基于启发式遗传算法的航班勤务编排算法

分析了国内外机组排班流程与算法的特点、我国民航局及航空公司的相关规定,构建了航班勤务编排问题的数学模型,研究了基于启发式遗传算法的求解方法.以遗传算法为皋础,采用顺序编码描述该问题,设计了可修正冗余解的译码方法,以及基于航段的交叉算子与变异算子.为加快可行性解的求解速度,提出了启发式初始种群生成策略、缩小解空间的启发式算子与启发式变异策略.提高了遗传算法的性能,增强了算法的搜索能力,改善了勤务编排质量及优化效果.     

遗传模拟退火算法在组播路由选择中的应用

本文研究基于带宽、时延及时延抖动约束最小代价的QoS组播路由优化算法.针对遗传算法在求解多目标优化问题时局部搜索能力弱、易早熟的缺陷,提出了一种基于遗传算法和模拟退火算法混合策略的多目标优化方法.该算法采用树结构编码机制和改进的交叉和变异算子,利用模拟退火算法在可行解范围内构造邻域解集,采用种群早熟评价函数进行局部细化...     

基于自适应退火遗传算法的车间日作业计划调度方法

遗传算法、模拟退火算法、最优个体保护法在全局收敛性、种群早熟化、收敛速度慢等方面存在应用缺陷.文中提出了自适应退火遗传算法解决车间日作业计划的调度问题.该算法针对遗传算法中组成编码串的变异概率在整个搜索过程中是固定不变的,而且取值较小,促使算法的求解过程很长,且易走向局部最小值,提出自适应变异概率的概念与理论改善遗传算法的收敛速度;针对选择算子对种群多样性的影响,提出整体退火选择的方式(Boltzmann概率选择机制)选择杂交母体,以克服种群早熟化,避免过早收敛.最后结合车间日作业计划静态调度模型给出求解算法和求解实例.     

基于记忆库拉马克进化算法的作业车间调度

多种群遗传算法相比遗传算法在性能上能够有所提高,但对具有较多局部最优解的作业车间调度问题,多种群遗传算法仍然难以改善易陷入局部最优解和局部搜索能力差的缺点.因此,提出了一种求解作业车间调度问题的新算法MGA-MBL(multi-population genetic algorithm based on memory-base and Lamarckian evolution for job shop scheduling problem).MGA-MBL在多种群遗传算法的基础上通过引入记忆库策略,不但使子种群间的个体可以进行信息交换,而且有利于保持整个种群的多样性;通过构造基于拉马克进化机制的局部搜索算子来提高多种群遗传算法中子种群进化的局部搜索能力.由于MGA-MBL采用了全局寻优能力较强的模拟退火算法对记忆库中的个体进行优化,从而缓解了多种群遗传算法易陷入局部最优解的问题,并提高了算法求解作业车间调度问题的性能.对著名的benchmark数据进行测试,实验结果证实了MGA-MBL在求解作业车间调度问题上的有效性.     

基于跳跃基因算子的改进实数遗传算法

为了避免遗传算法在求解数值优化问题时出现搜索能力差、多样性缺失等弊端,提出一种基于实数编码的改进遗传算法(IRCGA).算法集成两个特别设计的算子:模拟二进制跳跃基因算子(SBJG)和多方向交叉算子(MX).SBJG算子以染色体为操作对象,本质上模拟了二进制跳跃基因操作中的插入运动,即利用一种随机的方式将选定的染色体块插入到染色体位点,实现种群内部染色体间的转位,为种群提供额外的遗传多样性;MX算子通过增加交叉方向的方式扩大算子的搜索区域,从而提升后代个体质量与算法的搜索能力.在11个实例的基础上进行对比实验,结果表明,采用改进算子能够明显提升算法在求解数值优化问题时的性能,同时,相比于其他先进有效的算法,IRCGA具有较强的搜索能力且能够维持一定的种群多样性,从而验证了改进算法的有效性和可行性.     

非线性方程组求解的一种新方法

针对现有的非线性方程组求解方法不能同时收敛到所有解的问题,提出了一种混合小生境遗传算法的求解新方法.采用确定性拥挤小生境创造出种群的小生境进化环境,克服遗传算法的遗传漂移现象,维持种群的多样性,使算法能同时收敛到多个解;以拟牛顿算法作为遗传算法的局部搜索算子进行精确搜索,进一步提高算法收敛速度和精度.选择了几组典型的多解非线性方程组进行了求解验证,结果表明所设计的混合小生境遗传算法能在解的定义域内同时收敛到所有解,收敛速度快、精度高,是求解非线性方程组全局解的一种有效方法.     

