并行遗传算法收敛性分析及优化运算

经典遗传算法（Canonical Genetic Algorihms)利用单一种群对种群个体进行交叉、变异和选择操作，在进行过程中的超级个体易产生过早收敛现象，粗粒度并行遗传算法利用多个子群进行进化计算，各子群体分别独立进行遗传操作，相互交换最优个体后继续进化。文证明了该算法的搜索过程是一个有限时齐遍历马尔柯夫链，给出粗粒度并行遗传算法全局最优收敛性证明。对于旅行商问题TSP（Traveling Salesman Problem)利用粗粒度并行遗传算法进行了求解，以解决经典遗传算法的收敛到局部最优值问题。仿真结果表明，算法的收敛性能优于经典遗传算法。     

用遗传算法实现多智能体联盟的形成

在多Agent系统中，当单个Agent不能或不能有效完成特定的任务时，任务就必需分配给一组Agent，即Agent将形成联盟。本文将讨论Agent联盟的形成，并将遗传算法应用于Agent联盟形成中，希望可以快速、高效地找出合适的Agent联盟。     

求解频率分配问题的自适应的多种群蚁群算法

提出一种自适应的多种群蚁群算法用于求解频率分配问题．算法将蚂蚁群体划分为若干个子群体，每个子群体的蚂蚁并行地进行优化．在寻优过程中，算法为每个蚂蚁子群体定义一个收敛系数，根据收敛系数来决定子群体内部的路径的选择和信息量的更新．算法同时根据各个子群体的解的质量和分布情况来自适应地决定信息交流策略，包括选择信息交流的对象和调节信息交流的周期以及信息更新策略，以取得各蚂蚁子群体中解的多样性和收敛性之间的动态平衡．对固定频率分配和最小跨度频率分配问题在并行计算机上的实验结果表明，本文算法不仅具有较快的全局收敛速度，而且有高质量的解和高的效率．     

基于Spark的并行遗传算法求解多峰函数极值

遗传算法求解多峰函数极值需进行反复多次的迭代运算,面对大数据样本时会出现运算效率过低的现象,这极大地限制了遗传算法的实际应用。经典Hadoop并行平台可在一定程度上提高遗传算法的运行效率,而新一代Spark并行平台可以更加充分地发挥遗传算法的并行潜能。设计并实现了基于Spark的并行遗传算法,在各个子节点上并行执行子种群个体的交叉、变异等操作,达到了高度并行化进化种群以高效求取多峰函数极值的目的。为方便比较,同时设计并实现了单机及Hadoop平台下的相应算法。实验结果表明,处理大数据样本时,相比传统单机和Hadoop平台,基于Spark的并行化遗传算法显著降低了求解多峰函数极值的耗时,大幅提高了算法的效率;同时,由于其并行计算带来的强大随机性,也有效避免了种群单一过早收敛的问题,提高了算法的准确性。     

多Agent信息融合的故障诊断技术

在故障诊断中引入多Agent并行推理、独立求解的机制能够提高诊断准确率。通过特征提取降低特征维数,形成子任务,并分配给具有专家能力的Agent处理。然而多数情况下不同Agent的诊断结论会存在差异,为解决该问题,引入D-S证据理论将各Agent的结论作为多源证据进行融合。在融合中引入可信度分配矩阵表征Agent能力。最后通过一个诊断实例说明了此方法,通过仿真对比实验验证了此方法的有效性。     

基于分布式遗传算法的移动Agent迁移策略

迁移策略是移动Agent（Mobile Agent，MA）的核心技术之一，MA的效率很大程度上取决于迁移策略的优化。本文提出了一种改进的分布式遗传算法（EDGA），用于对多约束条件下MA迁移策略最优问题进行求解。EDGA将分布式遗传算法和Cascade模型相结合，在迁移算子部分设计一个中心监控器，观察每个子种群的进化，并对迁移个体的选择以及相应子种群的大小做出调整，使进化能力好的子种群得到更大的空间来搜索最优值。实验结果表明：本文所提出的EDGA算法在求解速度和质量上取得了较大的改善。     

Agent组织结构的圆层式模型

Agent组织是多Agent系统的求解形式,合理的组织结构有助于Agent成员(或子组织)之间的合作和对合作任务及合作成员的管理,因此,对Agent组织结构的研究引起了越来越多的重视.提出了Agent组织结构的圆层式模型;并对Agent角色(或子组织)在MAS求解过程中的行为进行代数抽象,得出了Agent组织结构在代数方面的结构性质.     

玻璃排版优化中遗传算法的应用

研究了应用遗传算法求解非线性多目标组合优化问题———玻璃排版优化问题 ,详细讲解了如何设计求解该优化系统中三个典型组合优化子问题的遗传算法 ,并对三个子问题的求解关系进行了分析 ,总结出遗传算法的不同构造方法对系统优化结果的影响。     

面向多目标流水车间调度的多种群多目标遗传算法

针对制造型企业普遍存在的流水车间调度问题,建立了以最小化最迟完成时间和总延迟时间为目标的多目标调度模型,并提出一种基于分解方法的多种群多目标遗传算法进行求解.该算法将多目标流水车间调度问题分解为多个单目标子问题,并分阶段地将这些子问题引入到算法迭代过程进行求解.算法在每次迭代时,依据种群的分布情况选择各子问题的最好解及与其相似的个体分别为当前求解的子问题构造子种群,通过多种群的进化完成对多个子问题最优解的并行搜索.通过对标准测试算例进行仿真实验,结果表明所提出的算法在求解该问题上能够获得较好的非支配解集.     

