柔性多面体在遗传算法中的应用研究(Ⅰ)

文章提出了一种柔性多面体的方向进化算子,并在基本遗传算法中嵌入柔性多面体搜索算法,从而构成了一种基于柔性多面体的新的混合遗传算法(flexble polyhedron hybrid genetic algorithm,FP_HGA).方向进化算子紧跟基本遗传算法的变异操作之后,其作用是使适应度较低的个体向适应度较高的个体进化;柔性多面体局部搜索算法作用是对当前代所有新个体在进入到下一代之前,使它移动到局部最优点.并用FP_HGA来求解Rosenbrock测试函数的最小值,FP HGA算法和SGA(Simple Genetic Algorithm,SGA)算法的计算结果表明该混合遗传算法在收敛速度和精度方面均得到很大提高.     

柔性多面体搜索算法在遗传算法中的综合应用研究

首先分析了柔性多面体搜索算法和基本遗传算法两者结合的基础，提出了柔性多面体方向进化算子和柔性多面体交叉算子，以这两个新的遗传操作算子和柔性多面体搜索算法为基础，提出了两种新的混合遗传算法FP-HGA(Ⅰ)、FP-HGA(Ⅱ).在FP-HGA(Ⅰ)中，嵌入了柔性多面体方向进化算子和柔性多面体搜索算法；在FP-HGA(Ⅱ)中，嵌入了柔性多面体交叉算子，用FP-HGA(Ⅰ)、FP-HGA(Ⅱ)及SGA(Simple Genetic Algorithm)来求解Rosenbrock测试函数的最小值，FP-HGA(Ⅰ)和FPHGA(Ⅱ)算法和SGA算法的计算结果表明该混合遗传算法在收敛速度和精度方面均得到很大提高．     

基于单纯形的小生境混合遗传算法

总结单纯形搜索算法的核心思想.然后提出单纯形交叉方向算子和最优小生境、次差小生境与最差小生境3个概念.在最优小生境中采用单纯形搜索算法得到局部极值,在最优小生境与次差小生境之间用单纯形交叉方向算子产生优秀个体,而在最差小生境中采用受限单纯形搜索产生优秀个体,从而构成基于单纯形的小生境混合遗传算法SimplexNich-HGA.最后用SimplexNiche-HGA、单纯形混合遗传算法Simplex-HGA 以及基本遗传算法SGA求函数Rosenbrock的极值,并进一步用SimplexNiche-HGA和Simplex-HGA 求多峰值函数Shubert的极值,验证算法的正确性和求多峰值函数的极值的效率.     

基于遗传算法的航空零件加工柔性车间调度研究

车间调度问题计算复杂,约束条件度,一般算法难以实现全局搜索,算法比较容易陷入局部最优。通过对柔性车间调度问题的深入研究,采用遗传算法进行柔性车间调度,使一个个体可以表达全部零件加工顺序,并用适应度函数平价个体好坏。种群通过选择算子、交叉算子和变异算子不断进化,最终得到最优的柔性车间调度方法。通过仿真试验表明,该算法能够有效地进行车间调度。     

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。      

改进遗传算法求解柔性作业车间调度问题

针对柔性作业车间调度问题中最大完工时间、机器最大负荷和总机器负荷三项性能指标,提出一种改进的自适应交叉和变异的混合遗传算法。在基本遗传算法染色体编码的基础上,设计一种基于海明距离的调度个体差异判别方法,并通过自适应交叉阈值和动态变异概率计算提高遗传算法整个种群调度个体的多样性,防止算法过早的进入早熟。在遗传算法进化期间,对每个调度个体的进化采用变邻域搜索算法,扩大调度个体的邻域搜索范围。最后,使用文献中相同的调度实例将本文的计算结果与其它文献中的测试结果进行比较,验证了所提出的算法的可行性和有效性。     

具有局部定向繁殖策略的自学习进化算法

提出一种具有局部定向繁殖策略的自学习进化算法(Active Evolutionary Algorithm with Local-directional Reproduction Strategy,LRSEA),它在每一代通过进化个体之间适应度差异找到最优进化方向,然后在此方向附近用局部定向繁殖策略进行局部搜索.针对目前进化算法研究中存在对个体主观能动性考虑不足,没有充分利用进化中“优秀信息”的问题,将主动进化机制引入到该算法中,提出反映个体学习能力的积极学习算子.实验结果表明:该算法收敛速度和局部搜索能力有明显改善.     

