基于灾变遗传算法的数控冲床加工路径的优化

该文以数控冲床编辑与监控系统项目为背景,对数控冲床加工路径优化问题进行讨论。首先分析了数控冲床路径优化的基本原理,把加工路径优化抽象为TSP问题。然后采用效率较高的遗传算法对TSP问题进行求解,论述了遗传算法的具体实现。接下来为了解决遗传算法的容易陷入局部最优解的问题,加入了灾变算子来杀死当前的优质个体,使远离当前最优解的个体有充分的进化空间,从而使其跳出局部最优而更接近全局最优。最后对遗传算法和加入遗传算子的灾变遗传算法进行了比较分析,得出了灾变遗传算法在数控加工领域的更有优势的结论。     

基于遗传算法的医药配送路径规划

在物流配送业务中,存在许多优化决策的问题,该文只讨论物流配送路线规划问题。该文主要以医药物流配送为研究对象,将现实的地理网络抽象为便于计算机实现的抽象的点线网络。论文中选择了基于遗传算法作为该网络模型的分析算法的基础,并对配送线路进行了规划。     

基于遗传算法的PCB数控钻孔路径优化

目前,采用PCB数控钻孔自动编程系统获得的走刀路径并非最佳路径。论文将最佳走刀路径归结为TSP问题,将目标函数定位钻头走刀时间最短。详尽介绍了应用遗传算法解决该问题的具体算法。并通过实验讨论了变异算子和变异概率对优化结果的影响。     

ACR原型系统的全局路径规划遗传算法研究

ACR(物品自动运送机器人 )的全局路径规划是一种特殊而又典型的机器人路径规划问题, 可转化为一种TSP问题. 通过深入分析问题自身特性并辅以大量的仿真实验, 对遗传算法的选择、交叉、变异等操作及其相关参数作了深入细致的优化, 同时将“进化逆转”操作引入标准遗传算法框架中, 最终获得了一种性能良好的全局路径规划算法. 仿真结果表明, 此算法可在较短时间内求得最优解或准最优解.     

基于遗传算法的TSP优化问题

TSP问题是一个典型的组合优化问题,并且也是一个NP难题,其可能的路径总数与城市数目n成指数型增长,一般很难精确地求出其最优解。这里对BP问题提出了一种改进的遗传算法,通过对遗传算法的评估函数、交叉和变异方法以及参数选择等方面的分析和修改,构造了一种自适应函数以及交叉、变异方法。通过对CHN144的测试,实验结果证明此处提出的方法能更有效的求解TSP问题。     

对面域作图的DXF文件优化激光加工路径

DXF(Drawing Exchange File) 文件的图形元素通常是无序排列的,其图元数据在激光加工过程中无效行程多、效率低下。以DXF文件中记录的图形元素为对象,用面域作图技术将零散的加工图形尽可能编组为连续的封闭图组,从原点开始贪婪地选择到下一个图组起始点的最短路径,直至得到整个图纸的优化路径。算法时间复杂性为O(n2)。实验证明该算法应用到激光雕切加工中能减少光头的空走行程和开关光次数,提高加工效率。     

带有约束优化的遗传算法求解TSP

主要研究用遗传算法解决带有约束的TSP的方法。使用贪婪交叉算子、自适应变异算子和带有精英保留策略的选择算子相结合对基本遗传算法进行了改进,针对实际TSP中的约束条件讨论了罚方法在遗传算法中的应用,提出了自适应的惩罚函数,并将其与改进后的遗传算法相结合,解决了带有时间约束的TSP。通过对实验结果的比较分析,证明了该方法的可行性和有效性。     

求解广义旅行商问题的混合染色体遗传算法

提出了针对广义旅行商问题（GTSP）的混合染色体遗传算法（HCGA）。目前,广义染色体遗传算法（GCGA）是求解GTSP问题的最好方法,但这种方法在编码设计上存在不足,使得算法全局搜索能力较差。在GCGA算法基础上,设计了二进制和整数混合编码的染色体,并更新了交叉和变异算子设计,得到改进算法HCGA。理论和实验结果都说明：HCGA比GCGA等多种算法具有更强的全局搜索能力。     

基于遗传算法的多人旅行商问题求解

旅行商问题是一个经典的XP完全问题,多人旅行商问题的求解则更具挑战性。以往对求解多人旅行商问题的研究局限于以所有成员路径总和最小为优化标准,面对以所有成员路径最大值最小为优化标准的另一类多人旅行商问题却未加注意。文章给出了这两类多人旅行商问题的形式化描述,探讨了利用遗传算法求解这两类多人旅行商问题的基本思想和具体方案,进行了仿真实验验证。仿真实验数据表明,这是一种高效而且适应性强的多人旅行商问题求解方法。     