基于Cougaar的合作伙伴选择系统

提出了一个合作伙伴选择过程模型和基于Cougaar的合作伙伴选择系统，该系统包括核心企业Agent社区和合作伙伴Agent社区，核心企业Agent社区由管理Agent、任务规划Agent和评价Agent组成。介绍了规划Agent把一个任务分解为多个子任务组成的工作流，决策Agent中模糊变量的创建方法、基于XML的模糊规则表示方法和推理机的工作原理。     

一种求解多执行模式资源水平问题的遗传算法

针对资源受限情况下多执行模式工程调度中资源水平问题的特点,设计了一种遗传算法。解的编码采用满足紧前关系的工作链表与工作执行模式链表结合的双链表结构,交叉算子采用修正的一点交叉算法。为保证收敛解的可行性,在适值函数计算时对不可行解进行惩罚。对标准问题库PSPLIB中大量问题的求解实验结果表明,遗传算法是求解该问题的一种有效算法。     

指针网络改进遗传算法求解旅行商问题

针对遗传算法在求解旅行商问题时,受限于初始种群质量而存在收敛速度慢、易陷入局部最优等问题,提出一种基于指针网络改进遗传算法种群模型。通过经改进指针网络生成初始种群取代原种群,并结合基于汉明距离轮盘赌策略对种群个体进行择优,形成个体质量和种群多样性高的新种群。实验在TSPLIB标准库上多组实例进行测试,并和研究进展种群改进算法和多种主流启发式算法进行多项系数对比。结果表明,经过优化后算法的收敛速度和寻优能力有显著提高,能够有效用于改善遗传算法在旅行商问题上的应用。     

一种求解最短枝切长度问题的学习算法

枝切法是一种高效的抗噪声相位展开方法,而最短枝切长度能够保证最优的相位展开结果。最短枝切长度问题属于组合优化问题,提出一种求解该问题的学习算法,将最短枝切长度问题的解视为个体,该算法通过个体之间的学习以及个体自身的变异实现进化,作用类似于遗传算法中的交叉算子以及变异算子。通过对多幅含噪声包裹相位图进行实验验证,该算法比传统的求解最短枝切长度问题的算法更快更优。     

基于改进遗传算法的连锁便利店配送路径优化

提出一种针对软时间窗下连锁便利店配送路径规划的带时间窗口的多染色体遗传算法。为解决单车场多车型带密集半软时间窗问题,讨论解决方案预防其陷入局部最优解。对于上述配送路径问题,提出多染色体改进遗传算法在减少车辆运输成本、惩罚成本的目标下进行最优路径求解,并为连锁便利店的路径规划案例提出车辆与路径选择的优化方案,最后将该算法与传统遗传算法进行实验对比分析。实验结果表明,本文算法在密集半软时间窗下,相比传统遗传算法明显减少了总配送成本,从而验证了本文算法的有效性。     

基于混沌粒子群算法的物流配送路径优化

通过结合混沌的遍历性和粒子群的快速性的优点,提出了一种用于求解物流配送路径优化问题的混沌粒子群优化算法。该算法利用混沌变量产生初始粒子群,对子代部分粒子群进行微小扰动,随着搜索过程深入逐步调整扰动幅度,通过调整惯性权重因子克服标准PSO算法的早熟和易陷入局部最优值等缺陷。将混沌粒子群优化算法用于物流配送路径优化,建立了数学模型,在此基础上设计了相应的算法。将该算法和遗传算法、标准粒子群算法进行比较,证明了其收敛速度和寻优能力的优越性。     

并行启发式进化遗传算法

本文通过对遗传算法 (GA)的过早收敛问题及其解决方法的探讨 ,结合种群分布、多种群进化、迁徙及并行启发式结构等思想 ,提出一种求解全局最优解的并行启发式进化遗传算法 (PHGA) ,仿真结果验证了这种新算法良好的全局收敛性性能     

自律个体的一种遗传强化模型研究

自律个体的遗传强化模型是模拟实际生物进化机制的计算模型。本文利用进化算法和人工神经网络的研究方法,设计一种自律个体的遗传强化模型。该模型强调多层次学习,实现了先天的遗传学习进化和后天的个体神经系统学习进化的有机结合。本文同时将该模型应用于模拟机器人的生存控制,观察它在环境中的行为表现及经能力,取得了满意的实验结果。     

基于遗传算法的避障TSP问题算法设计

主要探讨复杂环境下避障TSP问题的遗传算法的求解方法.针对TSP问题和避障TSP问题的不同,在染色体的编码方式、有效范围、基因选取、遗传算子等方面对传统遗传算法进行改进,同时引入了代价矩阵和基因库以提高算法的收敛速度.     

基于遗传算法的多智能体协作行为研究

协作问题一直是多智能体系统研究的关键问题之一,该文给出了用遗传算法来实现多智能体协作的一种方法。该方法利用遗传算法来解决当多智能体系统无法得到环境信息或得到这些信息代价过高时,如何有效地产生它们的协同运动。利用该方法,对三个智能体协作把箱子搬到目标点,然后改变目标点,让智能体继续完成协作任务进行计算机仿真,结果表明遗传算法在动态环境下实现多智能体协作方面的可行性和有效性。     

一个多重约束目标问题的遗传算法求解

该文针对一个多重约束目标问题,用改进的遗传算法较快地求得问题的解。并针对求解该问题的遗传算法,作了大量的实验,研究了种群规模逐渐变小,使用单一的遗传操作方式,采用不同的选择策略,以及在算法执行过程的不同阶段不同的变异算子的使用,对该算法性能的影响。