基于遗传算法的工程项目投资方案优选模型

通过类似虚拟企业伙伴选择的机制,在考虑方案本身优劣的同时,寻求最匹配的组合来达到整体方案最优的目标.分析了子项目方案间的相互影响关系,在考虑投资额和工期两个因素的基础上,从项目整体最优的角度,建立了项目总体决策方案优选的成本最小化模型,并采用遗传算法给予求解,最后,通过一个算例证明了模型的实用性和算法的有效性.     

用于进化硬件的遗传算法的选择策略初探

对遗传操作的选择策略进行了理论和实验研究.以可编程树型结构函数为进化硬件的实验目标模型,对精英保留、锦标赛选择和赌轮选择策略进行了分析与实验,探讨可节省硬件资源消耗,且可加速搜索的适于硬件化的选择策略.     

基于改进遗传算法的输电网优化规划

针对传统电网规划方法往往只能提供一种规划方案的缺点,提出用遗传算法进行输电网规划,根据输电网规划的特点,对遗传操作进行了改进设计,算例分析表明,该法可获得一批最优、次优的规划方案,结果令人满意.     

遗传算法的改进及应用

针对遗传算法中存在的封闭竞争问题，本文提出一种线性交叉算子并通过在整数规则中的应用证明了改进遗传算法的有效性。     

基于改进遗传算法的移动机器人路径规划

将遗传算法用于移动机器人的全局路径规划,复杂的二维编码问题简化为一维编码问题,建立边界约束、路径点必须在障碍物之外、路径点连线不能与障碍物相交等3个约束条件,以机器人行走路径最短作为适应度函数进行遗传优化,在规划好的路径上修正.仿真实验表明了该方法的有效性.     

使用遗传算法规划移动机器人路径

提出了一个基于遗传算法的移动机器人路径规划方法。该方法在对自由空间进行链接图法建模的基础上,先用网络图最短路径算法进行粗路径的搜索,然后再利用遗传算法进行路径点的调整,从而规划出机器人的行走路线。通过对路径点的编码处理,使得仅使用简单遗传算法就能对路径规划问题进行求解。仿真结果表明,该方法简单易行,并且所规划出的路径的质量有所提高。     

基于遗传算法的潜艇隐蔽航路规划

将潜艇隐蔽航路规划为多目标规划问题，提出一种基于遗传算法的搜索算法，它对航路的邻域进行由粗到细的搜索，能实现全局最优和改善搜索效率，信真结果表明进后的遗传算法虽然计算时间较长，但收敛性能和解的精度明显高于动态规划和模拟退火等算法。     

基于遗传算法的证券组合选择

以证券组合选择为研究对象,讨论寻求高收益、低风险的最佳证券组合.通过对马克维茨投资组合模型的分析,得到一个改进的证券组合选择准则.根据二进制编码遗传算法的适用性及运算特点,给出运算规则及评价函数,用以选择最佳证券组合.实例分析表明,方法操作简单,并能得到有效结果.     

水下机器人运动规划中多目标遗传算法的选择方法

为探讨多目标遗传算法的选择方法对优化结果的影响,本文以水下机器人为对象,对多目标遗传算法的选择方法进行了分析和研究,提出了变权重系数法并对选择公式进行了修正,以水下机器人“Twin-Buger”为对象,进行运动规划的算例验证了本文所提出方法的有效性和可行性。     

Robot path planning using genetic algorithms

0　ＩＮＴＲＯＤＵＣＴＩＯＮＰａｔｈｐｌａｎｎｉｎｇｏｆｒｏｂｏｔｍｅａｎｓｔｈａｔｒｏｂｏｔｆｉｎｄｓａｐａｔｈｔｈａｔｉｓａｓａｆｅｓｔａｎｄｔｈｅｍｏｓｔｅｆｆｉｃｉｅｎｔｐａｔｈｉｎｔｈｅｗｏｒｋｓｐａｃｅｏｆｒｏｂｏｔ.Ｃｏｍｍｏｎｌｙ,ｔｈｅｒｅａｒｅｍａｎｙｐａｔｈｓｉｎｗｈｉｃｈｔｈｅｒｏｂｏｔｃａｎｅｘｅｃｕｔｅａｐｐｏｉｎｔｅｄｗｏｒｋ ,ｂｕｔｉｎｆａｃｔ,ｔｈｅｒｏｂｏｔｍｕｓｔｆｉｎｄａｏｐｔｉｍｕｍｐａｔｈ[1 ] .Ｕｓｕａｌｌｙ ,ｔｈｅｒｏｂｏｔｍｕｓｔｓｅｌｅｃｔａｓｈｏｒ…     

