基于遗传算法求解多目标优化问题Pareto前沿

该文给出了传统的求解多目标优化方法存在的问题,引入了当前研究多目标优化的新方法———基于遗传算法求解问题的pareto解,讨论了该方法要解决的关键问题———多样性保持及解决策略,并给出了一个求解pareto解集的新算法,算法简单、高效、鲁棒性强。最后给出了实验结果。     

Pareto遗传算法在货位配置中的应用研究

固定货架是自动化立体仓库应用最广泛的存储设备,货位配置是否优化直接影响货架的稳定性和存取操作效率。因此,建立了货位配置优化问题的数学模型,提出了采用Pareto遗传算法解决多目标组合优化问题,可得到Pareto最优解集。此算法包括5个基本算子：选择、变异、交叉、小生境技术、Pareto集合过滤器。通过仿真实验验证了将Pareto遗传算法应用在实际货位配置优化问题中,取得了较好的结果。     

基于自适应K均值聚类的小生境遗传算法

在自适应小生境遗传算法的基础上,该文提出自适应K—均值聚类适应值共享小生境遗传算法。这种算法将聚类分析、自适应技术有机地结合起来,并且对于通常的K——均值聚类方法做了改进,即引进了一个最小聚类距离,通过调节最小聚类距离控制收敛到的小生境的数目,避免找到无效的极值点。这种算法不仅无需事先确定生境的具体数目和生境半径的大小,而且计算量小,搜索效率较高。     

求解多目标组合优化的改进Pareto适应度遗传算法

将Pareto适应度遗传算法（PFGA）与局部搜索相结合,提出了一种用于求解多目标组合优化问题的改进算法IPFGA,该算法基于Pareto支配关系对遗传操作产生的每一个个体进行局部搜索,并采取在外部群体中引入拥挤距离的精英选择策略。实验结果表明,与PFGA相比,IPFGA有更快的收敛速度。     

遗传算法的分析及其改进

针对遗传算法的来源、基本原理、数学机理、特点进行了论述;然后详细分析了简单遗传箅法在应用过程中出现收敛过慢和早熟现象的原因,并简单介绍了一种基于个体适应值的自适应调整交叉率和变异率的自适应遗传算法(AGA).为了提高遗传算法的收敛性能,在分析其不足后,从三个方面进行改进并提出一种改进算法(IAGA).最后,针对几种优化问题对所提出的算法和AGA进行了性能比较,证明提出的改进箅法在达到最优解的收敛性能方面有了明显的提高.     

基于QoS的Pareto最优的服务选择

随着越来越多的服务能够满足用户的功能需求,需要一种策略基于服务的多种QoS属性来帮助用户选择合适的服务.以XML描述服务的QoS属性,提出了一种基于QoS的Pareto最优的服务选择策略,选择出那些不在所有的QoS属性上劣于其它服务的服务.实验结果表明,与随机选择和偏好导向的选择策略相比,Pareto最优策略有独特的效果.     

基于退火遗传算法的单元测试方法

为提高单元测试的效率,提出一种基于退火遗传算法的自动化单元测试方法。将遗传算子与进化代数进行关联,使其更快收敛于最优解。采用基于分支距离的方法构造适应值函数,根据代码转换功能,将判定结点处的代码转换为平行结构、将分支距离量化为[0, 1]之间的数。实验结果表明,该方法能以更短的时间获得更高的代码覆盖率。     

基于离散适应值灰度的交互式遗传算法

针对交互式遗传算法缺乏衡量评价不确定性的问题,采用离散适应值评价进化个体,利用灰度衡量评价的不确定性。通过确定离散适应值的灰度,获得反映种群进化分布的信息;基于此,给出了进化个体的自适应交叉和变异概率。将该算法应用于服装进化设计系统,仿真实例与分析结果表明,所提出的算法可以有效缓解人的疲劳,提高优化效率。     

