两种空间约束求解算法

进行了3个方面的研究：(1)对由3点3面组成的空间约束系统进行了几何分析和推导，并且利用数值解验证了几何分析和推导的正确性，从而进一步完善了Hoffmann提出的基于图构造方法的约束求解方法；(2)将遗传模拟退火算法结合于空间约束求解中，有效地克服了基于图构造方法的可扩展性差的缺陷，并可以解决过约束和欠约束的情况；(3)应用遗传模拟退火算法对3点3面约束系统进行求解，分析比较了基于图构造方法和基于遗传模拟退火算法两种约束求解算法．     

基于新型双目标模型的约束优化进化算法

利用双目标模型求解约束优化问题时,由于它们的最优解集并不相等,因此需要增加特殊机制确保求解双目标问题的算法收敛到原问题的最优解.为克服这一缺点,本文首先将约束优化问题转化为新的双目标优化模型,并证明了新模型的最优解集与原问题的最优解集相等.其次,以简单的差分进化为搜索算法,基于多目标Pareto支配关系的非支配排序为选择准则,提出了求解新模型的差分进化算法.最后,用10个标准测试函数的数值试验说明了新模型及求解算法的有效性.     

基于改进遗传—模拟退火算法的公交排班优化研究

结合公交车辆调度自身的特点,兼顾公交公司与乘客双方的利益,建立了公交排班优化模型,以发车时刻为基因变量进行编码,对两个相邻的发车间隔之差、最大最小发车时间间隔、乘客的满载率等条件进行约束限制,提出了基于改进的遗传—模拟退火算法;对该模型进行优化求解,克服了传统优化算法的缺陷,提高了优化设计过程的求解效率。通过仿真实验得到了利用改进的遗传—模拟退火算法进行求解的不均匀发车时刻表。结果表明,改进的遗传—模拟退火算法能够在公交智能排班优化问题的巨大搜索空间中可靠地找到近似最优解,大大提高了计算效率。     

基于改进蚁群算法的关键链项目进度管理研究

项目进度管理是项目管理工作中的重要内容,关键链法是目前项目管理中较为常用的进度管理方法之一,其本质为多约束优化问题。结合混沌运动与遗传算法的优点,对蚁群算法进行改进,并将其应用于解决关键链项目管理的优化调度问题。克服了蚁群算法由于前期信息素匮乏而导致的需要较长时间进行搜索、容易得到局部最优解的缺点,使混合算法的搜索范围有所增加,蚁群群体的进化速度得到提升,并保持了蚁群算法鲁棒性及收敛性,且算法的计算精度较高,求解速度较快。实例对比分析表明,在求解关键链项目进度管理问题上,混沌蚁群进化算法比遗传蚁群算法更具有优势。     

一种高效的函数可微的全局优化模拟退火算法

针对函数可微的全局优化问题,将最速下降法,Newton法和罚函数法引入模拟退火算法中,提出了一种高效的模拟退火算法.该算法可以求得可微函数优化问题的全局最优解,且具有计算量小,效率高的特点.利用罚函数将约束优化问题转化为无约束优化问题后,可以利用提出的算法进行求解.数值算例表明,提出的算法能够高效地求解无约束及带约束的函数可微的全局优化问题.     

广义支持向量机的多项式光滑函数法

为了求解广义支持向量机（GSVM）的优化问题,将带有不等式约束的原始优化问题转化为无约束优化问题,由于此无约束优化问题的目标函数不光滑,所以引入一族多项式光滑函数进行逼近,实验中可以根据不同的精度要求选择不同的逼近函数。用BFGS算法求解。实验结果表明,该算法和已有的GSVM的求解算法相比,更快地获得了更高的测试精度,更适合大规模数据集的训练。因此给出的GSVM的求解算法是有效的。     

遗传算法的物流系统路径优化

遗传算法可以很好地解决物流配送路径优化问题。但是由于遗传算法交配算子操作可能会使最好解遗失,所以将遗传算法和模拟退火算法结合来解决这一问题。实验结果表明,用有记忆功能的遗传模拟退火算法求解物流配送路径优化,可以在一定程度上解决上述问题,从而得到较高质量的解。     

基于模拟退火遗传算法的多项目调度问题研究

针对多资源约束条件下的多项目调度问题,提出了一种模拟退火遗传算法的求解方法.该方法首先分别对普通的遗传算法和模拟退火算法进行改进,然后在遗传算法中插入模拟退火操作,通过模拟退火操作来克服遗传算法容易陷入局部最优解的缺陷,同时该方法也继承了遗传算法收敛速度快的特点.最后的实例计算结果表明该算法能克服模拟退火算法和遗传算法的缺点,获得比其它算法更优的解,与其它启发式算法及智能算法相比具有更高的求解效率.     

