约束优化问题的免疫混沌算法

结合免疫算法极强的全局搜索能力以及混沌优化方法适合局部搜索的特点，提出了一种新的免疫混沌算法.从一组可行解出发，采用免疫算法通过克隆选择、克隆扩增、高频变异和审查形成记忆细胞，并将其作为全局近似最优解，然后采用混沌优化方法按照混沌运动规律在近似最优解的邻域内进行局部搜索并审查，从而获得全局精确最优解.审查过程包含了对约束条件的处理，即对新产生的候选解进行审查，保留满足约束条件的可行解.利用该算法对几个经典约束优化问题进行了仿真测试，与以往方法相比获得了更优的结果，表明该算法是一种解决约束优化问题的有效方法.     

一种分阶段的制造网络联盟伙伴选择方法研究

为合理地对大规模网络联盟企业进行合作伙伴的选择,提出了一种分阶段的伙伴选择算法.将伙伴选择过程分成粗选和最后决策两个阶段.在粗选阶段,考虑各子任务之间的约束,利用成本最小原则建立了该问题的数学模型,用遗传算法对所建立的模型进行求解,得到一组解,缩小了选择的范围;在决策阶段,进行综合决策分析,考虑多个影响因子,利用专家的经验从缩小的范围内确定出合适的合作伙伴.该方法利用数学和经验知识解决了大规模的伙伴选择问题.     

一种改进的混合蛙跳算法

针对基本混合蛙跳算法存在的易陷入局部最优、随着迭代次数增加种群退化的缺点,提出了一种改进的混合蛙跳算法。该算法将混合蛙跳算法中子群体内最差解根据子群内最优解和全局最优解进行更新的方式转换为最差个体根据子群内中心点和全局最优解进行更新的方式,使得最差解通过获得来自子种群内其他解的更多信息量来调整自身的状态。同时,算法在完成一次内迭代合并之后利用选择算子对整个种群进行选择更新。中值策略较好地平衡了算法的全局搜索与局部搜索能力,选择策略保持了进化过程中种群的多样性。实验结果表明:改进后的算法具有更好的优化性能。     

蚁群算法中改进的蚂蚁选择城市概率公式

在经典蚁群算法中,蚂蚁利用节点之间的局部信息素浓度和节点之间距离作为参考标准选择节点。文中利用历代最短路径作为蚂蚁选择节点的启发式信息,改进传统蚁群算法并结合旅行商问题实验结果中的最优解、平均解,均优于标准蚁群算法。     

基于改进型混洗蛙跳算法的网格DAG任务调度

针对网格环境中DAG任务调度问题,提出一种改进混洗蛙跳算法,通过增设族群进化点和引入邻域搜索策略,解决了原算法进化动力不足和易陷入局部最优的问题;为解决DAG任务在启发式算法中编码困难的问题,利用DAG任务自身的约束条件,重新定义解空间的度量方式,进而提出一种新的编码方式。仿真实验结果表明,改进算法的收敛速度较GA、PSO、SFL算法分别提高了75%、94%和27%,搜索性能亦有明显改善,能有效地提高最优解的质量。     

基于混合搜索策略的Job Shop调度研究

目的 提出基于遗传算法和禁忌搜索算法的混合算法，解决单一算法求解JobShop调度问题存在的不足，提高求解质量．方法 采用遗传算法作为全局搜索算法，禁忌搜索算法作为局部搜索算法．根据JobShop调度问题解的特征。提出基于关键工序的邻域选择方法，将基于这种邻域选择方法的禁忌搜索算法作为变异算子，加强了遗传算法邻域解的搜索能力．结果 混合算法在较短时间内，找到了FT10、LA24、LA36等典型benchmarks问题的最优解，得到的makespan的平均值较并行遗传算法（PGA）提高3．84％、较TSAB算法提高4.66％．结论 采用的禁忌搜索算法改善了遗传算法的局部搜索能力，说明提出的混合搜索策略是有效的．     

