海上落水目标协同搜寻路径规划算法研究

海上落水目标协同搜寻路径规划与多旅行商问题相似。论文所提出的算法由待救目标分类和搜寻路径规划两个子算法组成。首先经过基于遗传算法的K-means目标聚类,确定染色体数量及长度,解决海上搜救目标分类问题。然后经过多染色体遗传算法,获得多种搜救设备协同的海上搜救最优路径。计算结果表明,论文提出的海上落水目标协同搜寻路径规划算法,能够有效降低算法的搜索范围,提高算法的运行速度和全局搜索能力,提高海上落水目标搜救效率。     

基于进化遗传算法的优化计算

针对经典遗传算法在优化计算中存在的弊端,提出进化遗传算法.在染色体基因位编码方式、交叉与变异算子、适合度函数设计、候选解染色体选取方式及收敛准则等方面做了改进.通过对极难优化的Shekel类函数等的优化计算,说明该算法具有良好的全局搜索能力和较快的收敛速度.     

一种基于禁忌搜索的RFID读写器部署算法*

为解决射频识别（RFID）读写器部署问题,提出了一种基于禁忌搜索算法的读写器部署方法。在增加了读写器容量约束的读写器部署模型基础上,采用禁忌搜索算法来寻找最优部署方案。通过仿真可以得出该算法性能稳定。与遗传算法的数据对比,提出的基于禁忌搜索的读写器部署方法在覆盖率大于遗传算法的同时,迭代次数小于遗传算法。     

基于初始环编码的遗传算法优化网络拓扑结构问题

论文以最小化网络直径及网络成本为优化目标,基于遗传算法优化网络拓扑结构问题提出了一种新颖的基于初始环的网络编码方法。该方法以网络的布尔邻接矩阵作为个体染色体,以邻接矩阵中随机对称窗口为交叉对象构造交叉算子。试验表明,该方法在全局搜索及快速收敛能力方面都有良好表现,能够很快求解到较优化的拓扑结构方案。     

一种立体匹配的新算法

提出了一种基于遗传算法进行立体匹配,并获得高密度视差图的方法。遗传算法比其它优化方法具有更强的搜索能力,因此非常适用于求解全局优化问题。利用这一特点,该文将每一幅视差图看作是一个个体,将视差值编码形成染色体,这样每个个体中都有许多染色体。然后,引入匹配约束条件,形成目标函数,利用遗传算法搜索全局最优解。另外,还采用了由粗到精的层次策略来减少匹配模糊性和搜索时间。最后,分别用合成图像和真实图像对这种方法进行了验证。     

一种基于相位编码的量子遗传算法

基于量子位测量的二进制量子遗传算法在用于连续问题优化时,由于频繁的解码运算,严重降低了优化效率.针对这一问题,本文提出了一种基于量子位相位编码的量子遗传算法.该方法直接采用量子位的相位对染色体进行编码,采用量子旋转门实现染色体上相位的更新,采用Pauli-Z门实现染色体的变异.在该方法中,由于优化过程统一在空间[0,2π]<'n>进行,而与具体问题无关,因此,对不同尺度空间的优化问题具有良好的适应性.以函数极值优化为例,仿真结果表明该方法的搜索能力和优化效率明显优于普通量子遗传算法和标准遗传算法.     

搜索空间代换法及其在城市交通控制中的应用

针对常用遗传算法局部搜索能力差，导致计算速度缓慢、精度差等问题，提出一种搜索空间代换的新遗传算法。该算法保留了普通遗传算法的全局搜索性能，并通过多次搜索空间的代换提高了局部搜索能力。改进后的新方法在每次代换后只需改变解码规则，不得重新编码，也不得增加编码的长度，从而保证了计算效率。采用该方法对城市多车道、四相位的动态交通网络控制策略进行了多目标优化计算。应用结果表明，采用新的遗传算法可在同等情况下减少车辆堵塞，提高城市交通网络的运行能力。     

混流车间调度问题的多对染色体遗传算法求解

混流车间调度问题有很强的工程背景,一直是调度领域的研究热点。针对简单遗传算法在求解混流车间调度问题时存在的早熟收敛和易陷入局部极值点的现象,提出了多对染色体遗传算法。多对染色体提供了保留低适应度个体中的有用的染色体的功能,这一染色体构成最优解的部分染色体,以增强算法的搜索能力,提高搜索精度;连锁互换交叉算子可以增加个体的多样性,扩展解的搜索空间,进而增强算法的抗早熟能力。仿真实验表明,多对染色体遗传算法比简单遗传算法提高了全局收敛性能,是解决混流车间调度问题的有效方法。     

基于遗传算法和BP网络的物体识别方法

目前常用的物体识别方法,其过程非常复杂,信息量和计算量都很大.结合遗传算法的神经网络方法,充分利用GA的全局搜索能力、BP算法的局部搜索能力和鲁棒性强的特性,提出了一种用遗传算法全局优化神经网络拓扑结构和网络权值的新编码方案进行物体识别方法.仿真结果表明,该方法既解决了BP神经网络对初始权值敏感和容易局部收敛的问题,又加快GA.BP网络的收敛速度,提高收敛精度且识别率较高,从而验证了该方法的有效性.     

多车型开放式车辆路线问题的混合启发式算法

多车型开放式车辆路线问题,是物流配送优化中不可缺少的环节。针对标准遗传算法存在收敛速度慢,局部搜索能力差,易早熟的缺点,采用混合启发式算法进行优化求解。采用实数序列编码,使问题变得更简洁;有针对性地构建初始解,提高了解的可行性;用基于排序的选择与最佳保留相结合策略,保证群体的多样性;引入部分算术交叉算子,加强染色体的全局搜索能力;利用模拟退火算法的Boltzmann机制,控制遗传算法的交叉、变异操作,提高了算法的收敛速度和搜索效率。仿真结果表明混合启发式算法在求解质量和计算效率上好于标准遗传算法。