入蚁群算法,利用小生境方法限制种群个体的繁衍,以达到种族多样化的优化。仿真试验结果表明,本文提出的基于种群优化遗传算法的城市空间增长分析模型相对于标准遗传算法,其精度得到了很大的提升,降低了城市空间增长预测的误差。     

基于遗传算法的光纤传感器网络优化布置研究

考虑到在用于对大型结构和工程机械健康监控的系统中,需要对传感器网络的布置进行优化以提高传感器网络精度、可靠性,降低传感网络的成本等问题。本文主要针对光纤光栅传感器网络布置优化问题进行研究,研究传感器布置角度对监测结果的影响,并使用GA算法对传感器布置角度进行优化。常规的GA算法通常存在算法早熟以及局部寻优能力弱等问题。本文提出一种改进型GA算法,通过引入自适应对偶种群、自适应终止规则以及新的生成子代规则来保证种群在迭代过程中的多样性以解决算法早熟问题,并且要提高算法的搜索效率以提高算法对局部寻优的能力。最后通过实验验证本文提出基于改进型GA算法的光纤光栅传感器网布的优化布置方法的有效性。