基于演化计算的最短避障路径算法设计

在研究求解TSP问题的演化算法(这里指GT算法)的基础上，针对TSP问题和最短避障路径问题的不同，在染色体的有效范围、基因选取等方面对GT算法进行改进，同时引入了基因库以提高算法收敛速度．试验结果表明，用GT算法能较好地求解最短避障路径。     

基于改进演化算法的最短路径问题研究

针对最短路径问题TSP(Traveling Salesman Problem)的求解时,传统算法收敛慢,且求得的路径并不是所有行程的最短路径。提出用智能演化算法来求解,并对算法的演化算子进行改进和对各参数进行优化设置。结合10个城市和30个城市的仿真实例,分别进行传统算法、演化算法以及改进的演化算法进行对比。计算机仿真结果表明:改进后的演化算法收敛速度快,收敛精度高,鲁棒性好,寻求的最短路径明显优于传统算法。     

基于GEP的最短避障路径问题的设计

提出一种基于GEP的最短避障路径问题的方法,着重从应用的角度讨论用GEP求解最短避障路径问题。该方法采用实数直接编码的方法,有明确的适应度函数,首先产生合法的初始路径种群,然后针对环境模型的特点设计了有效的路径遗传算子,达到路径规划中避障的要求,实际应用表明了该算法的有效性和可行性。     

最短路径重构算法

研究了在Ｎ个顶点的图中，仅给出了所有顶点对之间最短路径距离矩阵，而计算任两顶点间最短路径问题。这种算法因没有利用原始图中有关边的信息，被称为重构算法。本研究取得了如下成果：①在单一的顶点对之间最短路径重构的时间复杂度为Ｏ（ｎｌｏｇｎ）；②在所有顶点对之间的最短路径重构的时间复杂度为Ｏ（ｎ＾３）；③在带有ｎ／ｌｏｇｎ个处理器的独占读写并行随机访问器上，单一顶点对之间的最短路径重构时间复杂度为Ｏ（（ｌ     

最短路径树的计算与修改算法

在有向赋权图Ｇ＝（Ｖ，Ｅ，ＣＯＳＴ）上，给出了求解以每个顶点为根的向前／向后最短路径树（ＦＢＳＰＴ）算法。当Ｇ中的边被删除或边权增加时，证明了在这种情况下，不可能存在高效的对ＦＢＳＰＴ的修改算法；而对边添加和边权减少的情况，本文给出时间复杂性为Ｏ（ｎ￣２）的修改算法。此外，本文也讨论了对上述算法的并行实现问题。     

计算机网络最短路径算法的实现

本文讨论计算机网络最短路径算法及其实现问题。文中先论述了最短路径算法的设计思想:然后讨论了两种典型的最短路径算法:Dijkstra算法和Ford-Fulkerson算法,并给出了其实现过程。     

给定场景下机器人避障过程中最短路径优化问题的求解

讨论了给定场景下机器人避障过程中最短路径优化问题的求解。主要研究了在一个区域中存在12个不同形状的障碍物,由出发点绕过障碍物经过若干固定点到达目标点的情形。通过切点坐标及直线与弧线长度的确定,按照拉绳子绕m过圆弧形障碍物得到的可能最短路径,建立机器人绕过多个避障点的最短路径模型为：minL=∑mi=1Li＋∑ni=1Li最短时间路径模型为：Mint=∑mi=1（sli）＋∑ni=1l1i.V0/1＋e10-e2i=1i=11＋e10-e2。然后比较其大小,得到最优解。     

最短路径算法及其实现

本文主要讨论了两种典型的最短路径算法-Dijkstra算法和Ford-Fulkerson算法的设计思路,并给出了其实现过程。     

基于分流算法的最短路径求解算法

在图论中,一般求最短路径都是通过比较各种可能的路径后而得到的,基本上都是按树的回溯方式求得,算法耗时长。分流算法将路径长度比较转化为等速同时发出的水流的速度比较,用Agent实现水流,让从开始结点出发生成的各水流同时流动,经过最短路径的水流将最先到达最终结点,结果用最短的时间获得最短路径。理论和实践都表明该算法是求最短路径的有效方法。     

计算机网络最短路径算法的实现方案

本文讨论计算机网络最短路径算法及其实现问题。文中先论述了最短路径算法的设计思想;然后讨论了两种典型的最短路径算法:Dijkstra算法和Ford-Fulkerson算法,並给出了PASCAL语言的实现过程。     

考虑物理特征的避障路径生成算法

自然、逼真的避障路径生成算法在仿真、游戏等领域有广泛应用。避障路径与障碍物的形状尺寸、运动物体的尺寸、转弯半径等物理属性密切相关。在综合考虑上述物理属性后,提出了一种避障路径生成算法。基于三次Hermit样条曲线的优异特性,算法生成的避障路径不仅具备C2连续性,而且还能保证新路径和原路径的连接具备G1连续性。算法被应用于某三维战场仿真系统,效果良好。     

