采用三维小生境遗传算法求解高校排课问题

深入分析了高校排课问题,包括排课目标、主要影响因素、约束条件、求解目标,建立了其数学优化模型,构建了其基本求解框架。针对高校排课问题的特点,引入遗传算法来加以解决,设计了三维编码方案、初始种群生成方案、适应度函数设计方案、小生境策略、自适应交叉概率和自适应变异概率等多种改进方案。仿真结果表明该算法在一定程度上满足了高校排课问题的多重约束条件,能够有效地解决高校排课问题。     

基于贪心法和禁忌搜索的实用高校排课系统研究

在深入分析普通高校排课的流程、特点和难点的基础上，提出一个基于贪心法和禁忌搜索的排课算法。算法采用基于优先级的贪心法构造排课的初始解，进而利用禁忌搜索获得全局较优的排课结果。设计中充分考虑了当前高校课表问题的实际情况，如课程性质对排课的要求、教师的特殊要求等。实现的原型系统同时支持自动排课和交互式排课，对于一些难度较大的问题，可以通过人机交互方式来解决。通过对高校的实际排课数据进行测试，结果表明该算法可行且能够有效地提高排课效率。     

基于学分制的排课算法分析与设计

根据高职院校课程教学安排的特点,详细分析了排课算法所涉及的课程、教室、教师等资源的安排方式及时问模式.利用贪心策略,设计出了排课优化估计函数及整体排课算法.     

基于群体优势遗传算法的高校排课问题研究

深入分析了高校排课问题,建立了高校排课问题的数学优化模型,构建了基本求解框架。针对高校排课问题的特点,引入遗传算法来加以解决,设计了多种改进方案：新的二进制编码方案、初始种群生成方案、适应度函数设计方案、群体优势策略、自适应交叉概率和自适应变异概率设计方案。仿真结果表明该算法能够满足高校排课问题的多重约束条件,能更有效地解决高校排课问题。     

优化蚁群算法在排课中的应用策略

针对高校排课面临的问题和挑战,通过分析排课问题的约束条件,将解决排课问题转化为二分图匹配的问题,并给出优化蚁群算法方案,探索高校排课问题的优化策略。     

基于新型免疫遗传算法的高校排课仿真研究

研究高校排课问题,关系到高校教学质量的提高和教学资源的充分利用,随着高校教学的深入改革和高校的扩招,优化排课的高效解决就变得更加迫切。通过深入分析高校排课问题,建立了排课问题的数学优化模型,构建了它的基本求解过程。针对高校排课问题的特点,引入遗传算法来加以解决,设计了多种改进方案,包括:新的二进制编码方案、初始种群生成方案、适应度函数设计方案、免疫策略、自适应交叉概率和自适应变异概率设计方案。仿真结果表明新型算法能满足高校排课问题的多重约束条件,能更有效地解决高校排课问题。     

基于三维免疫遗传算法的高校排课问题研究

深入分析了高校排课问题,建立了其数学优化模型,构建了它的基本求解框架。针对高校排课问题的特点,引入遗传算法来加以解决,设计了多种改进方案,包括:三维编码方案、初始种群生成方案、适应度函数设计方案、免疫策略、自适应交叉概率和自适应变异概率设计方案。仿真结果表明该算法能够满足高校排课问题的多重约束条件,能更有效地解决高校排课问题。     

基于WCF的实验室自动排课服务设计与实现

该文根据目前高校的实验课的二级排课管理模式,以实验室资源使用优化为目标,利用贪心策略设计了实验室排课算法。采用WCF技术将实验室排课算法封装成Web服务,实现排课业务与实验室管理系统平台的集成。     

采用十进制最佳个体置换遗传算法求解高校排课问题

本文分析了高校排课问题,建立了其数学优化模型,构建了它的基本求解框架。针对高校排课问题的特点,引入遗传算法,设计了多种改进方案,包括十进制编码方案、初始种群生成方案、适应度函数设计方案、最佳个体置换策略、自适应交叉概率和自适应变异概率设计方案。仿真结果表明,该算法能够满足高校排课问题的多重约束条件,能更有效地解决高校排课问题。     

多约束条件下高校排课系统的算法研究

高校排课问题是典型的组合优化和NP-难问题。目前由于高校的扩招和合并趋势,高校的规模越来越大,办学资源日趋紧张,针对教师和学生在上课时间、上课地点等问题的安排上所受到的约束条件也越来越多的现实,该文拟采用拟人策略对排课资源和约束条件进行分析,然后重点探讨在排课中常用的遗传算法。     

基于多策略融合的改进人工蜂群算法

针对标准人工蜂群算法存在易陷入局部最优、收敛速度慢等缺陷,提出一种基于多策略融合的改进人工蜂群算法。为了避免陷入局部最优,引入可调压排序选择策略,以保证种群的多样性;同时,通过跟随蜂阶段将线性调整全局引导策略、自适应动态调整因子策略与标准人工蜂群算法的更新策略组成一个动态调整策略集,通过比较食物源的当前质量值与上次迭代质量值对动态策略进行调整,以加快算法的收敛速度。利用标准测试函数进行实验仿真,结果表明该算法不仅提高了求解精度,而且加快了收敛速度,迭代次数明显减少。     

一种基于学习型人工免疫算法的股价预测模型

In traditional artificial immune algorithm, there is no differentiation in clone step and variation step, and BP neural network is prone to obtain local minimum value. This paper presents a hybrid model combining a learning artificial immune algorithm and BP algorithm for stock shares forecast and investment strategy analysis. This model overcomes the shortcomings of artificial immune algorithm in cloning antibody and antibody variation without differentiation, and adds the antibody learning function in the model, accelerating the convergence speed and accuracy of antibody optimization. The simulation results show that the stock price prediction model with learning artificial immune algorithm is superior to BP stock price prediction model in the stock price prediction accuracy and investment strategy.     