基于特征选择的智能化分组遗传算法

典型遗传算法在进化过程中易陷入局部收敛、过早收敛,效率低,针对这些问题,提出一种基于特征选择的智能化分组遗传算法,利用特征选择原理和分组优化思想对进化过程中的基因进行智能分组的遗传操作,在适应度函数中引入个体特征构建动态的环境适应度评价模型。算法通过分组的遗传操作,保证了父代的优秀模式遗传到下一代,加快了收敛速度,分组变异算子扩大了搜索范围,使结果容易走出局部最优解。应用实验验证表明,算法对局部最优解有较强的免疫能力,有效搜索到全局最优解的进化代数较典型遗传算法明显减少,收敛精度高,证明了算法的有效性。     

改进梯度算子的小生境遗传算法

为避免小生境遗传算法存在的早熟和收敛速度慢等问题,本文提出了一种改进的梯度算子,以保证进化朝最优解方向前进,提高计算峰值的精度。同时,利用进化代数和个体的适应度值,动态调整个体的交叉算子和变异算子,有效保证种群的多样性,改善全局搜索能力,加快收敛速度。将改进的梯度算子引入到基本小生境遗传算法和自适应小生境遗传算法,通过Shubert函数测试,证明本文改进后的算法与基本小生境遗传算法和自适应小生境遗传算法相比,不仅大大提高了收敛速度,并能搜索到所有全局最优解。     

基于改进的遗传算法求解可满足性问题

遗传算法(GA)是由Holland提出的一种基于进化论的仿生算法,非常适于求解最优化问题.为了更好地利用SGA求解SAT问题,在将SAT问题等价转换为{0,1}n上的多项式是否存在零点的判断问题基础上,将局部搜索算法(LSA)与SGA相结合,给出一种求解3-SAT问题的改进混合遗传算法(MHGA),并通过对随机大规模3-SAT问题实例的实际求解验证了MHGA的可行性与有效性.     

面向柔性工艺的作业车间调度问题混合遗传算法

针对离散制造业的许多产品采用柔性工艺设计增加作业计划调度的复杂性这一问题,对传统的FJSP进行了工序顺序柔性的扩展,将问题抽象为柔性工艺的作业车间调度问题（flexible process Job-Shop scheduling problem,FPJSP）。以缩短生产周期为目标,建立了该问题的整数规划模型,并设计了混合遗传算法。该算法针对FPJSP的特点设计了改进的遗传算法染色体编码方式和遗传算子,并结合变邻域搜索算法,设计了适合求解该问题的四种不同的邻域结构进行动态邻域搜索,以提高遗传算法的邻域搜索性能。通过应用实例验证了所提出的混合遗传算法在求解FPJSP的求解效率和优化性能方面的有效性。     

引入进化梯度的改进小生境遗传算法

针对基本遗传算法易于早熟及局部寻优能力较差等不足,提出了一种引入进化梯度的改进小生境混合遗传算法(GNGA)。利用进化梯度信息调整个体向更优解进化,并根据进化代数自适应调整实数编码个体的交叉量和变异量,增强了局部寻优能力和解的精度。基于排挤的小生境算法的引入,保持了种群的个体多样性以克服早熟。在Shubert函数上的仿真结果表明,与小生境遗传算法相比该算法能有效提高解的精度及收敛速度,找到更多最优解。     

混沌变异算子的改进遗传算法及其应用

为解决标准遗传算法（SGA）收敛缓慢等缺点,提出一种混沌变异算子的改进遗传算法,进化过程中,为防止局部早熟收敛,对较优个体的变异操作中引入一个混沌变异算子,并把混沌运动的遍历范围“放大”到优化变量的取值范围,通过一代代地不断进化,收敛到一个最适合环境的个体上,求得问题的最优解;建立精英个体序列库,防止最优解的丢失。采用实际算例进行仿真试验,仿真结果证明了该算法的有效性。     

使用混合邻域搜索算法求解多目标柔性JSP问题

通过对实际车间调度问题及邻域搜索算法的研究,针对传统遗传算法存在着一些缺陷,对多目标柔性JSP(车间调度)问题提出了基于遗传算法,并结合多种邻域搜索算法形成的一种新的混合邻域搜索算法。该算法基于相似度和免疫机制来构造初始解的策略,在遗传算子中提出了一种自适应的变异交叉概率,并在选择算子中结合模拟退火算法策略和免疫机制。经过实验结果表明,该混合邻域搜索算法提高了算法搜索的效率,并很好地解决了JSP问题。     