基于可拓遗传算法的机器人路径规划

在遗传算法基础上,用扩展物元来表示机器人的位置信息,使计算机能够较容易读懂这种语言,加快了计算速度;用关联函数作为遗传算法的适应度函数,使算法更容易找到最优化路径;采用可拓工程方法中的三种可拓变换形式,丰富了遗传算法的变异方式．实验证明,可拓遗传算法的机器人路径规划能有效提高的机器人路径规划的速度和准确性．     

基于遗传算法的移动机器人的一种路径规划方法

在考虑机器人及障碍物尺寸的条件下,将遗传算法用于针对运动目标的移动机器人动态避障路径规划,采用了两次寻优的办法规划最佳路径,并针对两次的遗传算法操作寻优过程,分别建立了严谨且简洁的适配值函数．仿真实验表明,本文提出的动态避障路径规划方法可实时、稳定地产生移动机器人的最佳规划路径．该方法也可用于智能机器人追踪移动目标的自动导航．     

粗糙集遗传算法在机器人路径规划中的应用

提出了一种基于粗糙集和遗传算法混合方法的机器人路径规划方法,以提高机器人路径规划的速度和准确性.首先利用粗糙集获得机器人路径的决策规则,建立初始决策表,利用粗糙集理论进行化简,获得最小决策表,从中提出最小决策规则,然后利用所得的最小决策规则训练得出一系列可行路径的集合,最后利用遗传算法对这个种群优化,获得最优行走路线.对于两种不同环境分别进行仿真实验,验证了两种方法的混合算法在提高机器人路径规划速度上的优势.     

Job shop scheduling problem with alternative machines using genetic algorithms

The classical job shop scheduling problem (JSP) is the most popular machine scheduling model in practice and is known as NP-hard. The formulation of the JSP is based on the assumption that for each part type or job there is only one process plan that prescribes the sequence of operations and the machine on which each operation has to be performed. However, JSP with alternative machines for various operations is an extension of the classical JSP, which allows an operation to be processed by any machine from a given set of machines. Since this problem requires an additional decision of machine allocation during scheduling, it is much more complex than JSP. We present a domain independent genetic algorithm (GA) approach for the job shop scheduling problem with alternative machines. The GA is implemented in a spreadsheet environment. The performance of the proposed GA is analyzed by comparing with various problem instances taken from the literatures. The result shows that the proposed GA is competitive with the existing approaches. A simplified approach that would be beneficial to both practitioners and researchers is presented for solving scheduling problems with alternative machines.     

多源多目的地通信问题的遗传算法

多源多目的地通信问题（简称MDR问题）是现代通信网络与服务中的基本问题之一。本文应用遗传算法对此问题求解,获得了满意的效果。其结果对于解决通信网络的设计有很高的应用价值。     

遗传算法的收敛性与编码

系统地分析了编码方法对于遗传算法收敛性的影响 ,提出改进遗传算法收敛性能的重要途径是改进编码技术 .     

基于遗传算法的3-SAT问题判定

通过对遗传算法的改进,引入了聚类排序选择算子,将一个3-SAT的判定性问题转换成一个3-SAT的验证性问题,同时加快了算法的收敛程度,最后给出了基本的求解算法,并分析了该算法的复杂性．实验数据表明,该算法的可靠性有较大地提高,性能明显优于其他同类算法．     

遗传算法在计算机系统优化问题中的应用

将遗传算法应用于可靠性领域,在满足计算机系统可靠度的条件下,求出系统配置的最低费用。利用遗传算法解决此类问题,具有收敛速度快,搜索效率高等优点。     

并行遗传算法研究综述

扼要概括和评价了并行遗传算法的四种并行模型:主从式模型、粗粒度模型、细粒度模型及混合模型,不仅给出了每种模型的特点及适用范围,而且也指出了每模型在应用中需解决的关键问题.通过模型比较发现粗粒度模型以其较小的通信开销和对种群多样化,获得了最广泛的应用.最后介绍了目前并行遗传算法的主要评价模型,并指出了并行遗传算法的今后主要研究方向,将向理论化、模型化、异步化及混合化等方向发展.