基于目标空间划分的自适应多目标进化算法

目前,多目标进化算法在众多领域具有极高的应用价值,是优化领域的研究热点之一.分析已有多目标进化算法在保持种群多样性方面的不足并提出一种基于解空间划分的自适应多目标进化算法（space division basedadaptive multiobjective evolutionary algorithm,简称SDA-MOEA）来解决多目标优化问题.该方法首先将多目标优化问题的解空间划分为大量子空间,在算法进化过程中,每个子空间都保留一个非支配解集,以保证种群的多样性.另外,该方法根据每个子空间推进种群前进的距离,自适应地为每个子空间分配进化机会,以提高种群的进化速度.最后,利用3组共14个多目标优化问题检验SDA-MOEA的性能,并将SDA-MOEA与其他5个已有多目标进化算法进行对比分析.实验结果表明：在10个问题上,算法SDA-MOEA显著优于其他对比算法.     

基于克隆遗传的QoS多播路由优化模型

针对QoS组播路由问题的特点,采用固定长度的基因编码方式并利用克隆算子扩大遗传算法的种群规模,设计了自适应交叉算子和变异算子控制染色体的生成,从而有效保持群体的多样性,有利于算法寻找到全局的最优解.实验结果表明,经过改进的遗传算法具有良好的运行速度和收敛性,能有效解决QoS组播路由的问题,对于求解多目标节点的情况具有良好的效果.     

用于约束多目标优化问题的热力学遗传算法

为了保持所求得的约束多目标优化问题Pareto最优解的适应度与多样性,在NSGA-Ⅱ基础上提出了一种用于求解有约束的多目标优化问题的热力学遗传算法.结合热力学中自由能与熵的概念,利用热力学中熵与能量的竞争来保持种群的适应度与多样性的平衡,设计了热力学算子.根据非支配排序Pareto分层结构建立分层小生境来改进选择算子,弥补了选择算子不足.实验结果表明:该算法不仅得到的解在空间分布均匀,收敛性好,同时解集具有较广的分布空间.     

改进NSGA算法求解多目标柔性车间作业调度问题

在多目标柔性车间作业调度问题的研究中,求解算法与多目标处理至关重要。因此,基于非支配排序遗传算法提出了改进遗传算法求解该问题,设计了相应的矩阵编码、交叉算子,改进了非劣前沿分级方法,并提出了基于Pareto等级的自适应变异算子以及精英保留策略。实例计算表明,该算法可以利用传统遗传算法全局搜索能力的同时可以防止早熟现象的发生。改进非劣前沿分级方法可以快速得到Pareto最优解集,进一步减小了计算复杂度,而且可以根据种群的多样性改变变异概率,有利于保持种群多样性、发掘潜力个体。     

利用遗传算法实现试题库自动组卷问题

提出并实现了利用遗传算法求解试题库组卷的数学模型,定义了组卷问题的适应度函数,讨论了运用遗传算法求解在一定约束条件下的多目标参数优化问题,通过初始化种群、选择算子、交叉算子和变异算子,等过程不断进化,最后得到最优解,实验结果表明,遗传算法相对于其它算法更能有效的解决试题库自动组卷问题,提出了实现不相邻试卷分配的补遗随机算法,为求解类似的多目标约束问题及不相邻组合问题提供一种新的方法。     

基于改进遗传算法的PID参数优化研究

针对基本遗传算法收敛速度慢和寻优能力不足的问题,提出了一种基于实数编码的改进遗传算法.新算法中,初始种群由空间距离控制使其能够均匀分布于解空间;交叉操作采用等分组的方法,时每组内每两个个体均进行交叉,并择优选择,以扩大搜索空间:变异步长随进化代数自适应调整.将改进后的遗传算法运用于PID控制器参数优化中,通过仿真实验表明,新算法整定效果明显优于基本遗传算法,不仅解决了基本遗传算法存在的缺陷,而且提高了收敛速度与寻优精度.     

基于排序的改进自适应遗传算法

本文提出了一种改进的自适应遗传算法,其遗传算子由个体在种群中的排序位置自适应地决定,其中选择算子还引入了disruptive selection的思想.该算法能避免群体中超级个体的出现,维持了种群的多样性,加快了种群的收敛速度,克服了遗传算法早熟的现象.函数优化的结果验证了该算法的有效性.     

