一种基于多岛遗传算法的火力优化分配方法

在实际作战中,如何合理分配火力单元,对保证作战效率、提高作战效能具有重要意义。针对多个火力单元对多个目标的火力分配问题,建立了火力分配数学模型,给出了基于多岛遗传算法的火力分配模型求解方法,并通过应用实例表明该方法是有效的、可行的。     

遗传算法种群多样性的分析研究

提出了一种新的种群多样性度量方法,给出了一组ＰＤ度量标准及计算公式,证明了它们之间的一个数量关系,分别以基因和个体为单元对ＰＤ进行了研究,揭示了ＰＤ的两种含义,实验证明本文引入的几种ＰＤ指标全面反映了ＧＡ的动态过程,完整描述了ＰＤ各个侧面的含义,克服了以前ＰＤ定义的局限性,将共用于ＧＡ的运行控制,可大幅度提高ＧＡ的全局收敛性能。     

遗传算法求解VRP的种群初始化改进

传统的遗传算法求解VRP时,初始种群多半采取随机生成法形成染色体方案,以致于迭代开始就可能形成许多不可行的方案,要进行大量的计算后才能得到优化的方案,这在很大程度上降低了算法的运算效率.论文提出的遗传编码策略,对初始种群给予基于知识型启发策略,使得初始种群一开始就表现为一种较优的状态.     

多线程并行紧致遗传算法的种群多样性研究

提出了一种新颖的多线程并行紧致遗传算法,该算法通过引入多线程机制来提高种群的多样性.基于连续优化问题的实验结果表明,所提出的多线程并行紧致遗传算法能够获得更好的种群多样性和取得更好的解质量.该算法同样可以应用到其他的演化计算领域.     

求解TSP问题的遗传算法改进研究

概述了遗传算法的基本原理及求解步骤。针对基本遗传算法在求解TSP(traveling salesman problem)问题时存在的收敛速度慢、种群多样性易遭到破坏、易收敛于局部最优解等问题,简要介绍了两阶段遗传算法、粗粒度遗传算法、混合遗传算法等几种算法对基本遗传算法所作的改进。分析了这几种改进遗传算法的基本原理、参数设置、遗传算子的操作方法。整理得出这些改进遗传算法在求解TSP问题时的操作步骤及它们存在的优缺点,最后提出了遗传算法未来在求解TSP问题时的发展趋势。     

基于适应度的多机器人任务分配策略

为提高多机器人任务分配方法的通用性和实用性，提出了一种分布式多机器人协作任务分配策略.根据多机器人任务特点，提出了多机器人任务分配必须满足的4个基本目标，并由目标制定相应的4条任务选择策略.按形式化思想为子任务建立了一个通用模型，模型包含了与任务选择相关的子任务基本属性和运行状态.结合子任务模型和任务选择策略，建立了一个子任务适应度模型，包含静态适应度、进度适应度、资源适应度和外部适应度4个分量，机器人根据适应度大小来选择子任务.仿真实验表明，应用该任务分配策略的协作异构多机器人系统对一类搬运任务具有很好的通用性，当任务发生变化和机器人发生故障时，机器人能够正确、及时地调整子任务，系统具有很好的实时性、灵活性和鲁棒性.系统能够实现机器人到子任务的最优映射，与其他任务分配方法相比明显缩短了任务执行时间.     

改进多种群遗传算法在墙土系统损伤识别中的应用

针对墙土系统损伤识别方法进行研究,提出了一种基于改进多种群遗传算法的墙土系统损伤识别方法。首先,建立了墙土系统动测简化模型,同时对土体发生损伤时墙土系统的特征方程进行理论分析,基于系统的特征方程构造目标函数;其次,对多种群遗传算法进行改进,改进的内容主要包括采用实数编码、采用自适应交叉概率、采用自适应变异概率;最后,利用改进多种群遗传算法分别进行了无噪声条件和噪声条件下的墙土系统损伤定位和定量研究。通过分析结果表明：无论对单处损伤还是多处损伤、单一损伤程度还是多损伤程度,按所提出的方法都能较好的识别出损伤位置和损伤程度,具有较强的抗噪声能力。因此,所提出的方法为墙土系统的损伤识别提供一种简单有效的途径。     

一种改进多目标灰狼优化算法的多无人机任务分配

针对多无人机对空中移动目标协同执行多任务问题,本文提出了一种基于并行机制的多目标灰狼优化算法.结合无人机空中态势模型,以最小化执行代价和最小化时间代价为双目标函数,建立了多无人机协同多任务分配模型;将多个无人机视为并行的灰狼子群,对每个子群分别采用分层编码和多目标优化算法保留其最优个体;通过档案室共享策略获得整个群体的...     

基于辅助种群分类的遗传算法

提出了基于辅助种群分类的遗传算法,该算法克服了辅助种群多样性不好的缺点,利用先验知识将辅助种群分为若干类,分类后辅助种群与主种群杂交更有利于后代的进化,同时也更好保证了种群的多样性.数值试验表明,改进的算法优于当前一些较好的遗传算法,并能跳出局部最优解从而求解出全局最优解.     

