目标0-1背包问题的元胞竞争决策算法*

为求解多目标0-1背包问题,基于竞争决策算法原理和多目标优化问题的特性,提出了一种求解多目标0-1背包问题的元胞竞争决策算法。将元胞自动机演化规则引入竞争决策算法,给出了算法的具体描述,并使用Delphi 7.0实现了算法的具体步骤。为了提高多目标非劣解(Pareto解)的分布性和多样性,利用全局经验作为指导,在最稀疏的Pareto解附近进行邻域搜索。经过大量数据测试和验证,该算法具有真实的Pareto前沿逼近效果,是一种多目标优化问题的有效方法。     

基于改进元胞多目标遗传算法的机床主轴优化

为了进一步提高元胞遗传算法在求解多目标优化问题时的收敛性和分布性。在多目标元胞遗传算法的基础上,引入了三维空间元胞,提出了三维元胞多目标遗传算法。采用多目标基准测试函数对该算法进行了测试,并将其与目前比较流行的几种多目标遗传算法进行对比。结果表明,此种算法在收敛性和分布性上取得了更好的效果。采用以上这几种算法分别对机床主轴多目标优化问题进行了求解,相比其他几种算法,改进的多目标元胞遗传算法得到了更优的结果,说明了改进的算法在求解此问题时行之有效。     

多选择背包问题的元胞萤火虫算法

为有效求解多选择背包问题,基于元胞自动机的原理和萤火虫算法,提出一种求解多选择背包问题的元胞萤火虫算法。将元胞及其邻居引入到算法中来保持种群的多样性,利用元胞的演化规则进行局部优化,避免算法陷入局部极值。通过对典型多选择背包问题的仿真实验和其他算法的比较,表明该算法可行有效,有良好的全局优化能力。     

TSP的元胞蚂蚁算法求解

元胞蚂蚁算法是利用元胞在离散元胞空间的演化规律和蚂蚁寻优的特点,为解决实际问题提供的一种优化方法。将元胞蚂蚁算法应用于TSP问题的研究,并用一系列数值实验说明有效性。     

元胞遗传算法演化规则的研究*

在Conway提出的“生命游戏”规则的基础上,为提高生命繁殖和生存的概率,通过改变周围邻居元胞的状态提出一种改进的演化规则。实验证明,结合元胞自动机的遗传算法,加入改进的演化规则后,用于求解复杂多峰函数优化问题获得了较好的效果。     

基于多中心城市策略的分层元胞遗传算法

为提高分层元胞遗传算法在解决复杂函数优化问题时的求解精度、收敛速度和求解效率.在分层元胞遗传算法的基础上借鉴西方经济理论中中心城市思想提出了一种基于多中心城市策略的分层元胞遗传算法.该算法在进化初期选择适应度值高的多个个体作为种群进化过程中的中心城市,中心城市周围元胞空间的个体按照一定的迁移规则往中心城市迁移,全局最优...     

连续空间优化问题的自适应蚁群系统算法

蚁群算法是进化计算中一种新型优化算法,其基本算法用于求解排序类型的组合优化问题本文提出一种用于连续空间优化问题求解的蚁群算法,采用了新的基于目标函数值的启发式信息素分配算法,以及搜索过程中最优解的筛选方法.根据目标函数来自适应调整蚂蚁的路径搜索行为,从而保证算法快速找到全局最优解.一个多极值点的连续优化问题求解实例证明了该方法的有效性     

基于蚁群算法的MAS多目标协调优化

利用蚁群算法的群体搜索策略,研究了基于蚁群算法的MAS多目标协调优化机制．对每个Agent的目标函数分配一群蚂蚁。使之在问题空间寻优,并对所有的优化解采用谈判机制进行协调,以产生多目标优化问题的Pareto折衷解．采用“误差率”和“空间矩阵”方法对算法的性能指标进行度量．用该方法求解两个典型的多目标优化测试函数,仿真结果表明所提出的方法可成功地解决MAS的多个目标函数的优化问题,收敛速度较快．     

多目标优化问题的蚁群算法研究

将离散空间问题求解的蚁群算法引入连续空间,针对多目标优化问题的特点,提出一种用于求解带有约束条件的多目标函数优化问题的蚁群算法.该方法定义了连续空间中信息量的留存方式和蚂蚁的行走策略,并将信息素交流和基于全局最优经验指导两种寻优方式相结合,用以加速算法收敛和维持群体的多样性.通过3组基准函数来测试算法性能,并与NSGAII算法进行了仿真比较.实验表明该方法搜索效率高,向真实Pareto前沿逼近的效果好,获得的解的散布范围广,是一种求解多目标优化问题的有效方法.     

一种基于输运理论的多目标演化算法

提出了一种根据输运理论中的粒子输运方程、相空间能量定律和熵增法则构造的一种能够准确、高效地求解多目标优化问题的多目标演化算法(MOPEA).由于该算法使用了粒子系统从非平衡达到平衡的理论来定义求解多目标问题的Rank函数和Niche适应值函数,使得种群中的所有个体都有机会参与演化操作,以达到快速、均匀地求出多目标优化问题的Pareto最优解.数据实验显示,利用该算法求解多目标优化问题不仅能够使算法快速地收敛到全局Pareto前沿,同时由于该算法要求所有的粒子都要参与杂交和变异等演化操作,从而避免问题早熟现象的出现,并通过与传统演化算法的性能指标分析比较说明,使用该算法求解多目标优化问题具有明显的优越性.     