一种融合模拟退火和单亲遗传的优化求解算法

度约束最小生成树是一个经典的组合优化NP难题,其在网络设计和优化中有广泛的应用;现有求解方法往往不能很好地兼顾求解效率和求解精度;为了在缩短求解时间的同时,更好地获得最优解,提出了一种结合模拟退火算法和单亲遗传算法的改进求解算法;首先,改进遗传算法中变异因子的生成方式,避免不可行解个体的产生,并且设计自适应变异率,以提高算法的求解效率;其次,针对单亲遗传算法仅有变异操作可能导致最优解个体跳跃的问题,结合模拟退火的思想,来保证解的全局最优性;最后,在具体的度约束最小生成树问题中进行了三组实验,从运行时间和最优解的情况等方面与传统单亲遗传算法进行对比,实验表明该算法在求解效率和获得最优解方面都有较好的改进效果。     

用于炼油厂原油库存调度的混合模拟退火算法

现有的数学规划法在解决原油库存调度优化问题时存在着组合爆炸的问题,是阻碍调度优化实用化的主要原因。由于实践中往往只要求快速地获得一个较好解,因此作为启发式算法之一的模拟退火法,在解决调度问题的实用化方面具有很大的优越性。但由于模拟退火法较适于处理无约束的整数规划问题,而在原油库存调度优化模型中却存在着大量的实数约束,所以在其中直接应用模拟退火法比较困难。该文将模拟退火法与线性规划法相结合,以前者调动后者,后者为前者提供可行解判据,构成了一种优化混合算法。在将混合算法应用于原油库存调度问题时,该文采用了特定的编码方式,使各控制变量在随机变化时尽量满足相关的约束条件,从而避免了许多无效解的产生。实例计算结果表明,同传统的混合整数线性规划方法相比,这种混合算法可以快速地给出优化解,其优化值与全局最优值差别不大,表明混合算法可以更好地解决实际原油调度问题。     

求解TSP的改进模拟退火算法

利用模拟退火算法给出了求解旅行商问题的一种新方法.在模拟退火算法的基本原理基础上,针对解变换只交换两个城市而容易落入局部最优解的缺点,提出了在解变换产生新解的过程中,采用逆转操作的改进方法.这使得迭代过程突破局部最优圈,然后跳到另一个搜索空间.这样能够使其更具多样性,改善了模拟退火算法的局部搜索能力.并将其应用于求解旅行商问题,显著改善了它局部寻优的能力.在几个公共测试数据集上的结果表明,算法稳定可行,在求解组合优化问题方面,具有良好的性能.     

进化算法在job-shop调度问题中的应用研究

研究了应用进化算法(遗传算法(GA)和进化规 划(EP))以及混合模拟退火进化算法(SAGA和SAEP)求解job-shop调度问题．仿真实验结果表 明这四种算法是可行的．文中最后对它们的优劣作了比较．     

基于模拟退火遗传算法的多agent系统任务分配

针对标准的遗传算法在任务分配中收敛速度慢的问题,对多agent系统中的任务分配进行形式化描述的基础上,融合模拟退火算法的优化思想,提出了一种基于模拟退火遗传算法的任务分配方法,详细阐述了该算法的基本思想和关键步骤,并通过仿真实验进行验证。仿真实验结果表明,基于模拟退火遗传算法比标准的遗传算法具有更快的收敛速度和寻优效果。     

改进的模拟退火和遗传算法求解TSP问题

对遗传算法和模拟退火算法的特点进行了比较,阐述了遗传算法与模拟退火算法集合的必要性。提出了一个用于求解TSP问题的改进的模拟退火和遗传算法。利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。在遗传算法中改进了传统的交叉机制,利用父代染色体与子代染色体进行交叉,解决了传统遗传算法中存在的“早熟”问题。针对模拟退火算法收敛速度慢等问题,提出了新的解生成机制和改良算法,提高了算法的收敛速度。实验测试的结果表明,该方法具有较好的收敛效果和更高的稳定性。     

一种求解混合整数非线性规划问题的模拟退火算法

通过适当处理离散变量，将求解无约束非凸ＮＬＰ问题的高效模拟退火全局优化算法推广到求解一般非凸混合整数非线性规划问题。数值计算结果表明，文中模拟退火算法在适用性、解的质量和计算效率等方面优于其它方法，是求解一般非凸ＭＩＮＬＰ问题的一种有效的全局优化算法。     

模拟退火算法在带约束的送货路线优化设计中的应用

意在解决送货路线优化设计问题,即在给定送货点和其他一些约束的条件下,确定所最优的运行路线,使所用时间最少。通过将设计最优送货路线的问题转换成图论中的旅行商的问题来求解。其中,对于问题一,限定各送货点的送货时间,求解此问题需在一般模型的基础上添加时间约束来构建新的求解模型;而对于问题二来说,其没有时间限制,但其货物的总重...     

一种分片混沌贪婪振荡退火TSP优化算法

引入自适应升温策略或使用蒙特卡罗策略的模拟退火算法在复杂TSP求解时分别表现出收敛缓慢和全局最优逼近能力有限的问题;而现有的混沌优化算法由于logistic映射的缺陷,削弱了其跳出局部最优的能力.故设计一种融合型算法框架,在框架中嵌入分片Lorenz混沌映射系统,加强混沌算法对邻域解的搜索均匀度;引入了贪婪策略构造逼近全局最优解的初始解,使算法具有跃迁到全局最优解邻域的能力;此外设计了振荡退火互补机制,改善了子迭代解筛选过程,增强算法全局搜索性能.实现算法后,使用国际公开TSPLIB算例,经过多轮对比测试,验证了新算法对TSP的求解性能指标优于对比组模拟退火算法和logistic混沌优化算法,具有更短的收敛时间和更强的全局最优逼近能力.     

一种基于IP网络的QoS约束组播路由算法

针对时延约束最小代价组播路由问题,结合禁忌搜索算法和模拟退火算法的优点,提出了一种改进的混合遗传路由算法TSSAGMA。通过分析与仿真,证实了该算法在解决时延约束最小代价组播路由的问题上优于传统算法,能够在较小的代价下搜索到较好的解。