基于重叠表达的多基因进化算法

受生物基因片段重叠表达现象的启发,文中提出了一种新的基于重叠表达进化算法--MEOE(Multigene Evolutionary algorithm based on Overlapped Expression).文章具体描述了MEOE的基因表达结构及相应的算法.不同于已有的工作,在MEOE中作为遗传物质的基因具有重复表达的概率,同时算法融合了免疫算法关于浓度的计算技术.文章对MEOE算法作了较为全面的分析,讨论了算法在表达空间、可表达性、性状遗传上的特点,并与传统算法作了相应比较.详尽的实验证明,MEOE算法在速度上是GEP的2.5～9.4倍.在高次函数发现问题上MEOE算法的成功率比GEP提高至少一个数量级.另外,通过实验证明了基于密度的概率选择函数在高次函数发现问题上具有一定优势.     

一种基于混合交叉策略的多目标演化算法

演化算法是求解多目标优化问题(MOP)重要而有效的方法,而应用演化策略、技巧是改善解性能的重要途径。论文叙述了多目标优化问题的有关概念,结合已有算法中的方法,设计了基于两种交叉操作相互结合的多目标演化算法(MOEAHC),该算法不仅具有较高的计算效率,而且能够保持解的多样性分布。测试结果表明该算法的良好性能。     

一种快速的基于占优树的多目标进化算法

为了解决多目标进化算法中适应值指派(fitness assignment)的耗时问题,提出了一种新颖的适应值指派方法--占优树.占优树保存了个体之间的必要信息,暗含了个体的密度信息,而且显著减少了个体之间的比较.此外,基于占优树的淘汰策略没有花费额外的代价就保存了种群多样性.在此基础上,提出了一种新的基于占优树的多目标进化算法.通过6个测试问题和3个方面的测试标准,新算法在接近真实的最优前沿和保持种群的多样性方面,与SPEA2和NSGA-II性能相当,但速度要比它们快得多.     

基于分级策略的演化算法

为了避免演化算法过早收敛,保持种群多样性,增加算法的搜索能力,本文提出基于分级策略的演化算法．即通过对种群进行分级,来度量种群的多样性,衡量算法是否陷入局部最优,协调种群多样性和精英策略之间的矛盾,再根据种群分布的多样性设计一种有效的半一致交叉算子与单重均匀变异算子。     

一种基于状态空间模型的进化算法

传统进化算法主要通过选择、重组和变异这三种遗传操作实现种群的进化。在进化过程中通常需要设定群体规模、交叉概率和变异概率等参数,而且它们的值会直接影响计算结果及精度。为了简化操作过程,设计一种基于离散系统状态空间模型的进化算法,这种算法采用实数编码方式,构造一个状态进化矩阵来实现重组和变异的功能,提高算法的可操作性和可靠性。并将该算法应用于求解无约束全局优化问题,对几种典型的测试函数进行仿真,结果表明:这种新的进化算法具有搜索能力强、收敛速度快、计算精度高、操作简单等优点,对相关研究有参考作用。     

基于免疫进化算法的矢量量化索引值分配算法

提出了一种基于免疫进化算法的矢量量化索引值分配算法。该算法提供了一种有效的获得全局最优的索引值分配方法。利用免疫进化算法的扩展和突变操作分别进行局部和全局搜索,可快速有效地进行全局最优搜索,克服了传统进化算法易出现"早熟"、陷入局部最优和收敛速度缓慢等问题。实验结果证明该算法可以获得很好的性能增益。     

基于混合演化算法的二维下料问题

介绍了将二维下料问题建模成旅行商问题的方法,指出单纯旅行商问题模型的局限性,认为其是一种启发式方法,理论上找不到全局最优解。针对于此,在原有模型的基础上引入旋转变换,提出了两种混合演化算法捆绑式深化算法和元算法。实例仿表明,该算法可以获得比普通经算法好的结果。     

一种新的基于进化策略的多目标优化算法

用进化策略求解多目标优化问题时,为了提高解在决策变量空间中的搜索能力和保证Pareto前沿的多样性,提出了一种新的基于进化策略的多目标优化算法。运用自适应变异步长的进化策略,使解在决策变量空间中进行全局和局部搜索;并引入非劣解按一定比例进入下一代的方法,使完全被占优的个体有机会参与到下一代的繁殖,保持了解在Pareto前沿的多样性。该算法在保证解在决策空间多样性的同时,也保持了Pareto前沿的多样性。仿真实验表明,该算法具有良好的搜索性能。