基于云模型的小生境MAX-MIN相遇蚁群算法

针对基本蚁群算法在解决大规模优化问题时易限于局部最优解、收敛速度慢的突出缺陷,本文在阐述基本蚁群算法和云模型理论的基础上,提出了一种利用云模型定性关联规则来有效限制基本蚁群算法陷入局部最优解的方法;随后借助最优解保留、相遇搜索和信息素自适应控制策略以及自然界的小生境思想对基本蚁群算法进行了系列改进,以提高改进后蚁群算法的全局收敛性能。同时,为了避免蚁群在搜索过程中易出现停滞现象,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间。仿真实验结果验证了本文所提改进蚁群算法的可行性和有效性。     

双尺度协同变异的离散粒子群算法

针对离散粒子群算法局部搜索能力差的不足,提出了一种基于双尺度协同变异的离散微粒群算法.采用对当前最优解进行双尺度速度变异的方法,来实现提高算法局部最优解搜索和改善最优解精度的能力.在算法初期利用大尺度速度变异可增加粒子的多样性,快速定位到最优解区域;算法后期则通过逐渐减小的小尺度变异可提高算法在最优解附近的局部精确解搜...     

利用膜粒子群优化的条件随机域特征选择

提出了一种新的基于膜粒子群优化的特征选择方法．该方法利用了膜系统的分层结构和消息传递机制,将粒子群优化算法作为区域子算法部署到各个区域中．不同于传统粒子群优化算法,该方法将粒子群优化的搜索速率分解为局部搜索速率和全局搜索速率．膜系统的所有外层区域采用局部搜索速率,搜索局部最优解;最内层区域采用全局搜索速率,搜索全局最优解．所有外部区域将最优解传递给相邻内部区域,内部区域将最差解传递给相邻外部区域,最内区域向相邻外部区域传递最差解．当各个区域之间的解传递在一段时间内停止时,或者算法迭代次数达到限定次数时,算法收敛,取最内层区域的最优解为最终解．以条件随机域模型的最大似然估计函数为目标函数,利用膜粒子群优化计算各个特征权重系数,最后剔除那些权重系数小于阈值的特征．实验结果表明,在进行生物文本的基因名称识别时,利用该方法对条件随机域的特征进行选择后,可以消除冗余特征的干扰,能获得更高的准确度．     

改进的群集智能优化算法在任务排序中的应用

针对集成设计过程中用遗传算法进行任务排序的执行效率、收敛性等问题,考虑任务之间耦合关系对任务执行结果的影响,对遗传算法进行改进,并结合粒子群算法,提出了一种优化算法。并用实例进行了验证,结果表明该算法收敛速度快,结果稳定。对于不同的初始种群,结果都能找到全局最优解。     

敏捷制造中面向盟友选择问题的遗传算法

为解决敏捷制造中组建动态联盟的盟友选择问题,在分析传统盟友选择方法局限性的基础上,设计求解敏捷制造中面向盟友选择问题的遗传算法,建立算法模型,论述遗传算法的个体编码及初始群体产生方法、概率淘汰与轮盘赌相结合的选择方法以及编码循环取值的变异算子设计方法,实例分析验证了算法的稳定性、可靠性及高效的收敛速度.验证结果表明算法能给相关研究提供参考,亦可用于动态联盟盟友选择问题的指导.     

遗传算法在家纺企业生产调度中的应用

为解决家纺企业的生产调度问题,设计了一种新颖的遗传算法.算法采用自然的编码方式,能有效地反映实际调度方案,即清楚反映出每日每机器加工产品的顺序和数量,通过提出一种新的基于浓度的种群多样性更新选择方法,提高了种群多样性,且利用局部搜索算法对每子代得到的调度方案进行了局部调整,改善了种群质量,加快了收敛速度.仿真结果表明,此算法是有效的,适用于解家纺企业实际生产调度问题.     

基于混合遗传算法的支持向量机参数选择

针对常用的梯度下降法支持向量机参数选择方法易陷入局部极小点的问题,提出一种基于混合遗传算法的支持向量机参数选择方法.该方法结合遗传算法的全局优化能力和梯度法的局部寻优能力,能够选择到更好的支持向量机参数.仿真实验表明,使用该方法确定的参数可使支持向量机具有更好的泛化性能.     

