基于遗传算法的飞机定检离位工作流程优化

首次将遗传算法(GA)应用于飞机定检离位工作流程优化中。本文借鉴关键路线法思想建立离位工作流程多约束优化模型,根据可行解变换法思想设计编码和解码方法,并采用经过模拟退火算子和精英选择算子改进后的GA求解。仿真结果表明,在解决多约束优化问题上,改进遗传算法的最优解搜索能力较基本遗传算法有明显提高;优化后离位工作完成时间较优化前缩短14.70%,验证GA在解决定检离位工作流程优化问题上的适用性。     

基于遗传算法的飞机大修总装工作流程优化

将遗传算法应用于飞机大修总装工作流程优化中。以完成时间最短为目标,建立总装工作流程优化模型;综合“工序重置法”和罚函数法,满足总装工作中的工序和人员约束条件;采用改进的最优保存策略对基本遗传算法作进一步改进。仿真结果表明,改进的遗传算法的最优解搜索能力较基本遗传算法有明显提高,验证了GA在解决定检离位工作流程优化问题上的适用性。     

一种改进的遗传算法Scatter GA

介绍一种改进的扩散式遗传算法 Scatter GA(Sc GA)。在原简单遗传算法 Sim ple GA(SGA)的基础上进行局部改进 ,采用更接近问题实际的实数编码方式 ,增加了第 2个变异算子 ,取消了选择算子。使用改进的算法对 4个典型函数进行计算 ,并与 SGA,m icro GA(m GA) ,Steady State GA(SSGA)的结果进行比较 ,可以看出 ,改进算法在收敛速度和精度上均优于其它同类算法。     

基于蚁群算法的飞机定检原位工作流程优化

首次将蚁群算法（ACO）应用于飞机定检原位工作流程优化中。在建立原位工作流程优化模型的基础上,借鉴最优一最差蚂蚁系统的思想改进信息素更新机制,并采用改进的精英策略和变异特征对基本蚁群算法进行改进。实例仿真表明,改进蚁群算法在全局搜索能力和收敛速度上较基本蚁群算法有明显提高,克服了基本蚁群算法搜索时间长、容易早熟的不足。优化后原位工作完成时问较优化前缩短2．27％,验证了ACO在解决定检工作流程优化问题上的适用性。     

一种求解0-1背包问题的改进遗传算法

针对传统遗传算法（SGA）容易“早熟”的不足,提出一种求解0-1背包问题（KP）的改进遗传算法。借鉴二重结构编码的解码处理方法设计了一种新解码方法,在保证解可行性的同时修正种群中无对应可行解的个体;采用模拟退火算法和改进的精英选择算子改进SGA。实例仿真结果验证了改进遗传算法在进化效率和最优解搜索能力上的优越性。     

嵌套式模糊自适应遗传算法

针对简单遗传算法(SGA)收敛速度慢和早熟收敛现象,将模糊逻辑理论应用于遗传算法,并采用两级嵌套的遗传算法,随主遗传算法GA1求解优化问题的进化进程用模糊控制的方法自适应地调整遗传算法的交叉概率和变异概率;利用另一个遗传算法GA2优化模糊规则库,实现了一种嵌套式模糊自适应遗传算法(NFAGA)。仿真结果表明,这种算法的全局搜索收敛速度和解的质量明显优于SGA和一般的自适应遗传算法(AGA)。     

双变异算子遗传算法的应用

针对简单遗传算法(SGA)所存在的缺点和不足,提出了一种新的改进遗传算法一双变异算子GA.该算想法通过将所有产生的子代个体与父代个体混合作为下一代种群,在种群选择前对适应度值较低的个体进行一次变异,然后通过选择、交叉,再一次变异产生新种群,再利用自适应算法改变交叉和变异率及最优保存策略保护历代最优个体,利用matlab软件编程计算,在TSP中得到了较好的优化结果.实例说明,双变异算子的遗传算法能够最大限度使种群多样性,这样最有可能得到最优解,也易突破局部收敛的局限而达到全局最优.     