混沌搜索策略的改进人工蜂群算法

针对人工蜂群算法的蜂群缺乏多样性、全局和局部搜索能力差及收敛速度较慢,提出一种基于混沌搜索策略的改进人工蜂群算法。该算法通过载波映射,由混沌-决策变量的变换,产生新的邻域点,为采蜜蜂和被招募的观察蜂提供了更广阔的搜索空间和更优质的位置蜜源,增强蜂群多样性;同时,引进侦查蜂局部蜜源搜索较好地解决了算法易陷入局部极小的问题,改善了人工蜂群算法的收敛性能。最后由6个标准测试函数的仿真验证,得到基于混沌搜索策略的人工蜂群算法性能明显优于标准人工蜂群算法。     

具有自适应搜索策略的混合人工蜂群算法

基本人工蜂群算法及其搜索策略侧重探索,为增强算法的开发能力,提出一种具有自适应搜索策略的混合人工蜂群算法。将目标函数值信息和最优解引导信息引入搜索策略,提出具有自适应机制、开发能力强的搜索策略;为防止“早熟”现象,利用三个不同随机食物源和高斯分布,设计出全局探索能力较强的搜索策略。将两个搜索策略在雇佣蜂阶段混合以平衡算法的探索与开发能力,在观察蜂阶段使用具有自适应机制、开发能力强的搜索策略以加快收敛。与基本及具有代表性的改进人工蜂群算法在20个标准测试函数中进行对比实验,结果表明所提算法具有更好的搜索能力和更快的收敛速度。     

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.     

电网调度自动化系统中的安全策略算法

电网调度的主要控制是倒闸操作不管是人工调度还是自动化谳度必须保证倒闸操作的正确和可靠。本语文在分析了人工调度中使用的安全策略后,提出倒闸操作的安全策略算法。从而在自动化调度系统中实现这种算法,简化了编程和光验．     

改进人工蜂群算法及其在边缘计算卸载的应用

移动边缘计算（MEC）通过将算力下沉到网络边缘来降低计算时延和设备能耗。针对计算密集型和时延敏感型应用场景,提出了一种单多维动态种群策略的人工蜂群算法（OMABC）来实现计算任务的卸载。建立一个包含云服务器的边缘计算卸载模型,并构建一个以能耗为惩罚项的代价函数;将计算任务的卸载决策转化为人工蜂群算法对代价函数的寻优过程。通过仿真实验,在CEC 2017测试函数上验证了OMABC的有效性,并在边缘计算模型仿真中与本地卸载策略、随机卸载策略、基于粒子群算法（PSO）的卸载策略、基于人工蜂群算法（ABC）的卸载策略进行对比。实验结果表明,基于OMABC的边缘计算卸载策略能够有效降低MEC系统的时延及代价函数,提供更高效的服务。     

基于免疫算法的午饭时期层际高峰交通电梯群控制的动态优化

层际高峰交通是上行高峰、下行高峰与层间交通客流的融合,午饭交通就是发生在现代办公楼内的层际高峰交通之一,基于午饭时期层际高峰交通的特点,本文提出了一种利用人工免疫算法实现电梯群控制动态优化的策略．该策略采用两级优化控制,利用常规的THV算法对层站召唤分配实施局部优化,采用人工免疫算法定时对层站召唤分配实施全局优化．同单纯的THV算法相比,本文提出的组合算法将平均的系统等待时间降低了21．26%,仿真结果表明,本文提出的优化控制策略能够改善午饭时期电梯系统的服务性能,具有较好的现实意义和研究价值。     

异维学习人工蜂群算法*

针对人工蜂群算法局部搜索能力弱及易陷入局部最优的缺点,提出了一种改进的人工蜂群算法。首先,雇佣蜂使用全局最优引导的搜索策略,且引导程度随个体试验次数()自适应减小,以此平衡算法的全局和局部搜索能力。其次,观察蜂采用变异的异维学习策略,使算法的搜索具有跳跃性,以提高跳出局部最优的概率。对8个经典基准测试函数和CEC2013中8个复合基准函数的测试结果表明,与多种最近提出的类似算法相比,新算法在收敛速度和解的精度均具有显著优势。     

改进的人工鱼群算法及其在无线定位中的应用*

摘 要：人工鱼群算法是一种基于动物行为的群体智能优化算法。针对基本鱼群算法收敛速度慢和在算法运行后期搜索盲目性较大等问题,给出了一种改进的鱼群算法。该算法采用可变视野,在搜索的后期使用随机步长,并给出了局部最优人工鱼移动策略,较好地平衡了全局搜索能力和局部搜索能力;在假设目标函数分布未知的情况下,规范了人工鱼的各种行为,给出了明确的收敛条件。在文章最后,结合蜂窝网中以功率值作为测量参数的无线定位问题,给出一种基于人工鱼群算法的分布式定位方法。仿真实验表明,该方法实现简单,全局搜索能力强,满足了定位的有效性和实时性。