智能优化算法在聚类分析中的应用

聚类分析是数据挖掘的重要技术,可根据数据间的相似程度,将数据进行分类,现已广泛应用于工程和技术等领域中。元胞蚁群算法是在将元胞自动机的邻居和规则引入传统蚁群算法的基础上,利用元胞在离散元胞空间的演化规律和蚁群寻优特点的新型优化算法。针对聚类分析的特点,利用元胞蚁群算法进行求解,经实验测试和验证,获得了较好的结果。     

多种人工智能算法的数据库技术课程自动组卷比较

在线考试被广泛应用在远程教育上,自动化组卷是在线考试的关键技术,组卷问题即是多目标期望值的求解问题,其往往存在多个解,人工智能算法对于求解多目标函数有明显优势.采用遗传算法及蚁群算法的多目标优化求解更加高效,能更好胜任于本文数据库技术课程的自动化组卷.在讨论人工智能算法在组卷应用基础上,构建了组卷指标体系,建立多目标约束数学模型,并对多目标期望值进行优化求解.多次实验结果论证表明,人工智能算法的成功率最高,平均达到98%以上（含蚁群算法100%,遗传算法96%）,而非人工智能的算法成功率较低,随机变量法62%,回溯试探法84%.应用人工智能方法特别是遗传算法和蚁群算法,提升了自动化组卷效率,满足了实际各种组卷的需要,使其在远程教育和在线考试中有很好的应用前景.     

二元蚁群优化算法研究综述*

二元蚁群优化算法作为蚁群算法改进的一种,其独特的随机二元网络结构在离散域及连续域优化问题中均得到较好的应用,但探索和利用的冲突、单一种群寻优的局限性以及算法评价次数的增加均限制了二元蚁群算法更好的发展。从一维细胞自动机入手,首先对二元蚁群优化算法的基本模型进行描述,然后讨论了近年来对二元蚁群优化算法的若干改进及应用;最后评述了二元蚁群优化算法未来的研究方向和主要研究内容。     

多目标优化的多种群混合行为二元蚁群算法

针对二元蚁群算法在求解多目标问题时难以同时得到多个解和难以得到Pareto曲面的缺陷,使用多种群策略,改善算法的全局搜索能力,引入环境评价/奖励因子和蚁群混合行为搜索机制,提出了多种群混合行为二元蚁群算法。通过对几个不同带约束多目标函数的测试,实验结果表明该算法在保证全局搜索能力的基础上,拥有很好的多目标求解能力。     

求解绝对值距离Steiner最小树的改进元胞蚂蚁算法

绝对值距离Steiner最小树问题是在集成电路布线等领域应用广泛的属于NP难的经典组合优化问题,由于该问题的搜索空间与元胞自动机的结构相似,设计了求解绝对值距离Steiner最小树问题的改进的元胞蚂蚁算法。经大量数据实验表明,该算法要比最小生成树平均改进15%,优于多数已有的基于最小生成树的近似算法,验证了算法的实用性。     

基于生长竞争蚁群算法的QoS路由算法*

为解决多约束QoS单播路由问题,提出一种基于改进蚁群算法的QoS单播路多目标算法。该算法引入生长竞争机制,使算法尽可能向Pareto最优靠近。实验结果表明,该算法是可行和有效的,能够在资源预留的基础上较好地满足用户对带宽和时延的要求。     

应急物资运输路径多目标优化模型及求解算法

针对应急前期运输商自有车辆不足的实际背景,采用自有车辆和第三方租用车辆共同配送的运输模式,对混合车辆路径的组合优化问题进行研究。首先,考虑需求点和运输商的不同利益诉求,以系统满意度最大、系统配送时间和总成本最小为优化目标,建立带软时间窗的多目标混合车辆路径优化模型。其次,考虑NSGA-Ⅱ算法在求解该类问题时收敛性差和Pareto前沿分布不均匀的缺点,将蚁群算法的启发式策略和信息素正反馈机制用于生成子代种群,非支配排序策略模型用于指导算法的多目标择优过程,并引入变邻域下降搜索以扩大搜索空间,提出求解多目标的非支配排序蚁群算法以突破原有算法瓶颈。算例表明：构建的模型可对决策者在不同的情境下依据不同的优化目标选择合理的路径提供参考,提出的算法在求解不同规模的问题和不同分布类型的问题中均表现出较好的性能。     

基于蚁群优化的多目标社区检测算法

蚁群优化算法作为单目标优化问题,由于只有一个目标函数,通常会将解限制到特定的范围内。当优化的目标不恰当时,算法可能失效,比如分辨率限制问题。我们将多目标优化的思想与传统的用于社区检测的蚁群优化算法相结合,增加了目标函数个数,即增加了解的评价指标数目。该算法引入多目标策略,提出多目标ACO算法,该算法在一次运行过程中会产生一组Pareto最优解。并在三个真实世界网络证明该算法的有效性和准确性。     

多目标0-1规划的蚂蚁优化算法

针对多目标0-1规划问题,设计一种新的求解方法--蚂蚁优化算法,并在计算机上予以实现,经与已有的算法相比较以及大量数据测试和验证,获得了较好的结果.