基于区间适应值灰度的交互式遗传算法

针对交互式遗传算法缺乏衡量评价的不确定性问题,采用区间数评价进化个体适应值,利用灰度衡量评价的不确定性。通过区间适应值的灰度分析,提取反映种群进化分布的信息,给出进化个体的自适应交叉和变异概率。应用于服装进化设计系统的分析结果表明,该算法可有效缓解人的疲劳,提高优化效率。     

基于遗传算法的系统在线辨识

首先介绍了一种基于自然选择和自然遗传学机理的全局搜索学习算法－遗传算法，并讨论了它在系统在线辨识中的实现，仿真表明，遗传算法能在线辨识时滞并收敛到全局最优。     

基于遗传算法的图像数字水印

为了提高图像数字水印算法的实用性、顽健性及不可感知性,提出了一种改进的应用遗传算法的水印嵌入和提取方法。通过在DCT变换域中修改AC系数嵌入水印,可以提高嵌入速度,避免水印信息的损失;采用改进的遗传算法选择AC系数,同时优化嵌入水印后图像质量和顽健性这两个矛盾的因素。仿真结果表明,算法具有良好的抗攻击能力和不可感知性,节省约1/3的时间,提高了程序运行效率。     

基于种群规模可变的粗粒度并行遗传算法

在科学计算领域，并行计算越来越成熟，并行遗传算法开始受到关注。本文分析了遗传算法并行化的动机和实现模型，提出了一种新算法－基于种群规模可变的粗粒度并行遗传算法,仿真结果验证了这种新算法的有效性和合理性。     

采用遗传算法求解多跳分组无线网服务质量路由优化模型

采用多目标遗传算法来确定多跳无线网服务质量路由优化问题的Pareto最优解集。通过计算表明,多目标遗传算法能够在一次运行中搜索到优化问题的近似Pareto最优解集,这为决策者进行目标折衷决策提供了充分的依据,此算法是有效可行的。     

基于改进遗传算法的智能排课研究

本文深入地分析了排课问题的软约束条件和硬约束条件,抽象出求解智能排课问题的数学模型。深入分析遗传算法,针对传统的遗传算法,对初始种群进行均匀化、适应度函数、变异算子等方面改进。通过对比实验证明改进的算法完全适用于智能排课问题,而且具有较高的效率,为排课问题的发展提供了新的思路。     

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题, 本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型, 并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解. 该算法引入状态变量和动作变量, 通过Q-learning算法获得初始种群, 以提高初始解质量. 在算法进化过程中, 利用Q表指导变异操作, 扩大局部搜索范围. 采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性, 逐步获得Pareto最优解. 通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验, 验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.     

基于Pareto的多目标优化免疫算法

免疫算法具有搜索效率高、避免过早收敛、群体优化、保持个体多样性等优点。将其应用于多目标优化问题,建立了一种新型的基于Pareto的多目标优化免疫算法(MOIA)。算法中,将优化问题的可行解对应抗体,优化问题的目标函数对应抗原,Pareto最优解被保存在记忆细胞集中,并利用有别于聚类的邻近排挤算法对其进行不断更新,进而获得分布均匀的Pareto最优解。文章最后,对MOIA算法与文献[3]中SPEA算法进行仿真,通过比较两者的收敛性和分布性,得到了MOIA优于SPEA的结论。     

一种基于遗传算法的改进的BP算法

提出一种利用遗传算法对BP算法的改进方案。充分考虑了BP算法的精确性和遗传算法全局寻优的特点．使BP算法摆脱局部极小的困扰,并且所训练的网络能够达到要求的精度。     

一种基于遗传算法的自动排课系统设计

该文提出并实现了一种高校自动排课算法,利用遗传算法建立数据模型,定义了时间片、授课单元、切片算子、不完全两点交叉和适应度函数。通过使用遗传算法,对课程进行编排和对课表进行优化;并用VC 进行编程,Matlab进行仿真,用文件输出结果;实验结果表明,遗传算法对课表的编排和优化有着比较显著的作用。