求解广义旅行商问题的混合染色体遗传算法

提出了针对广义旅行商问题（GTSP）的混合染色体遗传算法（HCGA）。目前,广义染色体遗传算法（GCGA）是求解GTSP问题的最好方法,但这种方法在编码设计上存在不足,使得算法全局搜索能力较差。在GCGA算法基础上,设计了二进制和整数混合编码的染色体,并更新了交叉和变异算子设计,得到改进算法HCGA。理论和实验结果都说明：HCGA比GCGA等多种算法具有更强的全局搜索能力。     

基于混沌遗传算法的组播路由优化研究?

在采用混沌遗传算法优化多目标QoS组播路由时,为克服Logistic映射收敛速度不快,而使传统混沌遗传算法优化效果不好的缺陷,将Tent混沌遗传算法引入QoS组播路由问题的求解中。该算法利用Tent混沌映射优越的区间均匀搜索能力,对通过遗传优选出的个体再次进行混沌优化,优化出适应度最高的个体进行交叉变异,从而保证足够多的下一代,以致算法不会陷入早熟。仿真结果表明,该算法优于Logistic混沌遗传算法,有效地改进了搜索效率,且收敛速度更快、更稳定。     

优化皮革裁剪加工空行程路径的混合算法

将皮革裁剪多轮廓加工空行程路径优化问题归结为广义旅行商问题,提出了一种求解问题的混合智能优化算法。用改进了的遗传模拟退火算法优化多轮廓排列序列,结合机床特征将问题转化为多段图最短路径问题,采用动态规划算法求解。对传统的Bolt zmann更新准则进行改进,增加搜索记忆功能并设置双阂值,以在尽量保持最优性的前提下减少计算量;根据多段图最优子结构性质设计了个体适应度评价函数。实际应用效果和对标准问题的测试表明,新算法求解质量和收敛速度均有很大的提高。     

求解第二类广义旅行商问题的虚顶点遗传算法

按照费用函数满足约束条件的不同,可以把广义旅行商问题(GeneralizedTravelingSalesmanProblem,简称GTSP)分为两类。目前,对GTSP解法的研究主要是面向费用函数满足三角不等式的第一类问题,而对于费用函数不满足三角不等式的第二类问题,则研究的比较少。文章针对第二类GTSP问题,提出了在广义染色体中加入虚顶点的新遗传算法。经过14个TSP问题库内的基准问题的测试表明,新算法是有效的。     

多源扩散蚁群遗传算法

传统的遗传算法在处理多模态函数优化问题时,容易出现早熟收敛,并且局部搜索能力不强.根据蚁群信息素扩散和小生境思想,提出了一种多源扩散蚁群遗传算法.该算法采用了多源选取和保留机制,在每一代种群的个体中选出多个源中心点,并把这些点保留至下一代种群;同时每个源中心点都产生和扩散信息素以指导个体寻优.与简单遗传算法,模拟退火遗传算法和小生境遗传算法进行对比实验,数据表明该算法能搜索到更好的全局最优解,收敛速度更快.     

一种多染色体交叉的小生境遗传算法

生物进化一般只在两个个体间进行交配,传统的遗传算法也仅在两个染色体之间进行交叉操作。使用在三个以上的染色体进行交叉操作,并设计了多染色体交叉的算子。多染色体交叉算法可显著提高算法局部寻优能力和收敛速度,但由于收敛速度过快容易产生早熟现象。因此,设计了一种带子种群淘汰策略的小生境算法,可避免算法产生早熟现象。通过几种遗传算法的实验结果比较,证明多染色体交叉算法在多峰优化中的效果要优于传统遗传算法。     

精英自适应混合遗传算法及其实现

传统的基本遗传算法在全局搜索和收敛速度上存在不足,而自适应遗传算法可以较好地控制算法的全局搜索能力和收敛速度。提出精英选择算法,将父辈和多个子辈组成“家庭”,选择家庭中的优秀个体进入遗传群体。将自适应思想与精英选择算法结合起来提出精英自适应混合遗传算法,保证了样本多样性,同时大大加快了收敛速度,采用一个多峰值函数验证了混合算法的性能。     

一种多策略并行遗传算法及其收敛性分析

为解决传统遗传算法收敛速度慢、群体多样性不足的缺陷,提出了一种多策略并行的遗传算法;算法采用多策略并行处理的方式,产生不同策略模式下的个体,增加群体的多样性,再经过自适应迁移策略,提高算法的收敛速度;利用Markov链模型分析多策略并行遗传算法的收敛性;采用旅行商函数进行算法测试,结果表明改进算法的收敛性较传统遗传算法有较大的提高,具有较强的工程应用性能。     

改进遗传算法在共享单车停放点分配中的应用

针对高峰时段共享单车智能停放点紧缺问题,提出了基于改进遗传算法的停放点分配算法。遗传算法的局部搜索能力在解决优化问题的过程中容易陷入早熟,由此将线性回归算法融入遗传算法,增加个体变异的方向,加速遗传算法的收敛速度,避免了传统遗传算法陷入局部最优,使算法在停放点分配问题中的性能得到改善。最后通过模拟实验,成功地使分配模型收敛速度加快,节约了停放点分配问题中的时间资源,保证了停放点信息的动态实时性。     

