基于Matlab遗传算法工具箱的函数优化问题求解

介绍了遗传算法的基本原理和求解流程,详细阐述了Matlab遗传算法工具箱的使用方法,并通过使用遗传算法工具箱对一个典型的函数优化问题进行求解,验证了该工具箱在解决函数优化问题上的有效性和实用性     

遗传算法求解函数优化问题的Matlab实现

本文介绍了遗传算法的基本原理,并重点分析了Matlab遗传算法工具箱的使用方法。在此基础上,给出了一个函数优化问题的实例,以验证Matlab遗传算法工具箱在解决基于遗传算法的函数优化问题上的有效性和实用性。     

MATLAB遗传算法工具箱在函数优化中的应用

本文介绍了遗传算法的运算流程,阐述了MATLAB遗传算法工具箱的主要函数及其功能。结合典型的二维和高维多峰测试函数,在MATLAB环境中有效地解决了用遗传算法求解函数优化问题,验证了MATLAB遗传算法工具箱的有效性和灵活性。     

用遗传算法优化模糊控制器的实现方法

该文在介绍MATLAB的遗传算法工具箱（GAOT）和模糊控制工具箱的基础上，探讨了用遗传算法来优化模糊控制器的实现方法，将这种方法用于液面控制的仿真系统中，取得了很好的效果。     

混合编码遗传算法基于面向对象方法的实现及应用

采用面向对象方法对混合编码的遗传算法进行了分析和设计,并在此基础上开发了通用的遗传算法工具箱,结合城市给水管网泵站的优化调度问题说明了其应用。     

遗传算法及其工具箱在函数优化问题中的应用

函数优化是遗传算法的经典应用领域,也是对遗传算法进行性能评价的常用算例。由此,该文首先对遗传算法的基本原理和定义,以及其工具箱作了简介,最后结合实例,简述了遗传算法及其工具箱在函数优化问题中的应用。     

求解函数优化问题的遗传算法

从遗传算法的编码、遗传算子等方面剖析了遗传算法求解无约束函数优化问题的一般步骤,并以一个实例说明遗传算法能有效地解决函数优化问题。     

面向组合优化问题的一种全新遗传算法

提出了一种全新的遗传算法，并结合组合优化领域的典型难题——TSP问题，设计了编码、交叉及变异等遗传算子，克服了传统遗传算法的编码及遗传操作未能够充分反映及利用道传信息的缺陷，较大程度上降低了传统遗传搜索中存在的盲目性，搜索速度得到明显提高。最后将本遗传算法应用于20个城市的TSP问题求解，计算结果证明了该遗传算法的收敛质量满足要求，收敛速度明显优于许多现有的算法。     

基于改进遗传算法的物流配送路径优化的研究

通过改进遗传算法的编码方式和适应度评估,减少二进制编码或浮点型编码的复杂性,同时精简适应度评估的计算,来求解物流配送路径优化问题.在建立物流配送路径优化问题的数学模型基础上,构造改进后的遗传算法.改进后的遗传算法采用自然数直接编码,在个体选择上结合使用常用的最优个体保留策略和轮盘赌法.进行多次实验和计算,证明改进后的遗传算法,在优化物流配送路径方面比传统的遗传算法,收敛性更好、更优越,进而更高效地获得问题的最优解或近似最优.     

多元多峰值目标函数在MATLAB中的优化

采用MATLAB的遗传算法,利用强大的数学计算能力和遗传工具箱,在全局搜索空间内寻找极值点,能够有效地对多元多峰值函数进行优化,避免了利用传统优化方法在多元多峰值函数优化过程中陷入局部极值点的优化误区。同时简要介绍了遗传算法的特点、流程和优化工具箱,通过实际编程优化,说明基于MATLAB的遗传算法是一种具有良好的全局寻优的优化工具。     

基于旅行商问题的粒子群优化算法

旅行商问题(Traveling Salesman Problem,TSP)是一类离散的、NP(Non-deterministic Polynomial)完全的组合优化问题,有着广泛的应用背景和许多的求解方法。该文介绍了用粒子群优化算法求解旅行商问题,并与模拟退火算法和遗传算法相比较,通过实验结果说明了粒子群优化算法在解决大规模组合优化问题上的有效性和可行性。     

Honey Bees Mating Optimization algorithm for large scale vehicle routing problems

Honey Bees Mating Optimization algorithm is a relatively new nature inspired algorithm. In this paper, this nature inspired algorithm is used in a hybrid scheme with other metaheuristic algorithms for successfully solving the Vehicle Routing Problem. More precisely, the proposed algorithm for the solution of the Vehicle Routing Problem, the Honey Bees Mating Optimization (HBMOVRP), combines a Honey Bees Mating Optimization (HBMO) algorithm with the Multiple Phase Neighborhood Search–Greedy Randomized Adaptive Search Procedure (MPNS–GRASP) and the Expanding Neighborhood Search (ENS) algorithm. Besides these two procedures, the proposed algorithm has, also, two additional main innovative features compared to other Honey Bees Mating Optimization algorithms concerning the crossover operator and the workers. Two sets of benchmark instances are used in order to test the proposed algorithm. The results obtained for both sets are very satisfactory. More specifically, in the fourteen classic instances proposed by Christofides, the average quality is 0.029% and in the second set with the twenty large scale vehicle routing problems the average quality is 0.40%.     

