拉丁超立方体抽样遗传算法求解图的二划分问题

图的二划分问题是一个典型的NP-hard组合优化问题, 在许多领域都有重要应用. 近年来, 传统遗传算法等各种智能优化方法被引入到该问题的求解中来, 但效果不理想. 基于理想浓度模型的机理分析, 利用拉丁超立方体抽样的理论和方法, 对遗传算法中的交叉操作进行了重新设计, 并在分析图二划分问题特点的基础上, 结合局部搜索策略, 给出了一个解决图二划分问题的新的遗传算法, 称之为拉丁超立方体抽样遗传算法. 通过将该算法与简单遗传算法和佳点集遗传算法进行求解图二划分问题的仿真模拟比较, 可以看出新的算法提高了求解的质量、速度和精度.     

均匀设计抽样混合遗传算法求解图的二划分问题

遗传算法(GA)的运行机理及特点是具有定向制导的随机搜索技术,其定向制导的原则是:导向以高适应度模式为祖先的"家族"方向。以此结论为基础,利用均匀设计抽样(UDS)的理论和方法,对遗传算法中的交叉操作进行重新设计,并在分析图二划分问题特点的基础上,结合局部搜索策略,给出了一个求解图二划分问题的新遗传算法,称之为基于均匀设计抽样的混合遗传算法。最后将该算法与简单遗传算法和佳点集遗传算法进行比较。通过模拟比较,可以看出新算法不但提高了算法的求解速度和精度,而且避免了常有的早期收敛现象。     

一种基于随机化均匀设计点集的遗传算法用于求解MVCP

基于理想浓度模型的机理分析,利用随机化均匀设计的理论和方法,对遗传算法中的交叉操作进行重新设计,并在分析图最小顶点覆盖问题特点的基础上,结合扫描-修正和局部改进策略,给出一个解决图最小顶点覆盖问题的遗传算法,称之为基于随机化均匀设计点集的遗传算法。通过将该算法与简单遗传算法和佳点集遗传算法进行求解图最小顶点覆盖问题的仿真模拟比较,可看出该算法提高求解的质量、速度和精度。     

一种实现网络k—划分优化的改进遗传算法研究

自动实现网络k-划分优化问题,属于组合优化的范畴。经典遗传算法求解这类问题效率不高。本文运用图的多划分理论对该问题加以分析,同时结合该问题本身的特点提出了一种改进遗传算法,该算法从编码方式、遗传操作、以及参数选取上对经典遗传算法进行了改进。最后将该算法应用到计算机网络的k-划分优化问题中,实际研究结果表明,该算法实现了自动网络划分优化的目的,且算法效率优于经典遗传算法。     

一种新的混合生产调度问题的优化求解

研究了一种新的生产调度问题的优化问题,针对这种新的调度模式,设计了一种两层遗传算法进行优化求解。算法采用了上下两层共同进化,上层遗传算法优化产品生产过程中每类产品对应每台设备所生产的物料类型的分配,下层遗传退火算法优化了所有产品子批量的一个排序。在算法的求解过程中,引入了针对该问题的一个新的批量加工时间计算方法来求得最大完成时间指标的值。最后通过系统仿真论证了算法以及批量完工时间计算的有效性。     

基于决策图贝叶斯优化进化算法的图K-划分算法

图K-划分问题是一种组合优化问题,可以归结为NP难题.针对该问题本文提出了一种基于决策图贝叶斯优化算法(Bayesian Optimization Algorithm with Decision Graphs,简称DBOA)的图K-划分,该算法利用新的编码和解码方法以及适当的适应度函数来求解图K-划分问题.仿真结果表明了该算法的可行性和有效性.     

佳点集遗传算法

该文借助于遗传算法的理想浓度模型以及由此模型对遗传算法的机理的分析,给出了遗传算法的运行机理发及特点,即遗传算法是一个具有定向制导的随机搜索技术,其定向制导的原则蛎：导向以高适应度模式为祖先的“家族”方向,以此结论为基础,利用数论中的佳点休的理论和方法,对GA算法中的交叉操作进行了重新设计,给出了一个新的GA算法,称之为佳点集遗传算法,最后作者将佳点GA算法应用于求解优化问题、SAT问题、TSP问题和背包问题,并与其它求解SAT算法进行比较,通过模拟比较,可以看出新的算法不但提高了算法的速度和精度,而且避免了其它方法常有的早期收敛的现象,这说明作者对GA算法机理的理解和佳点CA算法可能为GA算法的研究开辟一条新的途径。     

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。     

改进的遗传算法及其在求解MVCP中的应用

为改善传统遗传算法求解最小顶点覆盖问题时的效果,基于理想浓度模型,利用均匀设计抽样的理论和方法,对遗传算法中的交叉操作进行重新设计,结合局部搜索策略,提出一种新的遗传算法UGA。与标准遗传算法及佳点集遗传算法进行实例仿真比较,结果证明该算法可以提高求解的质量、速度和精度。     

基于遗传粒子群优化的嵌入式系统软硬件划分算法

针对单处理器嵌入式系统软硬件划分问题,采用带权有向无环图进行建模,并将之约简,进而转换为多约束条件的0/1背包问题求解.由于基本粒子群优化算法无法求解0/1背包问题,故将遗传算法中的交叉、变异思想引入粒子群优化算法,提出了求解离散组合优化问题的遗传粒子群优化(GPSO)算法,采用两点交叉算子和非均匀变异算子对粒子的位置和速度更新方法进行了重新定义.实验结果表明,采用文中算法能有效地解决软硬件划分问题,具有良好的全局搜索能力,其寻优能力和执行时间优于遗传算法和模拟退火算法.