基于聚类混合遗传算法的LRP问题研究

在配送系统中,配送中心选址问题与在此基础上的车辆路径问题相互影响,属于NP-hard难题,为有效解决定位-车辆路径问题（LRP）,文中提出的两阶段算法设计结合了聚类算法和混合遗传是算法,针对实际情况在遗传算法中加入爬山算法,同时采用改进的自适应交叉、变异算法,确保种群的最优个体参与进化,提高了遗传算法的局部搜索能力。仿真实验表明,所改进的混合遗传算法有较好高的全局寻优能力,且其收敛速度快,是解决配送路径优化问题的有效方法。     

浅析B2C电子商务的物流配送中心选择与路径设计

本文针对B2C电子商务的物流配送中心地址选择问题以及商品配送车辆路径设计问题做了深入究,分别为物流中心选址优化以及车辆配送路径设计提出数学模型,并在介绍遗传算法和捕食搜索法的求解过程的基础上,分别对二者的数学模型进行求解,从而得到最优解,并对物流配送路径设计进行模拟数据计算,从而选出B2C电子商务的物流配送中心选址优化方案与配送车辆的路径设计方案。     

基于分布估计算法的军事物流配送中心选址决策

配送中心的选址决策在军事物流和后勤保障中具有重要的意义.但是,实际的军事物流供应链管理中,随着问题规模增大、约束条件变复杂,如何快速的选择配送中心地址,为多个部队用户提供最优的服务,仍是尚未解决的数学难题.针对这一问题,提出了一种新的基于分布估计算法的最优化选址决策方法.首先,对分布估计算法进行了改进,通过对决策变量联结关系的检测,构造分布估计算法中概率图模型的网络结构,一定程度上克服了传统分布估计算法中贝叶斯结构学习带来的巨大计算开销,并提高了算法的全局收敛性;然后,应用该算法求解军事物流配送中心选址的一个典型问题,将不同配送中心的相互影响融入到贝叶斯网络结构中,试验结果表明了新方法求解大规模复杂问题的优越性.     

资源约束多模式项目调度的遗传算法研究

针对以工期最短为优化目标的多模式资源约束优化调度问题进行研究,在建立数学模型基础上,采用改进遗传算法对模型进行求解.算法设计上,对各活动的执行模式进行统一编号,使模式的内部编号包含了时序约束、资源约束、工期等信息,针对活动执行模式采用特殊的整数编码方式,染色体基因由活动执行模式序号组成.对染色体结构设计了单点交叉和单点变异操作算子,采用锦标赛选择方法.通过实例验证了改进遗传算法在求解MMRCPSP上的有效性.     

基于改进遗传算法含风电场的配电网无功优化研究

针对基本遗传算法容易陷入"早熟",编程实现比较复杂,且交叉率与变异率大多依靠经验值等问题,提出了一种基于GA的改进的遗传算法,交叉概率与变异概率采用随个体适应度的值变化而变化的自适应取值方法,并且对控制变量采用随机多点交叉方式.研究了含风电场并网后对配电网网损的影响,分析了双馈风机的无功出力能力,将双馈风机作为控制变量参与到系统的无功优化中.并对风场的随机性与间歇性的特点,引入了风场随机出力的场景模型.以网损最小为目标函数,应用改进的GA算法对含风电场的IEEE33节点配电系统中进行了无功优化计算,并和基本遗传算法进行了对比,结果表明改进的GA有更好的全局寻优能力和搜索性能,证明了该算法的有效性.     

自适应遗传算法在相控阵雷达最优化调度中的应用

针对相控阵雷达最优化调度问题,提出了自适应遗传算法的解决方案。在分析雷达约束模型的基础上,设计了相应的编码方式、适应度函数、遗传操作等遗传算法的求解步骤;并提出了既考虑到进化代数对算法影响,又考虑到每代中不同个体适应度对算法作用的自适应交叉概率和变异概率。仿真实例表明该方法可以完成对各项雷达申请事件的合理调度,保证较高的成功被调度率和时间利用率。     

基于模拟退火遗传算法的波束图设计

针对传统的标准遗传算法应用于传感器阵列的波束图设计时,存在收敛速度慢和计算结果稳定性低的问题,文中提出了一种模拟退火遗传算法.该算法对标准遗传算法的适应度函数、交叉算子和异化算子等多个要素分别进行了改进,并融入了模拟退火算法.模拟退火遗传算法应用于波束图设计时,具有较快的收敛速度和较高的稳定性.仿真结果表明基于该算法的波束图设计方法,获得了比传统方法旁瓣级更低的波束图.     

量子干扰交叉遗传算法及其应用研究

针对遗传算法中传统交叉算子交叉效率低下等缺点,提出改进型全干扰量子交叉遗传算法.与基于位置信息的经典量子全干扰交叉模型不同,改进型交叉算子通过距离比较,能够获取质量更高的候选解.通过对旅行商问题(TSP)求解的对比实验表明,改进量子交叉遗传算法能有效平衡全局搜索和局部探索,具有更强的稳定性和寻优能力.     

基于粗糙集理论与遗传算法的迷宫问题求解

针对遗传算法运算速度低、容易陷入局部最优值、早熟收敛等缺点,对标准遗传算法进行了改进和优化.采用粗糙集理论与遗传算法相结合的方法,由栅格的可行性构建初始决策表,用粗糙集方法对其进行简化,并对遗传算法的初始种群进行训练,直接由粗糙集训练获得一系列可行路径,再利用遗传算法求解最优路径,并在交叉和变异算子中设计了自适应算子,从而减少了遗传算法的种群规模,提高了进化效率.计算机仿真结果表明该算法在收敛速度和输出全局最优解的概率相对于标准遗传算法都有了显著提高.     

一种基于GA的无源交叉定位数据关联算法

针对多站无源测向交叉定位的多目标辐射源数据关联问题,提出了一种基于遗传算法的无源多站多目标交叉定位数据关联算法。利用遗传算法在解决组合优化中NP问题的优势,将遗传算法引入到数据关联算法的求解过程中,对基于残差的数据关联算法进行了优化改进,给出了求解步骤。仿真结果表明,在考虑虚警和漏检的情况下,由于遗传算法充分利用了全局信息,所以基于遗传算法的数据关联算法能以较快的速度实现收敛,并且正确关联率明显提高,从而能够更有效地分辨真实目标和虚假目标。