一种改进选择算子的遗传算法

遗传算法（Genetic Algorithm,GA）是一种模拟生物进化的智能算法,被广泛应用于求解各类问题。简单遗传算法（Simple GA）仅靠变异产生新的数值,常常存在搜索精确度不高的问题。针对这个问题,对SGA的选择算子进行改进,即把相似个体分在同一组中,以组为单位进行选择,并通过该组个体的特点进行高斯搜索生成新的群体。这样使得GA在搜索过程中不仅可以很好地保持个体的多样性,并且可以提高解的精确度。通过对11个函数（单峰和多峰）的仿真实验,证明了采用新的选择算子后,GA在求解问题的精确度上有了很大地改善。     

基于遗传算法的网格资源分配与调度研究

合理的资源调度可以在很大程度上提高网格系统资源的利用率,遗传算法（GA）因具有强大稳健的隐并行解空间搜索功能,被广泛应用于任务分配和调度问题的求解。本文在研究标准遗传算法（SGA）的基础上,提出与小生境技术相结合的自适应选择概率、父子竞争（PCC）交叉算子、插入变异算子和最优保存策略,改进SGA算法,在很好地保持种群收敛性的同时,提高了算法的局部和全局搜索能力。仿真实验结果表明,本文算法与其它调度算法比较,更能有效地实现资源的分配,可以成功应用于网格环境下独立任务的分配与调度。     

改进遗传算法PID参数整定及在漂白温度控制中的应用

遗传算法（GA）是一种基于群智能的全局随机优化算法。针对简单遗传算法（SGA）收敛速度慢、易于早熟等缺点,采用改进的自适应交叉算子和自适应变异算子。结合兼顾性能指标和响应过程平衡的适配函数,以多种改进方式相结合的遗传算法对PID参数进行寻优整定。并将该控制器应用于纸浆漂白温度控制中,仿真结果表明：改进遗传算法能够明显改善收敛速度和寻优效果,当被控对象存在较大纯滞后、时间常数特性较大时,采用本方法优化PID控制器参数可获得比较满意的控制效果。     

基于"优胜劣汰"原则的差异算子

借鉴生物学中“优胜劣汰”的原则,引入一种新的遗传算子,从而对传统的遗传算法（GA）进行改进.该算子的引入达到了扩大搜索空间、提高收敛速度、保持群体中个体多样性的目的.通过函数优化测试,结果表明：算子提高了GA对全局最优解的搜索能力和收敛速度.进一步对其相关参数设置的研究,将会使GA在众多实际的优化问题上具有更广泛的应用前景.     

基于DSM的复杂产品开发流程优化遗传算法

为减少产品开发过程中的返工迭代,提出一种基于设计结构矩阵(DSM)理论的多目标流程优化遗传算法.通过优化任务执行顺序,减少产品开发过程中的返工以压缩进度和降低成本.该优化算法是一种改进的遗传(GA)算法,在适应度函数中考虑了时间和费用两个指标;在选择、交叉、变异算子中采用了优解保持策略.仿真结果表明,对于高任务耦合度的产品开发项目,该优化算法能使开发时间压缩30%～40%,费用降低7%～2O%.     

基于DSM的复杂产品开发流程优化遗传算法

为减少产品开发过程中的返工迭代,提出一种基于设计结构矩阵(DSM)理论的多目标流程优化遗传算法.通过优化任务执行顺序,减少产品开发过程中的返工以压缩进度和降低成本.该优化算法是一种改进的遗传(GA)算法,在适应度函数中考虑了时间和费用两个指标;在选择,交叉,变异算子中采用了优解保持策略.仿真结果表明,对于高任务耦合度的产品开发项目,该优化算法能使开发时间压缩30%-40%,费用降低7%-20%.

