一种改进的量子进化算法及其在乡村邮路问题的应用

针对基本量子进化算法易陷于局部最优解的缺陷,提出一种改进的量子进化算法(QEA)。结合乡村邮路问题,对算法进行了测试,结果表明,改进算法在全局寻优能力和种群多样性方面比基本量子进化算法有所改进,是求解乡村邮路问题的一种有效算法。     

一种粒子群和改进自适应差分进化混合算法及在生产调度中的应用

差分进化算法是一类基于种群的启发式全局搜索技术,但传统的差分进化算法存在停滞现象,容易使算法收敛停止。虽然之后出现了各种版本的自适应差分进化算法,但没有考虑到当代个体的适应值是否向着最优个体的适应值逼近,因此本文提出了一种新型的自适应差分进化算法FMDE。考虑到粒子群算法和差分进化算法类似,为了充分发挥两种算法的特点,提出了自适应差分进化和粒子群的混合算法PSO_FMDE;最后采用测试数据集对性能进行分析。实验结果表明,该算法根据进化过程中的搜索进度自适应地确定变异率,使算法易于跳出局部最优解,以提高全局搜索能力。PSO_FMDE算法较单一算法而言,性能更优,更易于靠近全局最优解。     

基于改进差分进化算法的云计算任务调度策略

针对传统云计算资源调度策略存在资源利用率低等缺陷,提出了一种基于改进差分进化算法的云计算任务调度算法(LADE)。首先建立云计算任务调度问题的数学模型,然后采用差分进化算法对目标函数进行求解,并引入自适应的放缩因子和交叉算子进行改进,使算法更符合最优解的求解规律,有效地避免陷入局部最优解和"早熟"的缺陷。仿真实验表明:LADE算法具有更强的全局搜索能力,不仅解决了传统资源调度算法存在的缺陷,而且大幅减少了云计算任务的完成时间和执行能耗。     

一种进化类混合算法的研究

针对现有的单一算法在解决数值优化问题中存在的问题,提出了一种基于进化计算的混合算法.该算法在原有遗传算法的基础上对交叉算子进行改进,同时将模拟退火算法与变异算子进行结合形成一种模拟变异算子;为提高算法的求解精度和收敛速度,在算法中引入了进化策略的自适应搜索特性; (μ,λ)选择算子的应用增加了跳出局部最优解的几率,精英保留策略的选用能够保障算法收敛于全局最优解.用两个典型的测试函数对该算法进行测试,测试结果表明算法能够跳出局部最优解的陷阱,快速高效,高精度地收敛于全局最优解.     

基于蚁群算法的时序电路测试生成研究

蚁群算法是一种新型进化算法,它提供了解决组合优化问题的框架,但存在着易陷入局部最优解的缺陷。在时序电路测试生成的应用中,通过限制信息素浓度变化范围以及自适应改变信息素挥发因子,在保证算法收敛速度的条件下,提高了算法的全局搜索能力,克服了上述缺陷。实验结果表明,基于该算法的测试生成取得了较高的故障覆盖率和较快的测试生成速度,能够满足实际应用需求。     

对于一维原材料切割问题的单亲遗传启发方法

基于单亲遗传算法提出一种对于一维原材料位置组合进行编码，并通过变异操作算子进行全局搜索的方法。首先为了减少运算量,加快算法的收敛速度，提出一种用来减少染色体长度且又保持能找到最优全局解的染色体精简编码方案；其次在评价函数的选择上，采用了材料剩余量最小的全局最优评价函数来保证进化收敛到最优解；而采用的变异保持策略和选择精华策略可以使得进化过程更快地趋向最优解。最后，实际应用例子说明了所提方法是工业应用中一种可行的方案。     

基于差分进化的线谱对码本设计

线谱对（LSF）的码本设计常采用经典的LBG算法,由于该算法容易陷入局部最优,提出了一种结合差分进化（DE）和LBG算法的混合算法（DELBG）,通过引入一加权因子,利用其染色体表示很短、易于被差分进化优化的特点不断改变LBG算法的搜索路径,最大可能地使之逃离局部最优,同时也避免了差分进化在单独设计LSF码本中达到全局最优解前搜索空间过大的问题。实验表明提出的DELBG算法相比LBG算法较好地实现了全局最优。     

混合分解的多目标粒子群优化算法

针对多目标粒子群算法全局最优值的选取缺陷以及多样性保留缺陷,提出了一种基于分解和拥挤距离的多目标粒子群优化算法(Smoeadpso).算法采用切比雪夫分解机制,将邻居向量对应的子问题的中的最优解来作为某个粒子全局最优值的候选解了更有效限制粒子飞行速度以避免粒子飞行超出解空间界限,引入了新的速度限制因子维持了种群多样性.本文算法与经典的多目标进化算法在10个测试函数上的对比结果表明, Smoeadpso求得的Pareto解集与真实Pareto解集的逼近程度有明显提升并且对于3目标问题求解的均匀性也比同类粒子群算法优秀.     

基于QPSO算法的作业车间调度问题的研究

针对现行的遗传算法存在进化速度过慢和过早收敛的局限,以及粒子群优化算法搜索空间有限、容易陷入局部最优点的缺陷,提出将一种基于量子行为的粒子群优化算法应用于作业车间调度问题.将该问题中的每个调度组成一个多维向量,以此向量作为量子粒子群优化算法中的粒子进行进化,由此在解空间内搜索最优解.实例仿真结果表明,该算法收敛速度快、全局收敛性能好,可以得到比遗传算法、粒子群优化算法更佳的调度效果,证明了算法的有效性.     

