改进的遗传算法在背包问题中的应用

介绍了一种最优保存遗传算法,针对该算法提出一种改进方案,一方面改变了保存最优个体的方法,另一方面对不满足约束条件的个体采用贪心策略进行改造,使其满足条件。最后通过一个具体的背包问题实例验证了改进算法的可行性和有效性。     

一种改进的贪心遗传混合算法在车间调度中的应用与研究

确定每台机器上各工件的投入顺序与投入时间是车间作业调度所要解决的问题,这种顺序必须和技术约束相容,使某一性能指标达到最优是其最终目的 .寻找高效的调度方法,可以极大的提高资源的利用率和生产效益。遗传算法具有自组织性,并行性和自适应性,对于组合优化问题的求解有着自己的独特的优势,很快便被引入到了车间调度问题的研究领域车间调度问题是典型的NP难题,为了克服传统遗传算法解决车间作业调度问题的局限性,综合遗传算法和局部搜索的优点,提出一种改进的遗传算法,即贪心算法与遗传算法相结合,并通过实验数据证明了该方法的有效性。     

量子概率编码遗传算法及其应用

该文提出了一种基于染色体量子概率编码的遗传算法--QCGA。与传统遗传算法不同,在QCGA中, 单个个体不再表示某一个确定解,而是解的取值概率分布,覆盖整个解空间;各个个体独立并行演化,个体间通过一个新的交叉算子实现演化信息的交换,同时设计了一个新的变异算子以增强算法的局部寻优能力。为了充分考察该算法的有效性和先进性,将其应用于典型函数优化、0-1背包问题和时间序列中频繁结构模式搜索等问题的求解。实验结果表明,与现有同类算法相比,该算法在具有很高搜索效率的同时,仍能维持很高的种群多样性, 因而适用于复杂优化问题的求解。     

最小布尔不可满足子式的求解算法

 解释布尔公式不可满足的原因在众多领域都具有非常重要的理论与应用价值,而最小不可满足子公式能够为公式不可满足的原因提供精确的解释,帮助自动化工具迅速定位错误,诊断问题失败的缘由.针对最小不可满足子式的求解问题,提出并证明了布尔公式最小不可满足性与极大可满足性之间的关系.基于二者的关系,提出了求解最小布尔不可满足子式的贪心遗传算法与蚁群算法,并且通过实验与当前最好的方法分支-限界算法进行了对比,结果表明:两种算法在运算效率以及单位时间内剔除的短句数上都显著优于分支-限界算法,而贪心遗传算法优于蚁群算法.     

改进的遗传算法求解背包问题

为提高遗传算法在解决背包问题时的局部搜索能力,在遗传算法中加入禁忌搜索的思想,用遗传算法做全局搜索,禁忌搜索辅助做局部搜索。文中阐述了遗传算法和禁忌搜索算法的基本思想,并给出了适用于背包问题的模型。通过具体事例测试改进的算法,其结果表明改进后的遗传算法拥有更好的性能和更快的收敛速度。     

免疫优势克隆算法

借鉴生物免疫学的有关理论,该文阐述了用于人工免疫系统的免疫优势概念,包括抗体免疫优势和抗原免疫优势。进一步地,构造了不同的免疫优势算子,并结合抗体克隆选择机理,提出了一种新的混合人工免疫系统算法一免疫优势克隆算法。0-1背包问题和复杂函数优化问题的仿真试验表明,新算法具有处理类似复杂问题的能力,且性能要优于相应的遗传算法。     

基于多种群遗传算法的多机器人路径规划

本文针对遗传算法在解决多机器人路径规划问题上存在的缺点,采用了一种基于多种群遗传算法的路径规划方法。将遗传算法并行应用于数个相对独立的子种群,并在路径规划过程中引入移民算子和人工选择算子。将多机器人路径规划问题简化为带制约条件限制的多背包问题和旅行商问题,并建立相对应的路径规划数学模型。由两种算法在MATLAB中仿真实验结果的对比分析可知,多种群遗传算法规划的路径在稳定性、收敛速度以及长度方面上具有优势。     

贪心算法在机房排课中的应用

通过分析机房排课的概况,提出机房排课中存在机房利用率不高的问题,分析机房排课中采用贪心算法的优势,建立了机房排课问题的数学模型,研究了贪心算法对机房排课问题的具体解法,有效提高了机房利用率.     

加油站选择问题的贪心解法

贪心算法以其简单、直观、有效而受到人们的重视，特别是对于具有最优子结构和贪心选择性质的一类实际问题．它一般可以通过一系列局部最优选择来获得整体最优解。本文首先对加油站选择问题进行了分析，并给出了该类问题的贪心解法，同时对所提出算法的时间复杂度进行了分析。实验结果验证了所提出方法的有效性。     

基于贪心蚁群算法的生鲜配送全局路径规划

人们生活质量的提高,使得生鲜产品的种类和需求增加,而生鲜配送过程中存在的物流成本高、易腐烂变质、车辆载重率低、送达时效性低等问题,因此传统的配送方式已经难以适应生鲜物流的需求。通过研究贪心算法和蚁群算法,将贪心算法引入到蚁群算法中来提高蚁群算法的局部搜索能力,从而来设计出贪心蚁群算法,利用贪心蚁群算法得出优化后的车辆配送路线。通过将贪心蚁群算法、贪心算法和蚁群算法对比后,结果表明贪心蚁群算法能够在原有基础上优化路径,达到生鲜配送路径最短、有效降低成本的目标。     

基于贪婪算法的系统级故障的概率诊断

概率诊断算法是系统级故障诊断研究的一个重要方面,本文在集团理论的基础上,利用贪婪算法中不同贪婪准则提出了四个概率诊断算法.通过对诊断算法进行仿真,分析比较了各算法的性能,每种算法在较少的测试数情况下,均表现出较高的诊断正确率,且时间复杂度不高.四种贪婪算法中贪婪算法一的性能最优,实验结果表明,相对于经典的概率诊断算法—Compete算法与Majority算法,相同条件下,在诊断正确率上贪婪算法一要远好于Majority算法,在时间复杂度上要好于Compete算法,综合性能上要优于此两种概率诊断算法.     

