基于优化遗传算法的多配送中心车辆路径研究

将遗传算法与模拟退火算法相结合,提出了一种基于优化遗传算法的多配送中心车辆路径调度方法,该调度方法不仅具有自适应遗传算法的强大全局搜索能力,也具有模拟退火算法的强大局部搜索能力。通过对杂交率和变异率进行自适应调整、对接受算子进行退火处理,有效地增强了全局寻优能力,通过对适应值函数退火拉伸,加速了寻优过程。     

应用模拟退火遗传算法进行树状管网布置优化

将模拟退火算法和遗传算法结合起来用于树状管网布置优化,避免了遗传算法中存在的早收敛问题和模拟退火寻优能力差的问题,增强了全局和局部的搜索能力,并且提高了收敛速度.     

高强混凝土配合比优化设计

论述了遗传算法与模拟退火算法的运算机理，以及遗传算法在全局搜索中的优势和模拟退火算法在局部寻优中的能力，进而提出性能更好地解决优化问题的模拟退火-遗传算法，并提出高强混凝土配合比的优化设计数学模型，指出模拟退火-遗传算法使得高强混凝土配合比的优化设计简捷方便，并能提高经济效益，具有工程实用价值。     

基于拟满应力遗传算法的桁架结构形状优化设计

以拟满应力法和改进遗传算法为基础,提出了一种可以解决具有连续变量和离散变量的桁架结构形状优化问题的拟满应力遗传算法。该算法既充分利用了遗传算法全局寻优能力强的特点,也发挥了力学准则法局部寻优长处,具有很高的搜索效率。用拟满应力遗传算法解决15杆桁架结构形状优化问题的结果表明,这是一种解决具有连续、离散混合变量的桁架结构优化设计问题的很有效方法。     

基于混合遗传算法的结构优化设计

针对遗传算法在迭代过程中经常出现早熟、收敛速度慢、局部搜索能力差等缺点,对遗传算法中的遗传算子进行了改进,提出梯度算法与遗传算法相结合的混合遗传算法。分析表明,这种混合遗传算法既发挥了梯度算法局部搜索能力强的特点,又结合了遗传算法全局搜索能力强的优点,避免出现早熟现象,使收敛速度大大改善,具体算例表明该混合遗传算法是一种有效的工程结构优化方法。     

基于结构式二进制编码的遗传算法在及其在BP网络中的应用

根据BP网络的拓扑特征,本文设计了基于结构式二进制编码的遗传算法,在该算法中,通过先将庞大的解空间进行分解处理,再将分解后的子空间视为个体进行遗传操作,能借助遗传算法的优势在全局范围内搜索到最优解所在的子空间,从而为下一步应用BP算法进行局部搜索明确了起点,缩小了范围,有效解决了BP算法易陷入局部极小,收敛速度慢甚至不收敛等问题,最后,通过字母识别试验证明了该算法的效率。     

SQP-GA混合遗传算法在接地网腐蚀诊断中的应用研究

针对应用在接地网腐蚀诊断中基本遗传算法(genetic algorithm,GA)局部寻优能力较差现象,提出了一种改进的遗传算法,即序列二次规划-遗传算法(sequential quadratic program-ming-genetic algorithm,SQP-GA)。SQP-GA混合遗传算法引入序列二次规划(sequential quadraticprogramming,SQP)算法作为基本GA的局部搜索算子,有效地提高了基本GA的性能,该混合算法充分利用了序列二次规划法的强大的局部搜索能力和遗传算法优秀的全局寻优能力,使得诊断结果得到改善并且减少仿真时间。通过ATP-Draw软件模拟一个41节点、61支路实例接地网进行腐蚀仿真实验,仿真结果表明,SQP-GA混合遗传算法在接地网腐蚀诊断中的收敛速度与寻优精度均优于基本GA,验证了该算法的有效性。     

改进的蚁群算法在TSP问题中的应用

应用基本蚁群算法来求解TSP问题,在算法中引入去交叉策略,降低其计算复杂度,仿真算例表明,该方法能有效加快局部搜索能力,加快了大规模TSP问题的求解。     

基于基因表达式编程的混合蚁群算法

蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。针对此问题,本文提出了一种先用基因表达式编程生成信息素分布,再利用蚁群算法求优化解的新的混合算法。并通过求解复杂TSP问题的仿真数据实验验证了这种基于基因表达式编程的混合蚁群算法的高效性。     

确定边坡最小安全系数的混合优化方法

采用简化的Bishop法计算滑面为圆弧时边坡的安全系数,并将遗传算法和Powell法相结合构造具有良好的全局搜索能力和较快搜索速度的混合算法以搜索边坡的最小安全系数及与之相对应的滑动面,工程实例检验了所提出算法的有效性。     

基于单纯形-有限随机追踪法的边坡稳定性分析

有限随机追踪法在边坡稳定性分析中的全局搜索能力,为边坡稳定性分析提供了新的思想。本文主要将单纯形法的局部搜索能力与有限随机追踪法的全局搜索能力有机结合起来,形成单纯形-有限随机追踪法优化算法,并利用改进Bishop算法对边坡进行稳定性分析,最终得到边坡稳定性系数的全局最优解。依据上述思想编制了边坡稳定性分析程序,并对边坡工程进行稳定性分析与评价。研究结果表明:根据单纯形-有限随机追踪法优化算法计算得到的边坡稳定性系数是全局最优解,具有较高的精度,单纯形-有限随机追踪法优化算法具有较强的全局搜索能力,分析结果可靠。     

