Tabu Search for Vehicle Routing Problems (VRPs)

Vehicle Routing Problems (VRPs) considered in this paper involve a set of engineers operating from one base and a set of geographically distributed jobs or services to be performed by them under the given technological and temporal constraints. All engineers have different time-windows for their working and the technological constraints specify their competence to do jobs which can be performed within the given time-windows. A solution to a VRP is the scheduling of jobs among different engineers so that these jobs can be performed in minimum cost with all the temporal and technological constraints satisfied. The objective is to maximize the work done measured in terms of total number of jobs completed and minimize the total distance travelled by all the engineers. Three types of VRPs considered are under, critically and over resourced VRPs. VRPs belong to the class of NP-Complete problems. This paper investigates experimentally the application of an iterative method Tabu Search (TS) [5] in solving all the three types of randomly generated VRPs. The performance of TS is measured in terms of the number of unallocated jobs left and the cost of the solution measured in terms of total distance travelled by all the engineers. Starting with a given initial solution, TS attempts to obtain a near optimal solution containing the minimum number of unallocated jobs and the minimum cost. It is compared with the Hill-Climbing (HC) algorithm also used to solve same VRPs. In almost all cases, TS performs better than HC. However, in some cases, HC is found to give better results in terms of number of unallocated jobs.     

基于遗传模拟退火算法的模糊聚类方法

首先对模糊C-均值聚类算法做了简要分析和评论,根据其特点,提出了一种基于遗传模拟退火算法的聚类分析方法,从而提高了遗传算法的全局搜索能力。算法中采用了适合于模糊聚类的树型编码方案,实验表明,该算法可克服系统对数据集及初始聚类中心的敏感性,避免陷入局部极小,具有良好的准确性与可靠性,在模式识别、数据挖掘等领域有着广泛的应用前景。     

基于遗传模拟退火算法的门阵列布局方法

为实现门阵列模式布局,将遗传算法与模拟退火算法相结合,提出一种新的遗传模拟退火算法,利用遗传算法进行全局搜索,利用模拟退火法进行局部搜索,在进化过程中采用精英保留策略,对进化结果进行有选择的模拟退火操作,既加强了局部搜索能力又防止陷入局部最优。实验结果表明,与传统遗传算法相比,该算法能够有效提高全局搜索能力。     

基于遗传算法和模拟退火算法的TDOA定位技术

提出一种基于遗传算法与模拟退火算法的TDOA定位估计算法,该算法通过对求解定位坐标计算时的最大似然函数进行求解,实现了利用所有TDOA测量值对移动台的定位估计。该算法采用实数编码,自适应交叉率和变异率实现遗传算法的全局搜索,引入模拟退火的Boltzmann机制,解决遗传算法容易陷入局部最优的问题。实验结果表明,该算法定位精度高、收敛速度快。     

混合遗传算法与模拟退火法

论文将适合全局搜索的遗传算法(GA)和适合局部搜索的模拟退火算法(SA)相结合,提出了混合GA-SA计算方法。一方面,算法采用混沌初始化,提高了初始群体的质量;另一方面,算法采用Gray编码以及动态自适应调节交叉概率和变异概率,提高了收敛速度,并有效防止种群早熟现象。实例验证了该算法的可行性和有效性。     

基于模拟退火的混合遗传算法研究

针对常规遗传算法会出现早熟现象、局部寻优能力较差等不足,在遗传算法运行中融入模拟退火算法算子,实现了模拟退火的良好局部搜索能力与遗传算法的全局搜索能力的结合。经验证,该混合算法可以显著提高遗传算法的运行效率和优化性能。     

一种求解QoS约束组播路由问题的遗传算法*

针对多维QoS约束的组播路由问题,提出了一种基于遗传算法的解决方案QCMRA-GA(GA of QoS Constraints Multicast Routing Algorithm).该算法对经典遗传算法的三大算子进行了重新设计,有效地克服了遗传算法的早熟现象.对染色体进行Prufer树型编码,可以避免回路的产生,并根据编码特性,进行基于叶子节点和Steiner节点的解空间压缩,提高了算法的收敛速度.实验表明QCMRA-GA的正确性和效率性.     

基于模拟退火遗传算法的控制系统优化设计

提出了一种基于模拟退火遗传算法的线性系统优化设计方法。该方法以控制系统的性能指标,包括瞬态指标和稳态指标及其组合为目标函数,实现了由传递函数描述的控制器的自动设计,而不必预选择特定的控制方案。遗传算法使用十进制数编码,配合使用模拟退火技术来得到更精细的调整。使用这种方法,不需要手工计算,就可以获得控制系统的最优性能。该设计方法还可以应用于非线性对象。     

基于多目标遗传算法求解时间窗车辆路径问题

有别于传统的单目标方法,将带时间窗约束的车辆路径问题描述成为一个多目标最优化问题,并为之提出了一种多目标遗传算法。在算法中设计了擂台法则作为构造非支配集的方法,提出了可变爬山率的局部爬山法,并通过将组合种群分成多层非支配集来实现精英保留策略。实验结果表明,该算法能有效地求解车辆路径问题并且为决策者提供了强有力的决策支持。     