求解无约束优化问题的知识进化算法及其收敛性分析

针对传统方法的随机盲目性和易陷入局部最优值等缺陷,提出一种求解无约束优化问题的知识进化算法(简称为UOP-KEA),并对算法的全局收敛性进行了分析.该算法的主要思想是:首先建立初始知识库,然后利用传承算子来实现对优秀知识个体的传承,利用创新算子来产生新的知识个体,利用更新算子来更新知识库,从而实现知识的进化,最后从知识库的最优知识个体中获取问题的最优解.将该算法应用于无约束非线性测试函数的最小值优化求解,获得了成功的结果.与遗传算法相比,该算法可以使用较小的种群规模,以较快的速度寻找到全局最优解,表明了它的可行性和有效性.     

改进的遗传混合蚁群算法在TSP问题中的应用

为了提高基本蚁群算法的收敛性能和全局求解能力,对基本蚁群算法进行了改进,提出了一种改进的遗传混合蚁群算法。在每代进化中保留最优解和次优解的公共解集后引入遗传操作中的交叉算子进行运算,并采用自适应改变信息素挥发系数的方法,加快了算法收敛速度,提高了解的全局性。通过对TSP问题的仿真运算表明,改进的遗传混合蚁群算法在收敛速度和解的全局性上都有较大的改善。     

融入遗传算法的混合蚁群算法

为了提高基本蚁群算法的收敛性能和全局求解能力,对基本蚁群算法进行了改进,提出了一类融入遗传算法的混合蚁群算法.在每代进化中保留最优解和次优解的公共解集后引入遗传操中的交叉算子和变异算子进行运算.对优秀解公共解集的保留加快了算法收敛速度,引入交叉和变异扩大了解的搜索空间,提高了解的全局性.通过对TSP问题的仿真运算表明,融入遗传算法的蚁群算法在收敛速度和解的全局性上都有较大的改善.     

改进型蚁群算法的多处理机任务调度研究

蚁群算法是一种新型的模拟进化算法,具有正反馈、分布式计算等特点,是一种解决组合优化问题的有效算法。在介绍蚁群算法基本原理以及探讨该算法的缺陷基础上,针对多处理器任务调度问题,提出了一种基于改进型蚁群算法的调度策略。仿真研究表明,该算法具有优良的全局优化性能,效果令人满意。     

动态信息素更新蚁群算法在指派问题中的应用

建立指派问题的数学模型,将其转化为旅行商问题,利用蚁群算法求解此问题。蚁群算法是一种解决组合优化问题的有效算法,但同样存在搜索速度慢,易于陷于局部最优的缺陷。该文提出一种具有动态信息素更新的蚁群算法,通过具体的算例分析,表明该算法比传统的蚁群算法有更快的收敛速度和较好的稳定性。     

蚁群算法的改进及在TSP问题上的仿真验证

蚁群算法是一种新型的模拟进化算法,具有正反馈、分布式计算等特点。在介绍蚁群算法基本原理的基础上,针对基本蚁群算法求解速度缓慢、容易陷入局部最优等特点,采用分区搜索的思想,提出了一种改进的蚁群算法。它将搜索区域分成几个较小的区域进行局部搜索,得到了局部较优解,以此产生蚁群算法在全局搜索时的初始信息素分布,并结合局部与全局信息素调整等策略,大大地加速了算法的收敛速度。在TSP旅行商问题上的仿真验证表明它是可行性和有效性的。     

一种改进的自适应蚁群算法求解TSP问题

文章提出了一种改进的蚁群算法,其核心是限制单步路径上的蚂蚁数目,当该路径上的信息素达到一定浓度时,人为的迫使蚂蚁改换路径,从而更好的全局寻优,避免算法陷入局部极优,并使用2-Opt方法对路径进行优化。对旅行商问题（TSP）的实验结果表明：新算法的优化结果和效率都优于基本蚁群算法。     

一种快速全局优化的改进蚁群算法及仿真

在介绍基本蚁群算法原理的基础上,对其作了许多改进以提高其全局优化寻优速度,并给出了详尽的新算法编程仿真实现步骤,最后将未改进的基本蚁群算法与本文改进后的蚁群算法分别应用于TSPLIB中的Att532TSP问题进行了仿真实验.仿真研究表明,改进后的算法具有优良的全局优化性能,效果令人满意.􀁱     

蚁群算法中求解参数最优选择分析*

通过理论分析和一系列的对比模拟实验研究,来探讨蚁群算法中参数的最佳设定原则,以利于蚁群算法在实际中的应用和推广.     

动态调整选择策略的改进蚁群算法

针对蚁群算法存在停滞现象的缺点,提出一种动态调整的选择策略以强化其全局搜索能力.改进的选择策略通过适当刺激蚂蚁尝试具有较弱信息素解,以提高所得解的全局性.给出了新算法仿真实验步骤,并将改进后的蚁群算法与传统蚁群算法分别应用于旅行商问题(TSP)进行仿真实验.仿真结果表明,改进后的算法具有优良的全局优化性能,可抑制算法过早收敛于次优解,有效防止了停滞现象,收敛速度也大大加快.     

改进的遗传蚁群混合算法在 TSP 中的应用

针对遗传算法和蚁群算法的不足,提出一种改进的遗传蚁群混合算法。该混合算法通过判定最优解的改良情况,将遗传算法和蚁群算法动态串行融合,以充分利用遗传算法的全局搜索能力和蚁群算法的正反馈机制。同时,依据信息素在正反馈过程中的重要作用,提出一种改进的带奖惩项的信息素更新机制。仿真计算结果表明,本文提出的混合算法在求解TSP方面,收敛速度和求解质量均较传统的遗传算法及蚁群算法要好。