防空部署方案优选的组合优化遗传算法

建立了防空部署方案的组合优化遗传算法模型,该方法突破了传统的部署方案优选的局限性,现已初步应用于防空部署智能决策支持系统的研究中。     

基于多种群遗传算法的钢框架结构优化设计

传统的基于力学分析软件的结构设计方法存在效率低下、依靠专家经验等局限性,采用智能算法能实现高效的结构自动优化设计。然而,由于随机搜索特征,优化结果和收敛性高度依赖于算法的参数设置,需要通过试算来确定其合理取值,该方法会造成优化效率低、计算量大等问题。引入多种群协作和信息共享机制来改善此类问题,并研究其在结构优化设计中的适用性。利用MSC.Marc软件建立钢框架结构有限元模型,采用底部剪力法将地震作用等效为水平荷载施加到结构上,搭建有限元软件与智能算法的自动优化过程,以结构的总体材料用量最低为目标,考虑了层间位移角、应力比、构件稳定性和宽厚比等多种约束条件,以遗传算法为基础,通过适应度尺度变换、基于方向的交叉算子、非均匀变异算子、自适应概率、精英保留策略、重复项替代机制、基于约束的策略对其进行改进,引入多种群思想,对比多种算法优化结果的差异。结果表明：基于多种群的遗传算法能有效改善优化结果对算法参数的依赖性,提高结构优化设计的效率。     

基于自适应多种群遗传算法的特征选择

针对标准遗传算法早熟收敛和局部搜索能力弱的缺点,提出了一种自适应多种群的遗传算法(AMGA),包含了多种群规划模型(MPP)和动态选择操作算法(DSA),应用于特征选择处理,从多维特征集合中寻找最优的特征子集。该方法扩展了搜索空间,自适应地调整多个种群的运行状态,有效地控制早熟收敛,增强了局部搜索能力。最后,将本文方法与标准遗传算法的试验结果进行比较,表明本文算法选择的特征数量较少、分类精度较高,可广泛应用于特征选择领域。     

基于改进免疫遗传算法的网格任务调度

为改进网格计算中任务调度的低效问题,采用十进制的实数编码规则产生初始抗体群,由免疫遗传算法经过克隆和变异算子生成资源集合中的蚁群信息素,进而利用蚁群算法的并行性展开全局搜索,通过CloudSim仿真平台进行模拟,与粒子群算法及蚁群遗传算法进行对比,结果表明,改进的免疫遗传算法能够大幅提高网格计算任务调度效率,有效地解决网格任务调度问题.     

基于改进遗传算法的有功经济负荷分配

提出将爬山算法与遗传算法相结合,从而构成了求解有功负荷分配问题的混合遗传算法,并进行实验计算。计算结果表明,用混合遗传算法求解有功负荷分配问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和爬山算法在全局搜索能力方面的不足,从而得到质量较高的解。     

基于改进遗传算法的QoS移动网格任务调度

移动网格环境具有高度的动态性,任意时刻都可能发生资源的变化,任务调度因此变得复杂,提出了一种面向服务质量(QoS)的移动网格任务调度策略.建立资源和任务模型,定义任务优先级,将任务分成若干子集,子集内调度采用改进遗传算法,选取时延和跨度为QoS指标,编码和遗传操作上体现资源对任务QoS的匹配调度,使最优解尽力满足任务QoS;同一资源上分配的任务,按优先级顺序执行.仿真结果表明,调度算法可以较好地满足用户的QoS,调度跨度也较优.     

基于改进遗传算法的结构可靠度计算

针对传统的遗传算法容易产生早熟收敛现象以及局部搜索能力较差等缺陷,结合鱼群算法中具有加快寻优速度的追尾行为和克服局部极值能力较好的聚群行为对其进行改进。将改进后的遗传算法应用到框架结构的可靠度分析中,并以门式框架结构为例,建立了以单元截面积、外荷载为设计变量,可靠度指标为目标函数的优化模型。分别采用JC法与改进遗传算法对门式框架结构的可靠度指标进行对比计算,两种算法在同一验算点不同荷载值下的可靠度指标的计算结果相近,但改进后的遗传算法在分析过程中受到的约束条件较少,简单高效。     

基于免疫遗传算法的多机器人环境探索

针对多机器人环境探索中的任务分配和路径规划问题,将环境中所有待探索的任务点根据短距离优先策略分配至个体机器人,利用改进的免疫遗传算法对机器人分配到的任务点进行优化探索,提出了带有初始任务点优化的路径规划方法,使机器人能够不重复并且高效地遍历工作环境中的所有探索点.通过建立多机器人仿真实验系统,随机产生环境中的任务点和机器人等数据信息,并在此条件下对本文方法进行实验验证.结果表明,本文方法能够有效地实现多机器人环境探索问题.     

基于遗传算法求解全光网路由和波长分配问题

在Max-RWA模型的基础上提出了扩展的Max-RWA模型,引入了限定范围的波长转换器,并在简单考虑信号传输性能的基础上改进了优化目标,新的优化目标要求网络建立的连接数最大并使用尽可能少的波长转换器．数值结果和理论上界的对比表明文中遗传算法是稳定有效的．     

快速降阶匈牙利算法的云计算任务分配模型

为了提高云计算任务分配效率,在标准匈牙利算法的基础上,提出一种快速降阶优化算法的云计算任务分配模型.为实现快速求解全局任务分配问题,快速降阶算法不断排除已确定的分配方案对应的代价矩阵元素,从而快速降低矩阵的阶次.并可根据成本矩阵规模将矩阵分解成多个矩阵,使得该算法在任务和计算机不对等的情况下同样适用.论文最后的仿真结果表明,快速降阶匈牙利算法计算耗时远远小于匈牙利算法,并能有效提高计算机的利用率.     

一种基于改进遗传算法的组卷算法

为了能更好地解决组卷质量和组卷速度之间的矛盾,提出了一种基于整数分段编码的遗传算法．该算法在保证组卷预期效果的前提下,不仅搜索速度快,而且能够避免遗传算法中经常出现的“早熟现象”,具有很好的收敛性和实用性．实践结果表明,该方法可以有效地解决智能组卷中的约束优化问题．