单纯形搜索在遗传算法中的融合研究

构造了单纯形混合遗传算法SM-HGA⁺。分析单纯形搜索算法,提出了单纯形交叉算子和K步随机单纯形搜索算子,并将单纯形搜索算法和这两个算子分别融入到最优微群体μP_B（t）、最差微群体μP_W（t）和普通群体P_C（t）,形成SM-HGA⁺。最优微群体中的单纯搜索算法提高算法的精度;最差微群体中的单纯形交叉算子加速最差个体向优秀个体进化;普通群体中K步随机单纯性搜索提高全局搜索速度,同时在普通群体采用大交叉概率的标准遗传算法,提高全局搜索能力。遗传算法测试函数验证算法SM-HGA⁺的正确性、效率。     

基于BIC测度和混合遗传算法的BNC结构学习

贝叶斯网络分类器(BNC)结构学习是一个NP难题。贪婪搜索(GS)算法是一种有效且准确性较高的结构学习算法,但贪婪搜索算法很容易陷入局部最优。标准遗传算法是一种全局搜索优化算法,它通过模拟生物种群的进化过程,得到全局最优解。但就其个体而言,个体局部解的质量无法保证,不具备局部寻优的能力。提出了将两种算法相结合,以贝叶斯信息标准(BIC)测度为评价函数,得到一种混合遗传算法,实现了它们的优势互补。实验表明:该算法优于单独利用GS算法进行Bayesian网络结构学习,从而说明该算法的正确性和有效性。     

一种函数优化问题的混合遗传算法

将传统的局部搜索算法和遗传算法相结合,可以较好地解决遗传算法在达到全局最优解前收敛慢的问题.文章给出一种结合可变多面体法和正交遗传算法的混合算法.实验表明,它通过对问题的解空间交替进行全局和局部搜索,能更有效地求解函数优化问题.     

差异工件平行机批调度问题的SAGA*

为了求解差异工件平行机批调度问题,提出了一种模拟退火遗传算法 (simulated annealing genetic algorithm,SAGA)。将模拟退火算法（simulated annealing,SA）的状态转移操作引入基于最优保留的遗传算法(genetic algorithm,GA)中,作为局部搜索算子,以避免算法陷入局部最优,也有效地发挥了SA和GA在局部搜索与全局搜索能力方面的优势。为了解决GA迭代后期适应函数难以区分一些适应度接近的个体这个问题,SAGA分两阶段标定适应函数,在进化后期     

改进遗传模拟退火算法在TSP优化中的应用

针对旅行商问题(TSP)优化中,遗传算法(GA)容易陷入局部最优、模拟退火算法(SA)收敛速度慢的问题,提出一种基于改进遗传模拟退火算法(IGSAA)的TSP优化算法.首先根据优化目标建立数学模型;然后对遗传算法部分中的适应度函数、交叉变异算子进行改进,使算法能够更加有效地避免陷入局部最优;最后根据旧种群和新种群每个对应个体的进化程度提出一种改进自适应的Metropolis准则,使模拟退火算法部分的染色体跳变更具有自适应性,利于算法寻优.对不同TSP实例的实验结果表明,与其他路径优化算法优化结果相比,所提出的IGSAA算法能够对不同TSP实例优化得到更优的旅行路径.     

基于改进蝙蝠算法的柔性流水车间排产优化问题研究

为解决柔性流水车间调度问题( flexible flow shop scheduling problem,FFSP),提出了一种基于精英个体集的自适应蝙蝠算法(self-adaptive elite bat algorithm,SEBA)。针对蝙蝠算法存在求解离散问题具有局限性、易陷入局部极值、优化结果精度低等问题,该算法采用ROV(ranked order value)编码方式,使算法适用于求解离散型的FFSP问题;提出基于汉明距离的精英个体集,由多个适应度高但相似度低的精英个体轮流引导种群进化,增强种群进化活力,避免寻优过程陷入局部极值;提出自适应位置更新机制,提高算法优化精度。最后采用不同规模的标准实例对改进算法进行测试,与已有算法进行对比,实验结果验证了改进蝙蝠算法求解FFSP问题的有效性。