求解TSP的量子遗传算法

量子遗传算法(QGA)在求解数值和组合优化问题时效率明显优于传统进化算法,但目前较多被用于求解组合优化的背包问题,为了充分发挥QGA的优点,文中用其求解TSP这一经典的NP难问题.首先,文中设计了一种利用几率幅值编码的新的编码方式,即利用几率幅值编码的量子个体与一组向量对应,而此向量又与一条可行路径一一对应.这样的编码方式不仅缩小了种群规模,占用较少内存,所得的解均可行,而且有效地增强了种群的多样性;其次,在量子个体上实施量子杂交,这一操作有利于保留相对较好的基因段;最后,为了加快算法的收敛速度,引入两阶段局部搜索,第一阶段主要针对实例中排列稀疏处的城市进行优化,第二阶段在第一阶段的基础上着重对排列密集处的城市优化.据此,设计了解TSP的一个新的高效的QGA,并证明了其以概率1收敛到全局最优解;测定算法性能的数值实验数据表明,该算法在种群规模较小,迭代次数较少的情况下就可以收敛到已知最优解.  

基于QPSO方法优化求解TSP

针对粒子群优化算法PSO求解旅行商问题TSP收敛速度不够快的缺陷,提出利用量子粒子群优化算法QPSO求解TSP,在交换子和交换序概念的基础上,以Matlab语言为开发工具实现了TSP最佳路径的求解.实验表明改造QPSO算法用于优化求解14点的TSP,能够迅速得到最优解,收敛速度加快,搜索效率得到较大水平提高;QPSO方法在求解组合优化问题中将非常有效.  

Matlab遗传算法工具箱在非线性优化中的应用

投影寻踪是一种降维处理技术,通过它可以将多维分析问题通过投影方向转化为一维问题分析.应用该法的关键在于寻求最佳投影方向,这可以转化为一个复杂的非线性优化问题来进行解决.选取某地区大气环境质量评价的投影寻踪评价模型,编制相关的目标函数和约束函数,应用基于MATLAB的遗传算法和直接搜索工具箱进行优化求解.结果表明:该工具箱在求解此类非线性优化问题上的有效性和方便性,从而为各领域应用投影寻踪模型提供了强有力的优化工具.  

用随机神经网络优化求解改进算法的研究

随机神经网络是一种仿照实际的生物神经网络的生理机制而定义的网络，其网络结构及应用具有自身的特点。在详细讨论了动态随机神经网络求解典型NP优化问题TSP的算法的同时，特别提出了一种有效改进算法，使得参数在简单选取的情况下保证能量函数的下降，在组合优化问题上具有普遍意义，并且在10城市TSP对改进算法进行验证，指出RNN是解决TSP问题的有效途径。  

基于混合量子遗传算法的过程神经元网络训练 *

针对过程神经元网络现有学习算法复杂度高、对初值敏感的问题，提出了一种基于混合量子遗传算法 的过程神经元网络训练方法。将过程神经元网络的训练转换为等价非线性方程组的优化求解问题，用量子比特 构成染色体，采用实数对染色体进行编码，同时引入拟牛顿算法作局部搜索。该算法可发挥量子遗传算法的群 体搜索能力和全局收敛性，以及拟牛顿法较快的收敛速度，同时有效克服了拟牛顿算法对初值敏感的问题。训 练结果表明，此算法具有较好的稳定性和有效性。  

求解0-1背包问题的交叉熵方法

交叉熵方法是近几年发展起来的一种优化方法,被应用到许多组合优化问题的求解中并显示出很好的性能.文中使用交叉熵方法来求解一种经典的组合优化问题-0-1背包问题.具体方法是:首先按Bernoulli分布生成变量的随机样本,并根据约束条件修正样本,求出目标函数值样本,然后按照交叉熵最小原理建立分布参数的更新规则.建立了基于交叉熵方法的背包问题求解算法.数值实验表明,与目前常用方法相比,该方法在收敛速度和稳定性上都有较大的优势.  

智能算法在全终端网络可靠性优化设计中的应用

在计算机通信网络建设过程中,通信主干网的高可靠性一直是广大设计者和用户所关心的重大问题,分析了通信主干网的全终端可靠性优化设计问题,针对一种典型可靠性优化模型,分别设计了用于求解该模型的改进遗传算法、模拟退火算法、改进蚁群算法以及改进粒子群算法,并对该模型进行了优化求解,计算机仿真实例表明:粒子群算法在算法的优化质量和收敛速度上都优于其它三种算法,能够取得满意的优化结果,具有一定的实用价值.  

非线性系统模型预测控制若干基本特点与主题回顾

随着线性系统模型预测控制的大量成功应用,基于非线性模型的预测控制简称非线性预测控制(NMPC)在近20年来引起了广泛关注,并取得了丰富的研究成果.本文在阐述NMPC基本原理和特点的基础上,分别从优化可行性、稳定性、鲁棒性、优化求解、吸引域等主题出发,分析并总结NMPC的研究现状.最后,在指出NMPC有待进一步深入研究问题的同时,展望当前NMPC的一些研究方向.  

进化策略求解Hopfield神经网络

提出了一种进化策略求解ＨＯｐｆｉｅｌｄ神经网络的方法。该进化策略分三个阶段，即第一阶段只在较小区间上求出局部优化解；然后，在此基础上，由第二阶段求出较大区间上的局部优化解；最后由第三阶段求出全局优化解。同时采用Ｈｏｐｆｉｅｌｄ神经网络动态方程指导第一阶段的局部进化策略的进化方向，因而大大加快了优化搜索速度。在分阶段的进化策略中，其第一阶段只需搜索较小区间、第二和第三阶段的搜索则建立在其前一阶段的基  

倒摆的遗传算法控制

本文首先详细地阐述了遗传算法的原理和实现方法，并针对倒摆系统设计了遗传算法的求解方案，仿真实验结果表明，遗传算法可以有效地解决倒摆的平衡控制问题，文中给出了算法结构对于其它优化控制问题也有实际参考价值。