蝉鸣优化算法在组合优化问题中的应用

文献(1)提出了蝉鸣优化(CSO)算法,利用CSO、 PSO和DE对9个高维Benchmark函数的仿真,得到了非常好的优化结果,该算法尚未在组合优化问题中应用,本文利用CSO算法对旅行商问题(TSP),这一典型的组合优化问题,进行优化,建立了CSO算法解决TSP问题的模型,并利用MATLAB进行仿真。实验结果表明, CSO也是一种非常适于求解组合最优化问题的进化算法。     

蚁群算法在GIS最短路径求解中应用的初步研究

最短路径的求解是GIS应用中的主要问题之一。在传统的最短路径求解算法中,Dijkstra算法和启发式搜索算法-A＊算法具有较好的效果,得到了广泛的应用。蚁群算法是由意大利学者Dorigo等人于20世纪90年代初期通过模拟自然界中蚂蚁集体寻径的行为而提出的一种基于种群的启发式仿生进化系统。蚁群算法最早成功应用于解决著名的旅行商问题,该算法采用了分布式正反馈并行计算机制,易于与其他方法结合,而且具有较强的鲁棒性,是一种很有前途的仿生优化算法。本文将对该算法应用于GIS中最短路径的求解方面的问题进行初步的研究。     

改进的蚁群算法在TSP问题中的应用

应用基本蚁群算法来求解TSP问题,在算法中引入去交叉策略,降低其计算复杂度,仿真算例表明,该方法能有效加快局部搜索能力,加快了大规模TSP问题的求解。     

应用人工蜂群算法求解旅行商问题

旅行商问题(TSP)是经典的组合优化问题之一。人工蜂群算法是近年来被提出的一种新的智能启发式算法。根据旅行商问题的模型特点,设计人工蜂群算法对算例进行仿真求解。同时将人工蜂群算法与遗传算法进行对比,结果表明:人工蜂群算法可以有效的求解旅行商问题,在收敛速度、计算效率、稳定性方面相对遗传算法具有一定的优势。     

地下工程围岩参数反演的仿生算法及其工程应用研究

围岩参数优化反演实质为一个高度复杂的非线性函数优化问题,采用传统局部优化技术存在依赖于初值、易失败等缺点,而进化算法这种全局优化方法却可以很好地解决此问题.但常用的遗传算法存在效率低等缺点,结合免疫系统原理及进化规划机制提出的新型仿生算法--免疫进化规划可以克服遗传算法的缺点.通过某水电站工程洞室围岩参数反演研究,证明了仿生算法参数反演的合理性、有效性.     

采用基于遗传算法的文化基因算法求解TSP问题

为更好地求解旅行商问题,本文提出了一种基于遗传算法的文化基因算法。将2-opt作为局部搜索算子,融入到遗传算法中,以加快遗传算法的收敛速度和提高解的局部搜索能力。遗传算法具有全局搜索的能力,2-opt具有局部搜索的特点,嵌入2-opt局部搜索的遗传算法力图在全局和局部搜索中达到平衡和融合,使之更有效地解决TSP问题。为检测算法的性能,将该算法用于解决标准的TSP测试问题,并将测试结果与标准的遗传算法及蚁群、粒子群等其它一些优秀的算法的实验结果做了比较,数值实验结果证明了算法的有效性。     

粒子群算法求解函数优化问题

求解函数优化问题的方法有很多种,如传统求解函数优化问题的算法有:罚函数、解析法等。但这些传统算法都存在运行慢、收敛性差、迭代次数过多缺点。针对这些问题,本文引入粒子群优化算法进行函数优化问题求解,该算法收敛速度快、结构简单、调节参数少、易于实现等优点。经过充分发挥粒子群算法的优点,解决了传统优化算法中存在的不足。最后,仿真实验结果表明,粒子群优化算法是可行的和有效的。     

资源有限下的公共建设项目进度优化研究--基于改进的蚁群优化算法

进度优化是施工项目计划的一个重要方面,文章提出了运用改进的蚁群优化算法来解决资源有限下的公共建设项目的进度优化问题,通过对西安北客站的实例的分析,进一步验证了蚁群优化算法对进度优化问题的求解具有普遍适用性。     

基于微粒群算法的工程项目质量、费用和工期综合优化

进度、费用和质量称为工程项目的三大控制目标,三者之间相互依存、相互影响。工程项目控制的理想状态是同时实现合理的工期、较低的费用和较高的质量。微粒群算法(PSO)是新近出现的一种仿生算法,具有简单容易实现,而且随机搜索的优点,使得搜索不易陷于局部最优。将该算法引入工程项目优化领域,研究工程项目的质量、费用和工期的综合优化问题。系统介绍微粒群算法原理、流程以及算法的改进发展,研究工程项目质量、费用和工期的优化,并建立质量、费用和工期的多目标综合优化模型,介绍应用微粒群算法编码解决工程项目多目标优化的方法步骤。最后,通过一个应用实例,计算表明微粒群算法可以准确快速地解决工程项目多目标优化问题。     

基于基因表达式编程的混合蚁群算法

蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。针对此问题,本文提出了一种先用基因表达式编程生成信息素分布,再利用蚁群算法求优化解的新的混合算法。并通过求解复杂TSP问题的仿真数据实验验证了这种基于基因表达式编程的混合蚁群算法的高效性。