遗传算法辅助作曲研究

对遗传算法在作曲中的应用进行了一定的研究。介绍了遗传算法作曲系统目前的发展情况,分析了这一研究领域存在的问题,提出了一种新的交互式遗传算法作曲系统,借助Matlab 6.5下的遗传算法工具箱对系统进行了验证,取得了很好的效果。     

基于车辆路径问题的带近邻因子的粒子群算法

提出了一种改进的粒子群算法。该算法通过引入近邻因子,增强了当前粒子的学习功能,克服了基本粒子群算法易陷于局部最优的缺陷,提高了算法进化的收敛精度。将该算法用于解决车辆路径问题,实验结果表明具有较好的性能和很好的应用价值。     

模糊离散粒子群优化算法求解旅行商问题

粒子群优化算法已经成功地应用于求解连续域问题，但是对于离散域问题特别是路由问题的求解研究还很少．本文提出了一种改进的粒子群优化算法，用于求解旅行商问题．采用模糊矩阵来表示粒子的位置和速度，并重新定义其更新公式，最后对TSPLIB中的具体算例进行测试，实验结果表明该算法能够得到较好的结果．     

基于分布式约束优化的武器目标分配问题研究

为解决舰艇编队协同防空中的武器目标分配(WTA)问题,提出一种将WTA问题建模为分布式约束优化问题的方法。介绍求解分布式约束优化问题的2个典型算法ADOPT和DPOP。通过Frodo软件平台对舰艇拦截多批反舰导弹过程进行仿真,比较2个算法在仿真时间、通信量等方面的性能,结果证明了该方法求解WTA问题的可行性。     

基于改进DE算法的难约束优化问题的求解

基于指数函数的性质,提出简易罚函数法(SPFM),用于有效求解难约束优化问题(COP),并屏蔽选取罚因子的困难性。将SPFM和差分演化相结合,给出一种求解难COP的改进差分演化算法(MDE)。利用MDE求解Bump问题可以得出该问题的多个新的最优解,证明MDE在求解难COP时的高效性。     

求解动态优化问题的多种群骨干粒子群算法

针对动态优化问题（Dynamic Optimization Problem,DOP）中所面临的过时记忆和多样性丧失的挑战,提出了一种改进的多种群骨干粒子群优化算法（Multi-swarms Bare Bones Particle Swarm Optimization,MBBPSO）。通过设置环境勘探粒子及时检测环境的变化,避免了错误信息误导种群的进化方向;环境改变后,利用上一个环境搜索的信息初始化新的种群,提高MBBPSO快速追踪到当前环境的优秀解的能力;当种群陷入停滞时,采用新的进化方程以加强粒子的活性和多种群策略维持群体的多样性。仿真实验表明,MBBPSO在解决动态环境问题中具有较强的竞争力。     

Leximin Asymmetric Multiple Objective Distributed Constraint Optimization Problem

The Distributed Constraint Optimization Problem (DCOP) lies at the foundations of multiagent cooperation. With DCOPs, the optimization in distributed resource allocation problems is formalized using constraint optimization problems. The solvers for the problem are designed based on decentralized cooperative algorithms that are performed by multiple agents. In a conventional DCOP, a single objective is considered. The Multiple Objective Distributed Constraint Optimization Problem (MODCOP) is an extension of the DCOP framework, where agents cooperatively have to optimize simultaneously multiple objective functions. In the conventional MODCOPs, a few objectives are globally defined and agents cooperate to find the Pareto optimal solution. However, such models do not capture the interests of each agent. On the other hand, in several practical problems, the share of each agent is important. Such shares are modeled as preference values of agents. This class of problems can be defined using the MODCOP on the preferences of agents. In particular, we define optimization problems based on leximin ordering and Asymmetric DCOPs (Leximin AMODCOPs). The leximin defines an ordering among vectors of objective values. In addition, Asymmetric DCOPs capture the preferences of agents. Because the optimization based on the leximin ordering improves the equality among the satisfied preferences of the agents, this class of problems is important. We propose several solution methods for Leximin AMODCOPs generalizing traditional operators into the operators on sorted objective vectors and leximin. The solution methods applied to the Leximin AMODCOPs are based on pseudo trees. Also, the investigated search methods employ the concept of boundaries of the sorted vectors.     

基于蚁群算法的多目标优化

针对多目标优化问题,提出一种用于求解多目标优化问题的蚁群算法。该算法定义连续空间内求解多目标优化问题的蚁群算法的信息素更新方式,根据信息素的概率转移和随机选择转移策略指导蚂蚁进行搜索,保证获得的Pareto前沿的均匀性以及Pareto解集的多样性。对算法的收敛性进行分析,利用2个测试函数验证算法的有效性。