多重群体遗传算法在装箱问题中的应用研究

装箱问题是一个有很强应用背景的组合优化问题，求解极为困难。为有效解决该问题，提出了多重群体遗传算法，给出了具体的遗传算法步骤。在算法中采用新陈代谢的选择策略，以更好地保持进化过程中的遗传多样性。实践表明，引人多重群体遗传算法后，装箱效率有明显的改善和提高。     

基于免疫遗传算法的装箱问题求解

装箱是一类典型的ＮＰ完全问题．本文用一种免疫遗传算法来研究装箱问题的求解．免疫遗传算法在传统遗传算法的全局随机搜索基础上,借鉴生物免疫机制中抗体的多样性保持策略,大大提高了算法的群体多样性,实验表明,免疫遗传算法具有很好的全局收敛性,能有效解决装箱问题．     

基于群体编码方式的遗传算法求解装箱问题

就传统装箱问题提出了一种改进的混合遗传算法.该改进的遗传算法主要通过基于群体的编码方法,将每一个箱子视为一个群体,使得在进化过程中,只对群体部分进行操作,从而大大减少了冗余,克服了传统的基于物品编码或基于箱子编码的遗传算法的不足.仿真实验结果表明,该编码方式的遗传算法比基于物品编码的遗传算法显著提高了优化效果.     

多重群体遗传算法在多选择背包问题中的应用

为了解决多选择背包问题,引入了多重群体遗传算法作为求解方法,根据此问题的特点而制定了具体的杂交、变异方法,设计了遗传算法。在算法中以目标函数加惩罚函数为适应值评价函数,采用新陈代谢的选择策略,以更好地保持进化过程中的遗传多样性。实践表明,引入了多重群体遗传算法之后,求解此问题效率有明显的改善与提高。     

多重群体遗传算法在多选择背包问题中的应用

在解决多选择背包问题中，引入了多重群体遗传算法作为求解方法，根据此问题的特点，制定了具体的杂交、变异方法，设计了遗传算法。在算法中以目标函数加惩罚函数为适应值评价函数，采用新陈代谢的跨世代选择策略，以更好地保持进化过程中的遗传多样性。实践表明，引入了多重群体遗传算法之后，求解此问题效率有明显的改善与提高。     

使用混合人工鱼群算法求解装箱问题

装箱问题在实际生产中应用非常广泛,在分析该问题特点的基础上提出了使用类CF近似算法和人工鱼群算法相结合的混合人工鱼群算法求解装箱问题,并给出了具体的算法步骤。跟遗传算法的对比试验结果表明该算法在求解装箱问题所得的结果优于遗传算法,具有良好的应用前景。     

基于遗传算法的港口装箱问题的研究

随着港口之间的竞争不断白热化,如何提高港口的工作效率一直是研究港口问题的热点问题。装箱问题作为港口运作的重要组成部分,在港口体系中具有举足轻重的作用。该文利用遗传算法,对港口装箱问题进行了优化,改善了装箱的方法,提高了装箱的效率。     

基于 Unity3D 的多约束三维装箱系统设计

针对物流配送的装箱问题,论文设计了一款新型的基于遗传算法和 Unity3D物理引擎装箱系统。与传统的遗传算法相比,该系统在设计过程中定义了罚函数,将多目标函数变为约束问题,方便了对约束条件的扩展。该系统还添加了手动装载功能,使最终方案更加合理化、人性化。实验证明：利用改进的遗传算法计算的装箱方案在空间上能达到94％左右,但通过添加手动功能后,空间利用率可以被提高至97％以上,充分证明该设计对集装箱方案的优化有较大地帮助。     

混合遗传算法的装箱问题研究

本文针对物流优化中的装箱问题,采用混合遗传算法进行优化,并对传统的遗传算法进行改进,提出了一种新的初始近似最优解的编码产生方法——Max-Min算法。通过引入种群生态学,使种群规模的确定有了理论依据,使遗传算法能更好的体现生物进化规律。实例验证结果表明,本文所提出的混合遗传算法适合于装箱问题的有效求解。     

混合遗传算法的装箱问题研究

本文针对物流优化中的装箱问题,采用混合遗传算法进行优化,并对传统的遗传算法进行改进,提出了一种新的初始近似最优解的编码产生方法——Max-Min算法。通过引入种群生态学,使种群规模的确定有了理论依据,使遗传算法能更好的体现生物进化规律。实例验证结果表明,本文所提出的混合遗传算法适合于装箱问题的有效求解。     

基于遗传算法的分段Chen系统的参数估计

对比研究了单种群遗传算法和多种群遗传算法在分段Chen系统参数估计中的应用,通过构造一个合适的适应度函数,将Chen系统的多参数估计问题转化成一个多参数的寻优问题,利用遗传算法全局寻优性对其进行计算。仿真结果表明,相对于采用单种群遗传算法估计分段Chen系统参数,多种群遗传算法在准确性、鲁棒性方面具有明显的优势。     

一种求解TSP问题的多种群并行遗传算法

遗传算法是一种基于自然群体遗传机制的有效搜索算法,由于它在搜索空间中同时考虑许多点.减少了收敛于局部极值的可能,也增加了处理的并行性.因此可以利用并行遗传算法研究典型的TSP问题的求解.提出一种有效的多种群并行算法求解旅行商(TSP)问题,应用多种群遗传并行进化的思想,并在种群之间进行遗传信息交流,以解决经典遗传的收敛到局部最优值问题.仿真实验结果表明,方法在解的精度上以及解的质量上优于经典的遗传算法.     

