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。     

遗传算法在求解函数优化问题中的应用

函数优化是遗传算法的经典应用领域,也是对遗传算法进行性能评价的常用算例。由此,该文首先对遗传算法作了简介,并讨论了利用遗传算法求解函数优化问题的方法,最后给出了求解Rosenbrock香蕉函数优化实例。     

遗传算法与多Agent遗传算法操作与性能比较

该文主要介绍遗传算法及其改进的混合算法多Agent遗传算法在操作和性能上的差异,分析并证明了了遗传算法求解高维函数优化问题的局限性。通过实验证明了多Agent遗传算法的执行性能上较遗传算法具有很大的优越性,特别是在求解不高于400维的优化问题时。     

基于Matlab遗传算法工具箱的函数优化问题求解

介绍了遗传算法的基本原理和求解流程,详细阐述了Matlab遗传算法工具箱的使用方法,并通过使用遗传算法工具箱对一个典型的函数优化问题进行求解,验证了该工具箱在解决函数优化问题上的有效性和实用性     

基于小生境遗传算法的物流配送路径优化研究

通过对物流车辆配送过程的分析,建立了带时间窗约束的物流配送路径优化问题的数学模型。针对遗传算法具有早熟的缺点,将小生境技术引入遗传算法,构建小生境遗传算法。最后,将小生境遗传算法应用于所建立的物流配送路径优化模型的求解,实验结果表明小生境遗传算法在一定程度上可以避免标准遗传算法早熟现象的发生,提高了其求解物流配送路径优化问题的效率。     

多目标优化遗传算法的收敛性定义及实例研究

寻找非劣解集合是遗传算法求解多目标优化问题的目标,而标准的遗传算法收敛性分析方法对多目标遗传算法的分析并不合适。本文利用有限马尔科夫链给出了遗传算法求解多目标优化问题的两个收敛性定义,并给出了一个实例研究及进一步的工作计划。     

求解供应链优化问题的广义遗传算法

供应链优化研究是供应链管理中的一个重要问题,也是一个难题,针对该问题,提出了一个新型供应链优化模型,并且构造了广义遗传算法对其求解,该算法融入了特殊的演化规则,克服了遗传算法局部收敛的缺陷,提高了全局收敛的能力,实验表明对供应链优化问题的求解,广义遗传算法优于传统的遗传算法和分枝界定法。     

求解函数优化问题的遗传算法

从遗传算法的编码、遗传算子等方面剖析了遗传算法求解无约束函数优化问题的一般步骤,并以一个实例说明遗传算法能有效地解决函数优化问题。     

遗传算法的应用举例

遗传算法作为一种通用、高效的优化算法,已应用到工程计算的各个领域。该文首先简要阐述了遗传算法的基本原理和其操作步骤。同时为了验证其全局的寻优能力,采用MATLAB语言编制程序实现遗传算法对数值优化和旅行商问题的求解,需要说明的是这两类问题的程序编制和求解分别依赖于不同的已有遗传算法工具箱。为了便于说明遗传算法的优越性,分别将对数值优化和旅行商问题的计算结果与用局域搜索法和模拟退火得出的优化结果进行比较。比较结果表明,对于数值优化问题,遗传算法比局域搜索法具有更佳的寻优能力;对于旅行商问题的求解也能得到满意的结果。     

远亲杂交遗传算法及其在供应链优化中的应用

基于生物系统中普遍存在“远亲杂交优于近亲繁殖”的现象,提出了基于远亲杂交的遗传算法：远亲杂交保持演化群体良好的多样性,克服了遗传算法局部收敛的缺陷,提高了算法的全局搜索能力。针对供应链优化研究,本文提出了一个新型供应链优化模型,同时把新算法应用于求解该优化问题,结果表明,对供应链优化问题的求解,远亲杂交遗传算法优于基本遗传算法和分枝界定法。     