LO型曲线的自适应遗传算法研究

标准的遗传算法在设置交叉算子和变异算子时使用固定的值,这样在求解复杂的优化问题时会存在解的多样性差和早熟的缺点。传统的自适应算法在收敛速度和解的多样性上是有效的,但是在算子调整的过程中,对算法演化过程中不同阶段的侧重不够(搜索空间、搜索精度、优秀模式的保存及进化动力),这样会使算法的收敛速度变慢并且减少优良解的多样性。提出一种改进的自适应调整算法来提高收敛速度及优良解的多样性,用Logistics曲线按照个体的适应度对交叉和变异算子的大小进行非线性调整,使得算子在演化的过程中满足不同阶段对搜索空间和搜索精度的要求。通过实验验证,新算法在收敛速度、稳定性及优良解的多样性上比传统的自适应遗传算法有优势。     

基于蜂群遗传算法的0-1背包问题

针对0-1背包问题,本文提出了基于蜂群遗传算法的优化求解方案。该算法包括两个种群,一个主要用于全局搜索,另一个主要用于局部搜索;每个个体采用二进制编码;采用最优个体交叉策略;对当前解的处理措施是将还未装入背包且性价比最好的物品装进背包,直至不能装为止;不符合约束条件的解采用诱变因子指导变异处理;遗传算子包括单点交叉算子、简单变异算子、主动进化算子和抑制算子。本算法充分发挥了遗传算法的群体搜索和全局收敛的特性,快速地并行搜索,有效地克服了经典遗传算法容易陷入局部最优问题。数值实验表明,该算法在求解0-1背包问题中取得了较好的效果,同样可以应用于其它的组合优化问题。     

一类带约束动态多目标优化问题的进化算法

动态多目标约束优化问题是一类NP-Hard问题,定义了动态环境下进化种群中个体的序值和个体的约束度,结合这两个定义给出了一种选择算子.在一种环境变化判断算子下给出了求解环境变量取值于正整数集Z+的一类带约束动态多目标优化问题的进化算法.通过几个典型的Benchmark函数对算法的性能进行了测试,其结果表明新算法能够较好地求出带约束动态多目标优化问题在不同环境下质量较好、分布较均匀的Pareto最优解集.     

一种基于改进遗传算法的图着色算法

针对基于行结构的整数编码遗传算法在求解图着色问题时存在的2个主要问题：编码冗余引起的性能下降和遗传算法易“早熟”陷入局部最优,本文给出一种新的适应度值计算函数,能够使遗传算法对冗余编码获得相同的适应度值,从而将冗余编码作为同一编码处理,减少对冗余编码的无效操作,并且在此基础上,设计与适应度函数相适应的遗传算子,这些算子一方面能使遗传算法在前期产生优秀个体并且维护优秀个体对种群进化的引导作用,加速遗传算法的收敛;另一方面能在遗传算法后期对优秀个体进行爬山优化,弱化优秀个体对种群进化的控制作用,使遗传算法能够收敛到全局最优解。实验结果表明,本文的算法能够准确解决图的点着色问题,并且在时间性能上要优于穷举法和基本遗传算法。      

生成树编码遗传算法种群退化分析及抑制方法

种群退化现象导致了遗传算法对解空间区域进行重复搜索,从而降低了算法的搜索效率和延缓了算法的收敛,这源于重组算子、采样误差和变异算子的反作用力。通过对生成树编码遗传算法的研究,分析了重组算子的种群退化现象。证明了在解决固定费用运输问题时,重组算子发生种群退化现象的一个充分条件及其概率。针对种群退化现象提出了基于概率选择模型抑制算法（Probabilistic Selection Model Crossover,PSDC）,对其有效性进行了分析证明。与小生境技术相比,它具有可以通过控制选择概率来抑制种群退化和不需要额外的时间开销两大优势,这为遗传算法的设计和应用提供了理论研究依据。     

用于多峰值函数优化的对数自适应排挤遗传算法

排挤遗传算法能够比较稳定地获取多个峰值,但其求解效率不高,在有限的遗传代数下无法获得较高的求解精度,需要较多的迭代次数。为了快速求出多峰函数的所有最优解,提出了一种基于对数自适应的排挤遗传算法。该算法结合小生境排挤遗传和爬山算子,根据遗传代数对爬山算子的距离值进行对数自适应计算,使种群在遗传过程中保持多样性。通过对多个一维和二维多峰函数的实验和比较分析,测试结果表明,该算法在有限的遗传代数下既能保证求解精度又能提高收敛速度,能够比较稳定地求得所有最优解,是求解多峰函数问题的有效算法。     

经费分配中基于多目标优化的遗传规划模型

在传统遗传规划中引入多目标优化原理,探索新的经费分配方法和管理模式,建立了一种多目标优化的非线性遗传规划模型,提出了一种先进的基于正交试验的新型混合遗传算法来求解该问题.对求解过程中的选择算子、交叉算子和变异算子等进行正交试验,得到的种群个体明显优于基本遗传算法的个体.这种基于多目标优化的遗传规划模型能产生精度更高的最优解,通过对经费分配问题的实验验证,得到了较好的结果.