基于免疫遗传算法的装箱问题求解

装箱是一类典型的ＮＰ完全问题．本文用一种免疫遗传算法来研究装箱问题的求解．免疫遗传算法在传统遗传算法的全局随机搜索基础上,借鉴生物免疫机制中抗体的多样性保持策略,大大提高了算法的群体多样性,实验表明,免疫遗传算法具有很好的全局收敛性,能有效解决装箱问题．     

基于群体编码方式的遗传算法求解装箱问题

就传统装箱问题提出了一种改进的混合遗传算法.该改进的遗传算法主要通过基于群体的编码方法,将每一个箱子视为一个群体,使得在进化过程中,只对群体部分进行操作,从而大大减少了冗余,克服了传统的基于物品编码或基于箱子编码的遗传算法的不足.仿真实验结果表明,该编码方式的遗传算法比基于物品编码的遗传算法显著提高了优化效果.     

二维装箱问题的一种实现方法

遗传算法(GA)是基于自然淘汰地遗传机制的搜索算法，近年来利用遗传算法解决组合优化问题的研究十分普遍。二维装箱问题是典型的组合优化问题，也是时间复杂度非常高的NP问题之一，如何实现有效的算法流程一直是该类问题的难点，本文在BL算法的基础上，提出一种改进的算法结构和流程，并分析了用GA实现过程中编码的健全性和完备性以及多样性评价问题。     

求解矩形装箱问题的一种近似算法

提出了利用近似算法求解二维矩形装箱问题的最小高度的一种方法。该方法基于启发式递归策略和遗传算法。利用启发式递归策略把所有大小各异的矩形都装入宽度固定的矩形容器中，并计算装完后所需容器的高度，用遗传算法的进化能力优化高度，使得所需容器的高度尽可能小。计算数据证明这种方法能够得到很好的结果，特别是对数据量大的测试问题，效果更好。     

求解背包问题的一种改进遗传算法

讨论了遗传算法在问题求解中的早熟现象,引进一个参数用以衡量种群中染色体的相似程度,用以增加种群的多样性;在杂交和变异运算过程中,混合了模拟退火思想作为新个体的接受准则;通常的变异算子需要扫描每一个染色体中每一个等位基因,提出一种新的变异方式,大大提高了算法搜索效率。通过实际计算比较表明,该改进遗传算法在背包问题求解中具有很好的收敛性、稳定性和计算效率。     

求解车间作业调度问题的一种改进遗传算法

针对标准遗传算法收敛速度慢和易陷入局部最优的问题,在总结已有经验的基础上对标准遗传算法提出改进:采用基于工序的编码、解码方式,每一次遗传操作后对种群采用循环选择并保留最优个体,对交叉操作和变异概率的计算提出了一系列改进方法,避免遗传算法产生无用解或陷入局部优化,以提高效率。通过实验验证,改进后的算法具有可行性,并且可以得到十分满意的结果。     

求解车间作业调度问题的一种改进遗传算法

针对标准遗传算法收敛速度慢和易陷入局部最优的问题，在总结已有经验的基础上对标准遗传算法提出改进：采用基于工序的编码、解码方式，每一次遗传操作后对种群采用循环选择并保留最优个体，对交叉操作和变异概率的计算提出了一系列改进方法，避免遗传算法产生无用解或陷入局部优化，以提高效率。通过实验验证，改进后的算法具有可行性，并且可以得到十分满意的结果。     

三维装箱问题的遗传算法研究

本文以集装箱自动装载系统为例,根据货物放置方向、装载容积等约束条件,给出了有效的解码算法,提出了一种改进遗传算法,并通过实例数据进行了实验结果分析。     

一种带脆度的尺寸可变装箱问题

作为经典装箱问题的扩展,尺寸可变装箱问题在现实生活中有着极高的应用背景。分析了尺寸可变装箱问题在解决货物装载运输问题上的不足,由此提出了一种带脆度的尺寸可变装箱问题。除了经典装箱问题中物品体积和箱子容量这两个参数,还引入了物品类型和箱子脆度等参数,给出了相关的数学模型。在经典的FFD（First Fit Decreasing）算法的基础上进行了推广,提出了新的启发式算法NFFD,它对箱子的特性进行了预处理,再进行装箱。分析了该算法的复杂性。对NFD、FFD和NFFD算法进行了数值模拟实验,实验结果表明,在相关参数符合均匀分布的条件下,NFFD算法的效果是最好的。     

基于遗传算法求解TSP问题的一种算法

TSP问题是一个经典的NP难度的组合优化问题，遗传算法是求解TSP问题的有效方法之一。利用交换启发交叉算子实现局部搜索加快算法的收敛速度和利用变换变异算子维持群体的多样性防止算法早熟收敛，给出了一种求解TSP问题的遗传算法。仿真实验结果表明了该算法的有效性和可行性。     

求解车辆路径问题的改进遗传算法

车辆路径问题是一个典型的组合优化类问题,遗传算法是求解此类问题的方法之一。针对遗传算法容易出现“早熟”现象的问题,借鉴免疫算法通过抗体浓度抑制以保持种群多样性的优势以及模拟退火算法的个体选择策略,提出了一种改进的遗传算法,并将其用于解决车辆路径问题。实验验证了算法的有效性以及求解的效率和解的质量。     