多项目资源均衡问题及其遗传算法*

针对单项目资源均衡优化在企业实际应用中的不足,提出了多项目资源均衡优化的概念,建立了多项目资源均衡问题模型。在此基础上给出一种遗传算法的求解方法,在算法中有效地利用了网络计划图的拓扑排序,减少了遗传操作过程中非法个体的修复计算量,加快了算法的收敛速度。实例计算表明,多项目资源均衡优化可以有效地实现整个企业资源的均衡配置,遗传算法在求解该问题时具有可行性和高效性。     

多段扫描转换直线算法

在探讨直线扫描转换的对称性和多段性的基础上，提出一种基于多段扫描转换的直线扫描转换算法。该算法用简单的像素段复制或并行填充各段像素替代逐点计算，有效地降低了计算花费,加快了扫描转换速度。     

改进遗传算法与领航跟随法的机器人编队方法

针对传统遗传算法在求解机器人路径规划问题时存在的收敛速度慢、路径不平滑问题,对其进行了改进,在适应度函数中加入了路径平滑度因素,选择操作时平滑度较好的路径更容易被选中。在种群选择时将最优个体直接复制到下一代,有效地保留了父代优良基因。在领航机器人规划路径阶段,使用改进的遗传算法为领航机器人规划出一条安全无碰撞且平滑度较好的最优路径。在跟随机器人跟随阶段,使用领航跟随法控制每一个跟随机器人使其与领航者保持特定的距离与角度,从而形成设定的队形。最后通过MATLAB软件建立栅格地图进行仿真,验证了该算法的可行性,与传统遗传算法相比,改进遗传算法收敛速度更快,且路径更加平滑。     

改进型遗传蚁群混合算法求解0/1背包问题

针对原有的遗传蚁群混合算法收敛速度慢、运行时间长等缺陷,提出了一种新混合算法,该算法从蚁群中选取部分优良个体采用遗传算法寻优,所选个体数目随迭代次数自适应变化,同时,对算法中的交叉、变异操作以及赋值等方面进行了一些改进。仿真结果表明,该算法在搜索能力、收敛速度以及程序运行时间方面都有明显的提高,由此证明了该算法的有效性。     

遗传算法在0/1背包问题中的应用及研究

遗传算法作为一种优胜劣汰的自然规律,可应用于人工智能、机器学习等多个方面。本文将遗传算法应用于0/1背包问题,首先介绍简单遗传算法,通过实验数据分析遗传算法在搜索范围、收敛速度和精度等方面的不足,进而基于贪心算法、适应度函数及遗传算子,修正可行解和不可行解,逐步改进遗传算法,防止算法陷于局部最优,提高算法的全局搜索能力和收敛速度。最后通过实验数据,比较简单遗传算法和改进遗传算法的实验结果,证明改进遗传算法在0/1背包问题应用中的精确性和高效性。     

基于遗传的免疫算法在函数优化中的应用

通过对传统免疫算法的研究,在此算法的基础上提出了一种改进的免疫算法一基于遗传的免疫算法,该算法把遗传算法的思想引入到免疫算法中．通过把遗传算法和免疫算法的思想结合起来,既保证了抗体的多样性又保留了群体中较优抗体,避免了免疫算法搜索速度慢和遗传算法易出现未成熟收敛、限于局部最优解的缺点,得到了全局最优解。并且将提出的基于遗传的免疫算法应用到函数优化中。     

混沌细菌群体趋药算法及应用

为了解决传统细菌群体趋药优化算法的收敛速度较慢问题,提出混沌细菌群体趋药算法。该算法在细菌群体中加入基于Tent映射的混沌搜索,增加了细菌群体中个体的多样性,将寻优过程分成趋药细菌群和混沌细菌群同时进行,提高了细菌群体优化算法的全局收敛能力。典型实例表明,本方法收敛速度快,优于传统细菌群体趋药优化算法。     

基于Spark的并行遗传算法在物流配送问题中的应用

传统的遗传算法在数据量不足的单机情况下可能存在早熟的现象,遗传算法对搜索范围的依赖性很强,大搜索范围的遗传算法往往有更好的表现。为解决以上问题,可把Spark海量存储和并行计算的能力运用到遗传算法的求解上,实现一种粗粒度的并行遗传算法。利用Spark并行执行遗传算法的选择、交叉和变异等操作,可以大大提高遗传算法的搜索范围和执行速度。实验将改进后的遗传算法应用到物流配送问题中,结果表明,与单机和传统的并行模型相比,基于Spark的遗传算法在运行时间上明显减少,同时早熟的现象也得到了缓解。     

智能RGV动态调度多目标规划模型

智能轨道式自动引导车(Rail Guided Vehicle,RGV)的动态调度模型及其算法研究是一个热门的加工规划问题。针对智能RGV的动态调度问题的不同情形,建立线性加权情况下时间函数与相对稳定性的多目标规划模型,并使用多段遗传编码的遗传算法进行求解。用多组序机器在一定加工件数内最小完成时间与单组序机器最小完成时间之比验证模型。根据加工系统作业参数均值以及与两种调度方案所需时间进行对比,与传统算法相比时间平均缩短13%,证明算法优化的执行具有可行性,在保证加工时间的同时提高了加工系统的稳定性。