多目标遗传算法及在过程优化综合中的应用

化工过程的多目标优化综合问题可归结为多目标混合整数非线性规划(MOMINLP)模型的求解,求解方法主要有数学规划法和多目标进化算法。以多目标遗传算法(MOGA)为代表的进化算法被认为是特别适合求解此类问题。遗传算法大多用于单目标问题的优化,近十几年来将遗传算法应用到多目标优化的研究得到了很大的发展。本文对多目标遗传算法的一些重要概念、发展历程进行了回顾。针对化工过程的模型特点,对MOGA在过程综合中的应用研究进行了讨论,并认为混合遗传算法应是求解此类问题的有效算法。     

基于非线性控制系统优化的遗传算法研究

针对非线性控制系统参数优化问题,结合非线性控制系统理论、最优化理论及遗传算法,提出了一种新的仿真优化方法,该方法利用遗传算法来求解非线性控制系统参数优化问题。     

基于蚁群遗传算法混合编程的函数优化

为研究连续函数优化问题,基于图解的蚁群系统,提出二进制蚁群算法,并实现与遗传算法混合编程,以提高求解效率。算例表明,蚁群-遗传算法混合编程求解连续优化问题,收敛速度快,计算精度高,可用于求解实际工程问题。     

遗传算法在多目标优化应用中的对比研究

多目标优化应用研究在过程工程领域越来越受重视。本文首先给出了多目标优化问题的一般形式,指出多目标问题求解任务：引导搜索向整个的Pareto优化范围;Pareto优化前沿上保持解集的多样性。在简要论述遗传算法求解多目标技术的基础上,对应用了遗传算法求解多目标的两种方法进行了对比研究,并给出了线性加权遗传算法和一种多目标遗传算法的计算框图。指出线性加权法求解Pareto最优解时不能不能很好地处理非凸区域、均匀分布的权重值不能生成均匀分布的Pareto前沿等局限性,以及多目标遗传算法生成种群多样性及Pareto最优解均匀分布的优点,并用实例进行了验证说明。     

基于改进初始解的遗传算法的布局设计方法

带性能约束的三维布局问题属于具有很强应用背景的组合优化问题,进行了基于全局的布局求解方法的探索。由于NP完全问题的计算复杂性,使得遗传算法求解问题的全局最优解时效率较低。改进了遗传算法的初始解,对提高算法的效率进行了研究。并以旋转卫星舱布局的简化模型为背景,建立了多目标优化数学模型。实例结果与传统遗传算法以及乘子法的计算结果比较,表明该算法具有较好的求解效率。     

基于约束条件的软件可靠性优化问题的研究

基于遗传算法,将软件系统的可靠性优化问题表达为一类带约束条件的组合优化问题,较好地改善了搜索性能。模拟实验表明：遗传算法有效地提高了运行速度和求解质量。     

遗传算法在组合优化问题中的应用

本文通过分析遗传算法的机理和特点,介绍了遗传算法在组合优化问题中的应用。在组合优化的求解问题中,相比于其他优化算法,遗传算法具有一定的优势,但仍存在着严重的局限性。为此,本文对传统的遗传算法进行了改进,并通过TSP(旅行商)问题验证了算法的有效性。     

函数优化的遗传算法

遗传算法是一种有效的模拟进化算法,针对不同问题,编码方式多种多样。针对函数优化问题,阐述了不同的编码方式及遗传操作,在Matlab环境中用遗传算法实现求解函数优化问题。     

遗传算法在结构优化中的应用

采用遗传算法求解桁架结构优化设计问题,建立了平面桁架结构优化的数学模型,应用改进的自适应遗传算法对其进行求解。为了加快遗传算法进化过程,本文采用精英选择与轮盘赌选择相结合的策略,鲁棒性更好,收敛速度更快,拥有较强的寻优能力。算例表明,该遗传算法可用于桁架结构的优化设计,优化速度快,效率高,优化结果更加可靠。     

软件系统可靠性优化的一种改进方法研究

基于并行遗传算法将软件系统的可靠性优化问题表达为一类带约束条件的组合优化问题,并采用并行遗传算法中的岛屿模型和迁移策略,较好地改善了搜索性能。模拟实验表明:并行遗传算法有效地提高了运行速度和求解质量。