基于遗传算法的虚拟企业伙伴选择及优化

伙伴选择是组建虚拟企业的关键,运用遗传算法进行伙伴选择是选择优秀伙伴的一种良好的方法。主要介绍了虚拟企业的基本概念,以及虚拟企业中伙伴选择的原则及其影响因素,随后介绍了遗传算法及其解题步骤,最后着重说明了基于遗传算法的虚拟企业伙伴选择的过程及优化模型,并且用事例加以说明。     

基于免疫遗传算法的设备布局问题研究

针对免疫遗传算法中存在的问题,提出了一种改进免疫遗传算法。改进算法的主要特点是简化了种群个体的选择机制,采用了新的亲和力组合计算的方法。通过单行与多行机器布局的实验验证了新算法,得到了满意的效果。同时,纠正了相关文献中设备可用空间计算中的错误,简化了机器净间距序列调整方法。     

基于遗传算法的虚拟企业伙伴选择及优化

伙伴选择是组建虚拟企业的关键,运用遗传算法进行伙伴选择是选择优秀伙伴的一种良好的方法.主要介绍了虚拟企业的基本概念,以及虚拟企业中伙伴选择的原则及其影响因素,随后介绍了遗传算法及其解题步骤,最后着重说明了基于遗传算法的虚拟企业伙伴选择的过程及优化模型,并且用事例加以说明.     

基于遗传算法的锅炉对流受热面优化设计

为优化结构以降低锅炉制造成本,建立以关键结构参数作为决策变量的锅炉对流受热面优化设计模型.提出采用遗传算法进行锅炉对流受热面优化设计的方法,实现完成既定传热任务而减小传热面积的优化目标.选择整数编码形式,并引进变量约束条件、显式函数约束条件和隐式函数约束条件来控制对流受热面结构参数并保证性能指标.利用锅炉设计案例库,采用案例检索与随机生成相结合的方法产生设计方案的初始群体,有效结合设计经验与遗传算法的搜索功能.采用均匀交叉与算术交叉相结合的交叉操作,以及均匀变异产生新个体.采用比例选择与精英保存结合法促进遗传算法向全局最优方向发展.计算结果表明：该方法适用于锅炉对流受热面结构优化设计,能够有效提高设计质量.     

用遗传算法实现Multi—Agent协同设计中的子任务调度

提出了Ｍｕｌｔｉ－Ａｇｅｎｔ协同设计任务调度的目标模型,描述了系统资源和Ａｇｅｎｔ资源的数据结构,并以细粒度子任务的调例,用遗传算法实现任务调度,提高了Ｍｕｌｔｉ－Ａｇｅｎｔ协同的效率。     

基于合作式协同进化算法的神经网络优化

针对一般遗传算法优化神经网络存在的不足，提出合作式协同进化遗传算法实现神经网络结构和权值同步优化方法．首先，结合合作式协同进化遗传算法本身特性和神经网络特点，给出种群分割方法；其次，为了实现结构和权值的同步优化，提出一种新的混合编码方法，并根据该混合编码方法设计新的交叉和变异算子；然后，根据编码结构、代表个体和合作团体之间的关系，提出一种新的结构优化方法；再次，给出进化过程所需代表个体选择、适应度构造方法等．最后，通过双螺旋线问题验证本文算法的有效性．     

基于遗传算法与动态规划法的工艺过程优化

针对制造系统中的工艺过程优化问题,提出一种基于遗传算法和动态规划法的综合优化模型。该模型将工艺过程的优化分解为两个并行层次-工序层和工艺路线层。用改进的遗传算法求解工序层中的工艺参数优化问题,同时利用动态规划法实现工艺路线层次的优化。将两个层次优化方法有机结合,在局部优化的基础上进行整体优化,从而实现整个工艺过程的优化。通过实例证明了该优化模型求解的可行性和有效性。