     

基于改进遗传算法的带时间窗车辆路径问题研究

该文以最小化配送时间为目标,研究带时间窗的车辆路径问题,建立整数规划模型。为了加快遗传算法的收敛速度和寻优能力,提出一种改进遗法算法IGALS(Improved Genetic Algorithm with Local Search)。改进算法借用精英保留策略,采用点交叉和段交叉算子结合的交叉算子;提出路段允许延迟时间概念,并以此为依据使用局部搜索策略进一步提高解的质量。通过Solomon标准算例测试,验证了改进算法(IGALS)较简单遗传算法(GA)具有更好的全局寻优能力和更快的收敛速度。     

双变异算子遗传算法的应用

针对简单遗传算法（SGA）所存在的缺点和不足,提出了一种新的改进遗传算法一双变异算子GA.该算想法通过将所有产生的子代个体与父代个体混合作为下一代种群,在种群选择前对适应度值较低的个体进行一次变异,然后通过选择、交叉,再一次变异产生新种群,再利用自适应算法改变交叉和变异率及最优保存策略保护历代最优个体,利用matlab软件编程计算,在TSP中得到了较好的优化结果。实例说明,双变异算子的遗传算法能够最大限度使种群多样性,这样最有可能得到最优解,也易突破局部收敛的局限而达到全局最优。     

基于改进遗传算法的PID参数寻优与控制器设计

相比传统的调节方法,遗传算法具有更好的鲁棒性、最优性,能较好的实现参数的自动化调节。对标准遗传算法（SGA）进行了分析、研究,并在SGA的基础上进行了改进。改进的遗传算法从提高全局搜索性能和加快收敛速度出发,提出了改进的选择算子、交叉算子和变异算子,仿真结果表明,改进的遗传算法的全局搜索性能和收敛速度远远优于标准遗传算法。     

一种结合云模型思想的粒编码遗传算法

以实现对解空间某一邻域进行一定密度的采样为目标,采用云模型的思想改进遗传算法,设计粒编码方式下个体的表现形式以及个体的评价方法,并针对数值优化问题形成遗传算子和基于粒编码方式的遗传算法GCGA(Granular coding genetic algorithm)。10个常见函数的数值优化实验表明,GCGA能够跳出局部最优点,搜索到全局最优点;与GA(Genetic Algorithm)和PSO的优化结果进行对比,表明GCGA是一种优秀的改进的进化算法。     

融合遗传算法和关联规则的数据挖掘方法改进

提出了一种融合改进遗传算法(Genetic algorithm, GA)和关联规则的数据挖掘方法,首先将GA交叉算子和变异算子进行自适应改进,使其在迭代过程中能够根据函数适应度值自适应调节;然后将改进后的自适应GA融入到关联规则中,充分利用GA良好的全局搜索能力,提高处理海量数据关联规则的挖掘效率。为了避免无用规则,减少不相关性的存在,在此基础上融入亲密度以提高关联规则的可靠性。在Hadoop大数据平台上通过分析交通数据验证优化后的算法,与传统方法相比,该方法提高了算法的收敛速度和鲁棒性。     

基于可调变异算子求解遗传算法的欺骗问题*

针对遗传算法GA(genetic algorithm)欺骗问题的某些特点,从理论上对变异算子进行分析,提出了解决GA欺骗问题的一种新的方法.该算法能够在遗传搜索过程中改变变异算子的方向和概率,使变异算子可调,这样可以有效地消除遗传算法中的欺骗性条件,保持群体的多样性,使GA能顺利地收敛到全局最优解.     

基于进化稳定策略的遗传算法

为了解决传统遗传算法易陷入局部最优解的问题,在借鉴生物学中"进化稳定策略"的基础上,对传统的遗传算法进行了改进,提出了基于进化稳定策略的遗传算法.该算法的核心在于,稳定参数控制下的突变算子的构造,通过稳定参数的设定来稳定种群中最优个体的数目,并有目标地对最优个体进行突变操作,以达到快速扩大搜索空间、稳定群体中个体多样性的目的.仿真结果表明,该算法有效地避免了传统遗传算法中因选择压力过大造成早熟现象的发生,显著地提高了GA对全局最优解的搜索能力和收敛速度.这将使GA在众多实际的优化问题上具有更广泛的应用前景.