求解超大规模旅行商问题的纵深遗传算法

很多演化算法对初始参数设计都敏感,针对于不同的旅行商问题（Traveling Salesman Problem,TSP）实例需要进行相应的初始参数调整。并且,在求解超大规模TSP问题时容易陷于局部最优解。提出了一种纵深遗传算法的TSP问题求解方案,以及新的改良函数、变异函数和交叉函数。对pr1002（259 269.09）、pla85900（152 394 182.43）和brd14051（489 842.93）等实例都获得了比较好的优化解。实验表明该方案在求解TSP问题方面具有优势。     

遗传算法的FPGA硬件实现

针对遗传算法软件实现速度慢、效率低的缺点,提出了便于算法实现的串行和流水线两种硬件实现方案。详细描述了设计方案,选择算子、交叉变异算子结构,种群以及适应度的存储和流水线结构,并在流水线中引入并行机制。利用函数极值和旅行商问题分别对方案的资源耗费、运行速度的有效性进行了验证。实验结果显示,这两种硬件实现方法结构简单,资源耗费少,运算速度和运行效率较软件实现大大提高,运行速度平均提升2~3个数量级,为算法在一些实时性要求较高的场合得到应用提供了良好基础。     

基于近邻策略的旅行商问题求解

根据TSP问题的特征信息并借鉴邻域搜索算法的有关思想,提出了一种基于近邻策略的TSP问题求解算法,该算法首先依据TSP问题的特殊性求出相应的近邻模式,再将近邻模式用于初始种群的生成,而后在进化过程中随机引入这类模式。该算法可以大大缩短遗传进程,提高进化效率。通过仿真实验,验证了该算法的有效性,并且随着城市数目的增加其优越性更为明显。     

一种基于路径相似度的蚁群算法

提出了路径相似度的概念,并根据较优可行解与最优解的相似度,来进行路径选择和信息素更新,以求能更快加速收敛和防止早熟、停滞现象。该算法根据截之间的相似度,自适应地调整路径选择策略和信息量更新策略。基于旅行商问题的实验验证了算法比一般蚁群算法具有更好的全局搜索能力、收敛速度和解的多样性。     

量子遗传算法在TSP中的应用

本文提出了一种改进的量子遗传算法,其核心是对量子遗传算法中的量子旋转门的调整策略进行改进。在现有的静态、指数型动态调整策略的基础上提出了基于正弦函数的动态调整策略。文中对旅行商问题（TSP）的仿真实验结果表明：改进后的算法的优化质量和效率都优于遗传算法和一般量子遗传算法。     

基于猴群算法求解旅行商问题

鉴于旅行商问题是一个NP难问题,而猴群算法是一种新的群体智能优化算法,因此,利用猴群算法给出旅行商问题的求解。在分析了旅行商问题的特点后,采用整数编码的方式来表示猴群的位置,这样就解决了猴群算法在求解含有离散变量的组合优化问题时,算法中的爬过程失效的问题,有效地利用猴群算法求解旅行商问题。为了提高猴群算法的性能,在猴群算法的爬过程中,引入好动策略,给出改进算法,并将其应用到求解旅行商问题。在仿真实验中,与其他算法进行比较,结果表明利用改进猴群算法能够有效地求解旅行商问题。     

改进的模拟退火和遗传算法求解TSP问题

对遗传算法和模拟退火算法的特点进行了比较,阐述了遗传算法与模拟退火算法集合的必要性。提出了一个用于求解TSP问题的改进的模拟退火和遗传算法。利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。在遗传算法中改进了传统的交叉机制,利用父代染色体与子代染色体进行交叉,解决了传统遗传算法中存在的“早熟”问题。针对模拟退火算法收敛速度慢等问题,提出了新的解生成机制和改良算法,提高了算法的收敛速度。实验测试的结果表明,该方法具有较好的收敛效果和更高的稳定性。     

基于TSP的构建系统发生树的蚁群算法

受TSP问题的启发,提出一种基于TSP构建系统发生树的蚁群算法（TSP-PTC）。该算法将物种集合用一个带权图G表示,并利用蚁群算法在图中搜索一条最优路径,最终系统发生树用最优路径及距离矩阵构建而成。用该方法构建出来的系统发生树是一棵带权树,它不仅可以表示物种之间的进化关系,而且可以粗略地表示出物种之间的进化时间。     

基于遗传算法的TSP问题优化求解

旅行商问题（TSP）是典型的NP完全问题,本文运用遗传算法求解TSP问题,提出了该算法在解决这一问题中的一些处理方法,使用该算法能够较快地求出一批最短路径,可根据需要设置叠代代数,求得理想最优解。     

一种基于二次变异策略的改进型遗传算法

通过对基本遗传算法采用单点位变异和倒置变异两次变异操作进行改进,并把该算法应用到TSP问题的求解中。仿真结果表明,改进后的算法提高了种群的多样性,增强了算法的局部搜索能力,从而使最终找到的解比基本遗传算法更优。另外,二次变异的改进遗传算法对种群规模的敏感性比非二次变异的基本遗传算法更强,相同条件下当增大种群规模时,二次变异的改进算法能得到更优的解。