遗传退火算法在软硬件划分中的应用

针对基于IP核的软硬件划分组合问题,提出一种改进的自适应最优保存的遗传退火算法。将最优保存遗传算法和模拟退火算法相结合,把循环策略应用到混合算法中,并在变异概率中引入自适应的概率变化,自适应地保存最优个体,有效地解决了这2种算法的早熟现象和时间问题。仿真实验表明该算法有效地解决了软硬件划分问题,具有较强的搜索和跳出局部最优的能力。     

基于快速遗传算法的指纹匹配

针对标准遗传算法(GA)存在收敛速度慢且容易早熟的现象,提出一种快速GA算法,将其应用于全局点模式指纹匹配中。该算法通过在迭代过程中逐步缩小种群规模与优秀个体数目,降低突变概率,并尽量选择适应值高的个体,使匹配过程快速收敛于全局最优解。实验结果表明,该算法能提高指纹匹配的速度和准确率。     

并行遗行／模拟退火混合算法及其应用

1 引言人们常常应用随机优化方法,例如:遗传算法GA(Genetic Algorithms),模拟退火算法SA(Simulated Annealing),爬山算法HC(Hill Climbing),Tabu算法等,解决复杂的非线性函数优化问题。这些方法通常需要大量的计算,从而导致运行时间开销较大。随着计算机及网络技术的高速发展,在高性能计算平台上并行化随机优化方法成为当今研究领域的热门。特别是Beowulf PCs Cluster技术的成熟,为研究人员提供了     

基于PSO和变异模拟退火的QoS单播路由算法

为了研发更高性能的QoS单播路由算法,提出变异退火粒子群优化（MSAPSO）算法。MSAPSO算法中使用一种新的。算子,将粒子群优化（PSO）的迭代公式简化成一个公式。通过设计变异退火算子,将遗传算法的变异操作和模拟退火的Meuopofis概率接受准则融入PSO,以改善粒子群的多样性和算法的收敛性。仿真结果表明MSAPSO在搜索成功率和收敛性上优于纯PSO算法和蚁群算法。     

基于退火遗传算法的单元测试方法

为提高单元测试的效率,提出一种基于退火遗传算法的自动化单元测试方法。将遗传算子与进化代数进行关联,使其更快收敛于最优解。采用基于分支距离的方法构造适应值函数,根据代码转换功能,将判定结点处的代码转换为平行结构、将分支距离量化为[0, 1]之间的数。实验结果表明,该方法能以更短的时间获得更高的代码覆盖率。     

A Comparative Study Of Global Optimization Approaches To Meg Source Localization

It is well-known that the problem of MEG source localization can be cast as an optimization problem. So far, there have been many works in which various optimization methods were adopted for source localization. In this paper, we compare the performance of three typical and widely used optimization techniques for a specific MEG source localization problem. We first introduce a hybrid algorithm by combining genetic and local search strategies to overcome disadvantages of conventional genetic algorithms. Second, we apply the tabu search, a widely used optimization method in combinational optimization and discrete mathematics, to source localization. To the best of our knowledge, this is the first attempt in the literature to apply tabu search to MEG/EEG source localization. Third, in order to further compare the performance of the above algorithms, simulated annealing is also applied to MEG source localization problem. The computer simulation results show that our local genetic algorithm is the most effective approach to dipole localization, and the tabu search method is also a very good strategy for this problem.     

基于扩张矩阵和GA的入侵检测新方法

提出了一种新的基于扩张矩阵和遗传算法理论产生最优检测规则的方法。该方法产生的规则简单、能够反映问题的本质。实验结果表明,它的检测效果优于同类的其它方法。     

基于PBIL进化算法的时延受限组播路由算法

分布式实时多媒体的大量应用对能有效支持服务质量(QoS)的组播路由算法提出了迫切的要求,由于其NP-Complete特性,只能采用启发式算法。该文提出了一种基于PBIL(Population-BasedIncrementalLearning)进化算法的时延受限组播路由算法,该算法有效结合了遗传算法的进化特性与竞争学习算法的特点,实施简单,仿真表明它不但显著提高了收敛速度,而且能以较大概率收敛到最优解。     

有数量限制的开放式车辆路径加速算法

设计有数量限制的开放式车辆路径加速禁忌搜索算法,将所有点(包括客户和仓库)做Delaunay三角剖分后,限制问题的解的大多数边与Delaunay三角剖分的边重合。实验结果表明,该算法在保证寻求到相对较优解的前提下,执行速度得到大幅度的提升,解与上界关联紧密,可以应用到其他启发式搜索问题的求解中。     

模拟退火多亲遗传数据生成算法研究

针对航天测控实时数据驱动软件测试数据结构复杂、构造困难的特点,提出基于模拟退火多亲遗传算法的测试数据自动生成算法,给出算法中适应度函数选择方法和变异函数退火控制策略,分析算法实际应用结果。实测数据证明采用该算法构造测试用例测试发现的软件缺陷多于普通数据生成算法近30%。     

新型遗传模拟退火算法求解带VRPTW问题

为了克服现有遗传算法不能有效求解时间窗车辆路径问题的缺陷,提出了一种由遗传算法结合模拟退火算法的混合算法求解该问题,并与遗传算法进行了比较。该算法利用了模拟退火算法具有较强的局部搜索能力的特性,有效地克服了传统遗传算法的“早熟收敛”问题。实验结果表明,该算法具有计算效率高、收敛速度快和求解质量优的特点,是解决车辆路径问题的有效方法。