基于DMDE算法的前向神经网络设计

针对神经网络结构与参数并行优化问题,提出一种基于动态多群体差分进化算法的前向神经网络设计方法。采用分层递阶结构原理构造算法个体,根据控制基因信息将个体分成不同的动态群体。通过对个体进行重构,实现进化过程中个体信息的充分交换与共享。设计基于群体适应度的控制基因更新方法来优化网络拓扑结构,克服结构优化的盲目与低效问题。将所设计的神经网络应用于大包线飞行控制律参数拟合中。仿真结果表明,该算法能快速有效地确定神经网络的结构和权值,所优化的网络在调参控制中具有较好的泛化能力。     

基于多子群的社会群体优化算法

社会群体优化算法(social group optimization,SGO)是一种基于社会群体学习而提出的一种新型优化算法。针对社会群体优化算法易于陷入局部最优问题,提出了一种多群社会群体学习算法（MPSGO）。本算法采用多子群学习方法,对算法两个阶段的个体学习方法进行改进,在维持群体收敛性能的前提下提高群体多样性,同时对部分个体中引入量子学习,使个体学习的有用信息得以增强;此外,每隔一定代数对子群进行随机重组,既能保证各子群个体充分进化,又维持了子群多样性。在设计算法的基础上,分析了其收敛性和多样性;通过与其他四种算法进行对比实验,验证了改进后算法性能更优。     

求解大规模0-1背包问题的主动进化遗传算法

针对遗传算法求解大规模0-1背包问题中存在的不足,将定向变异机制引入到遗传算法中,提出了基于主动进化遗传算法的0-1背包问题求解算法。该算法利用概率编码方案对种子个体进行编码,每代种群中的个体通过对该代种子个体进行测度而产生,用于定向变异的诱变因子将参与种子个体的进化。实验结果表明,该算法具有较好的全局寻优能力和执行效率。     

基于模拟退火遗传算法的自动组卷系统研究

从题库中抽出一组满足多项要求的试题是一个组合优化问题,针对该问题,比较了目前几种组卷算法的特点,提出把一种实数编码的模拟退火遗传算法应用在自动组卷问题中.为了对群体中每个个体进行调整并改善单一遗传算法的性能,该算法以遗传算法流程作为主体流程,在主流程中嵌入模拟退火算法.与现有遗传算法相比,该算法能较好地克服未成熟收敛现象,并且组卷的成功率和速度有明显的提高.     

基于模拟退火遗传算法的自动组卷系统的研究

从题库中抽出一组满足多项要求的试题是一组合优化问题,针对该问题,比较了目前几种组卷的特点,提出把一种实数编码的模拟退火遗传算法应用在自动组卷问题中。为了对群体中每个个体进行调整并改善单一遗传算法的性能,该算法以遗传算法流程作为主体流程,在主流程中嵌入模拟退火算法,与现有遗传算法相比,该算法能较好地克服未成熟收敛现象,并且组卷的成功率和速度有明显的提高。     

基于结构继承的贝叶斯网结构学习优化设计

采用遗传算法建立贝叶斯网络的优化学习结构,一直是贝叶斯网络研究倍受关注的课题.传统遗传算法的个体设计存在需要反复进行无环性检验的问题,降低了进化效率.针对这个问题,提出一种新的个体编码方式.考虑到进化过程中家族得分的可继承性,提出基于家族继承的结构评分改进算法,进而设计相应的改进遗传算法.实验结果表明,改进算法在BN建网精度与效率上都得到明显提升.     

多群体混合进化算法求解IPPS问题

针对工艺规划与调度集成（Integration of Process Planning and Scheduling, IPPS）问题求解复杂性,为提高求解效率,设计了包含探索种群,寻优种群和最优种群的多群体混合进化算法,通过运用混合遗传算法和基于聚类淘汰机制的差分进化算法分别更新探索种群中工艺链和加工顺序链,保持可行解多样性和差异性。然后利用克隆领域搜索算法完成寻优种群中可行解的克隆和领域搜索,进一步提高种群质量。最后按照精英保留策略更新最优种群获得全局最优解。并通过实例计算对比,结果显示算法搜索效率和求解质量均有明显改善,且稳定性较好,表明该算法求解IPPS问题的可行性及优越性。