改进遗传算法在排课问题中的应用研究

分析了遗传算法在排课问题中的应用,针对遗传算法容易早熟收敛的问题,提出了改进的混沌遗传算法,将遗传操作中的交叉和变异操作用混沌交叉和混沌变异取代,充分利用混沌算法优化搜索技术,保证种群多样性,提高算法全局寻优能力。该算法应用于实际排课中,得到的排课方案更好地满足了约束条件,排课效果良好。     

装备研制作战需求项目的设计与优化

针对装备研制的实际情况,利用性能需求的可靠性、神经网络良好的自适应性和遗传算法强大的全局搜索能力,采用性能需求、遗传算法和BP神经网络相结合的综合算法解决装备研制作战需求项目的设计与优化问题。     

基于遗传神经网络模型的水质综合评价

建立了用于水质综合评价的遗传神经网络模型.该模型运用遗传算法优化改进型BP神经网络的初始权值和阈值,具有快速学习网络权重和全局搜索的能力,有效解决了BP神经网络容易陷入局部极小点和训练结果不稳定的问题.采用苏帕河梯级电站的水质监测数据对该模型进行了测试,并与其他方法进行了比较.结果表明,该方法用于水质综合评价客观、合理、准确,有其独特的优越性.     

基于改进粒子群算法CHPSO-DS的面板 坝堆石体力学参数反演

面板堆石坝堆石体力学参数反演优化问题是一个多变量、多约束的混合非线性规划问题,当正演过程用神经网络模拟器替代后,高效快捷的优化算法成为解决问题的关键.提出一种用以解决这一复杂优化问题的混合算法--混沌直接搜索粒子群(CHPSO-DS)算法.在改进的算法中,首先结合混沌优化思想对粒子群进行初始化,减轻粒子初始位置的选择对算法优化性能的影响;利用直接搜索法克服了粒子群算法后期搜索效率降低的缺陷,提高算法局部搜索能力.为证明该算法的优越性,同时将该算法与遗传算法(GA)用于水布垭面板堆石坝堆石体力学参数的位移反分析计算中.实践证明,利用CHPSO-DS算法搜索时能快速收敛到全局最优解,且算法具有较强的鲁棒性;两算法对比结果也表明,不论是优化精度还是收敛时间,CHPSO-DS算法都较GA有明显提高.最后利用CHPSO-DS算法反演的堆石体力学参数进行测点沉降预测,结果表明各个测点的计算位移值与监测值吻合较好,说明CHPSO-DS算法在复杂岩土工程位移反分析中具有良好的实际应用价值,值得进一步研究和推广.     

基于改进的蚁群算法的测试数据自动生成方法

本文设计了测试数据自动生成模型,提出一种基于改进的蚁群算法的测试数据自动生成方法。该方法在传统蚁群算法的概率算子中引入相似度影响因子,增加了算法的全局搜索能力。通过三角形判别问题,对改进的算法与传统蚁群算法对比分析。实验结果表明,该算法相较传统蚁群算法具有搜索效率高、全局搜索能力强的特点,在测试数据自动生成问题中具有较强的可行性。     

基于蚁群算法的复合形法及其在边坡稳定分析中的应用

首先将基于排序的路径选择方法引入基本蚁群算法 ,并用之于连续变量的优化问题和边坡的最小安全系数搜索 ,结果发现对于设计变量较少的数值优化问题和简单边坡的最小安全系数搜索问题 ,该蚁群算法可以找到全局最优解或比较接近全局最优解。但对于复杂边坡的最小安全系数搜索问题 ,该蚁群算法很容易陷入局部最优。另外复合形法对于不同的初始复合形也会得到不同的最小安全系数 ,利用本文提出的基于最小海明距离的替换准则将蚁群算法得到的局部最优解替换掉初始复形中的一个顶点 ,则复合形法容易找到全局最优 ,成为一种全局搜索能力很强的优化算法。     

基于TSP问题的仿生算法比较

旅行商问题,即TSP问题是数学领域中著名问题之一。它是一个组合优化问题,对于规模较大的TSP问题,传统的数学方法不易解决,新兴的智能优化算法求解能力较强。在智能算法求解中,基于生物活动衍变而来的仿生算法表现尤为突出,因此将使用常见的仿生算法对不同规模TSP问题进行实验对比,分析算法优缺点,提出解决TSP问题的一种联合寻优算法。     

求解随机阻塞批量流水线调度问题的改进人工蜂群算法

针对含有随机加工时间的阻塞批量流水线调度问题,利用蒙特卡洛采样方法,将不确定加工时间的阻塞批量流水线调度问题转化为确定加工时间的阻塞批量调度问题。采用改进的人工蜂群算法,对上述转化后的调度问题进行求解。算法中加入了和声搜索和基于插入操作的局部搜索算子,以改进全局探索和局部开发能力,并将改进的算法应用到阻塞批量调度的24个算例中。仿真实验结果表明,改进的人工蜂群算法能够降低调度中的不确定因素带来的影响,产生高质量的解。     

基于GAPSO-MUSIC算法的矢量水听器的DOA估计

针对传统的MUSIC算法存在需要多维的非线性搜索、计算量大等问题,提出了混合粒子群遗传算法和MUSIC算法相结合的方法,对矢量水听器的波达方向(Direction of Arrival,DOA)更好的进行估计.该算法利用遗传算法的交叉算子和变异算子避免了粒子群算法早熟且易陷入局部最优,同时利用群优化算法搜索能力强的优势,更好的对波达方向进行估计.仿真实验和湖试实验表明,混合遗传粒子群算法与MUSIC算法相结合对DOA估计具有更好的性能,精度更高,具有很好的实用性.