一种求解TSP问题的并行遗传算法

遗传算法(GA)是一种基于自然群体遗传机制的有效搜索算法,由于它在搜索空间中同时考虑许多点,这样就减少了收敛于局部极小的可能,也增加了处理的并行性。因此可以利用并行遗传算法(PGA)研究典型的组合优化实例-TSP问题的求解问题。该文提出一种有效的并行算法求解旅行商(TSP)问题,实验结果表明,该方法在解的精度上优于以前的算法。     

A型变尺寸装箱问题之模型及算法研究

作为对经典一维装箱问题的推广,提出一种A型变尺寸装箱问题（A-shaped Variable-sized BinPacking Problem,简称A SVBP）,即在物品的装箱过程中,每样物品有高度和横截面积两个参数,并且箱子的大小不一。该问题在文件系统管理和日常生活中的运输等问题中有着广泛的应用背景。把装箱问题的经典算法以及遗传算法推广到A型变尺寸装箱问题,实验结果表明：按照本文提出的求解模式,离线情况下求解A型变尺寸装箱问题最终结果的质量取决于预先求解其退化为经典装箱问题时的算法,求解物品装箱序列时用首次适应混合遗传算法比用Next Fit算法、First Fit算法、Best Fit算法最终得到的结果要好。     

一种基于构建基因库求解TSP问题的遗传算法

传统的遗传算法通常被认为是自适应的随机搜索算法．该文在分析其特点后针对TSP问题提出了一种将建立基因库(Ge)与遗传算法结合起来的新算法(Ge-GA)．该算法利用基因库指导种群的进化方向，并在此基础上使用全局搜索算子和局部搜索算子增强遗传算法的“探测”和“开发”能力．Ge-GA算法大大加快了遗传算法的收敛速度和寻优能力．作者测试了TSPLIB中的多个实例(城市数目从70～1577)，试验结果与最优解的误差都不超过0．001％．特别是对于难求解的TSP问题，如att532和fl1577，都能够在理想的时间内找到最优解．     

一种求解背包问题的改进遗传算法

背包问题是计算机算法研究中NP完备类的一个困难问题．使用传统的优化方法在求解较大规模的背包问题时．都存在计算量大、迭代时间长的缺陷。为了克服传统优化方法的不足,提高求解的速度和精度,将人类繁育方式引入遗传算法中,形成一种求解背包问题的改进遗传算法（IGA）。介绍算法的基本思想以及使用该算法求解背包问题的方法．并通过实例证明该方法的可行性和有效性。     

遗传算法在物流业装箱环节中的应用

随着社会经济的飞速发展,物流业已成为我国重要的产业之一。物流过程也越来越复杂,在物流过程的各环节中如何最大限度地利用资源、节省开支已经成为亟待解决的问题之一。本文就物流过程中的装箱环节进行了分析,并提出了利用遗传算法的基本思想解决其中存在的问题,即找出最优的装箱方案,使得在装下所有物品的前提下,所用箱子数量最少。     

求解一般车辆优化调度问题的一种改进遗传算法

文章在对一般车辆优化调度问题(VRP)进行分析的基础上,为之建立了数学模型;提出了一种求解该问题的改进遗传算法,并通过实例验证了该算法具有优良性能。     

基于遗传算法的港口装箱问题的研究

随着港口之间的竞争不断白热化,如何提高港口的工作效率一直是研究港口问题的热点问题。装箱问题作为港口运作的重要组成部分,在港口体系中具有举足轻重的作用。该文利用遗传算法,对港口装箱问题进行了优化,改善了装箱的方法,提高了装箱的效率。     

旅行商问题(TSP)的一种改进遗传算法

传统的序号编码遗传算法(GA)使用PMX、CX和OX等特殊的交叉算子，这些算子实施起来很麻烦。针对TSP问题的求解，提出了一种新的改进遗传算法：单亲进化遗传算法(PEGA)，PEGA是利用父体所提供的有效边的信息，使用保留最小边的方法进行个体的进化。与传统的遗传算法相比，PEGA算法弥补了它们的不足之处，简化了遗传算法。给出了PEGA算法的数值算例，仿真实验表明了该算法对于对称的TSP和非对称的TSP问题，都具有收敛速度快的特点，证明了该算法的有效性。     

求解三维装箱问题的混合遗传模拟退火算法

集装箱装载是货物运输过程中重要的一步,其属于NP-hard问题。为了提高效率,降低成本,提出了以集装箱体积利用率最大化为目标建立三维装载模型,同时考虑体积约束、重量约束、重心约束、方向约束。利用混合遗传、模拟退火与三空间分割启发式装载算法求解模型,算法中融入局部最优解保存策略来避免局部较好解在后续的算法过程中出现适应度降低的情况。通过强异类算例与弱异类算例对算法进行性能测试,并结合具体的货物装载数据,得出三维装载图与目标函数值。结果表明,该算法应用于集装箱装载有着较好的效果。