基于差分进化和贪心策略的自定义指令选择算法研究

 本文针对常见启发式算法中忽略指令与指令实例区别的问题,改进了一个已有启发式算法GreedyHeur:根据指令实例的启发式函数值得出相应指令的权值,并根据指令的优先级关系以贪心策略进行指令实例选择.针对启发式算法无法找到最优解的问题,本文引入基于群体搜索的差分进化算法,并结合贪心策略,提出了ISDE(Instruction Selection Based on Differential Evolution)算法.ISDE算法通过简单的编码和高效的适应度评价机制,快速地迭代搜索最优指令组合.实验结果表明,GreedyHeur和ISDE算法能快速有效地找到比已有启发式算法更优的候选指令组合.     

Joining of compacted cells using genetic algorithm

The authors study the minimum joining area for k compacted cells in a row using a genetic algorithm. The genetic algorithm approach has obtained optimal results in many test cases and yielded significantly better results compared to greedy and local search algorithms     

基于混合算法的智能排课系统

传统采用单一排课算法设计的排课系统,编排出的课程表总是与期望结果相差太大。为了使课表编排结果能满足教学要求,在此对排课约束条件进行了详细分析,采用基于遗传算法和贪婪算法的混合算法进行排课系统设计,将排课分为时间安排和地点安排2部分进行,时间安排采用遗传算法设计,地点安排采用贪婪算法设计,时间安排和地点安排过程可以人工干预,编排的课程表基本符合教务管理需求。混合算法设计的智能排课系统编排的课程表更加科学化、合理化和人性化。     

一种新的改进遗传算法及其性能分析

本文提出了一种改进遗传算法(IGA),通过加入混合选择、小范围竞争择优的交叉变异操作,以及过滤相似个体,并动态补充新个体的操作,提高全局搜索性能和收敛速度.测试试验表明了算法性能优于许多现有算法.     

基于间隔时间学习和抽样法的协同进化算法

协同进化算法中,计算个体适应度时,代表个体的选择以及代表个体与个体的组合评估需要很大的计算量。协同进化遗传算法虽然计算量相对小一点,但是只能获得一个贪婪解。多模式共生进化算法虽能克服协同进化遗传算法的这个缺点,但是计算量太大。本文利用间隔时间学习方法提出间隔时间学习协同进化算法,该算法每隔N代交互一次信息。在此基础上,将抽样法应用到协同进化算法中。实验结果表明,这种方法能有效地减少计算量,且本文从数学方面进行了分析验证。     

数据仓库中物化视图的遗传选择算法

针对贪心算法没有考虑物化视图的更新代价和计算量大等缺点,提出了一个物化视图的遗传选择算法。首先通过候选视图选择算法产生候选视图集;其次提出了优化的代价模型,不仅考虑了查询代价,而且考虑了更新代价;最后从候选视图集中选择出物化视图。该算法与贪心算法相比,降低了计算代价。     

自相似业务流下的星上交换全局优化缓冲分配算法

针对空间信息网络星上交换节点缓冲资源有限,提出一种适用于星上交换的缓冲优化分配算法。采用了Crossbar交换模型,在此基础上建立了虚通道自相似排队模型,通过计算每个虚通道缓冲溢出概率并采用遗传算法来实现缓冲资源全局优化分配。仿真结果表明,与均匀分配算法和贪婪分配算法相比,新算法具有更好的延时性能,在同等分组平均时延、业务流自相似程度为0.6和0.8的情况下,新算法比均匀分配算法可分别节省24.5%和26.4%的缓冲资源,并且分配效率比贪婪分配算法提高约21.9%。     

基于Monte Carlo采样的压缩感知弱匹配去噪重构

最小二乘是现有贪婪迭代类压缩感知重构算法中通用的信号估计方法,其未考虑到可能将量测噪声引入信号估计的情况.针对以上不足,提出一种基于Monte Carlo采样的压缩感知弱匹配去噪重构算法.该算法在未知信号稀疏度先验的条件下,通过引入递推Bayesian估计减小量测噪声的干扰;同时,以弱匹配的方式筛选出有效的原子,并剔除冗余原子进而重构原信号.新算法继承了现有贪婪迭代类算法的有效性,同时避免了因噪声干扰或稀疏度未知导致的重构失败.理论分析和实验表明,新算法在同等条件,尤其是非高斯噪声情况下,重构性能优于现有典型贪婪迭代类算法,且其运算时间低于BPDN算法和同类的KF-SAMP算法.     

改进帕累托算法求解超大规模多选择背包问题

实际生产生活中大量多选一的问题都可以转为多选择背包问题（MCKP），但MCKP是一个经典的NP难问题，因此对于超大规模MCKP而言，往往只能利用粒子群算法、狼群算法、鱼群算法等群智能算法对问题进行求解.对于群智能算法而言，高效快捷的贪心算法对于初始解的生成起着至关重要的作用.基于凸帕累托算法（CPA），提出一种能够快速求解线性支配子集的改进帕累托算法（IPA）.IPA首先选择各类项集的质量最小项，然后计算所有物品的价值密度，最后按照价值密度从高到低选择对物品进行贪心选择，若贪心选择项的价值大于其所在项集原有选择项，则进行迭代.仿真实验结果表明：IPA相比于CPA，求解速度平均提升98.86%.且PSO-IPA求解精度平均提升28.92%.