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。     

量子克隆遗传算法

遗传算法是解决优化问题的一种有效方法,但在实际应用申也存在着收敛速度慢、早熟等问题,使得其结果极不稳定。本文将遗传算法和量子理论相结合并利用免疫系统申所特有的克隆算子,针对0／1背包问题,提出了一种改进的进化算法-一量子克隆遗传算法（QCA）。它能有效地避免早熟,且具有收敛速度快的特点。     

求解背包问题的一种改进遗传算法

讨论了遗传算法在问题求解中的早熟现象,引进一个参数用以衡量种群中染色体的相似程度,用以增加种群的多样性;在杂交和变异运算过程中,混合了模拟退火思想作为新个体的接受准则;通常的变异算子需要扫描每一个染色体中每一个等位基因,提出一种新的变异方式,大大提高了算法搜索效率。通过实际计算比较表明,该改进遗传算法在背包问题求解中具有很好的收敛性、稳定性和计算效率。     

一种基于模式替代的遗传算法解0/1背包问题*

背包问题是一个典型的 NP完全问题。提出一种基于模式替代的遗传算法解0/1背包问题思想,通过收集每代种群中最好的几个个体生成模式来引导种群的搜索方向,以提高遗传算法的搜索速度和寻找最优解的能力。通过仿真数值实验,将该方法与简单遗传算法、贪心算法计算结果比较分析,充分证明了使用基于模式替代遗传算法来求解背包问题的有效性和实用性。     

A quantum-inspired Tabu search algorithm for solving combinatorial optimization problems

In this study, we propose a novel quantum-inspired evolutionary algorithm (QEA), called quantum inspired Tabu search (QTS). QTS is based on the classical Tabu search and characteristics of quantum computation, such as superposition. The process of qubit measurement is a probability operation that increases diversification; a quantum rotation gate used to searching toward attractive regions will increase intensification. This paper will show how to implement QTS into NP-complete problems such as 0/1 knapsack problems, multiple knapsack problems and the traveling salesman problem. These problems are important to computer science, cryptography and network security. Furthermore, our experimental results on 0/1 knapsack problems are compared with those of other heuristic algorithms, such as a conventional genetic algorithm, a Tabu search algorithm and the original QEA. The final outcomes show that QTS performs much better than other heuristic algorithms without premature convergence and with more efficiency. Also on multiple knapsack problems and the traveling salesman problem QTS verify its effectiveness.     

基于自适应算子的混合进化算法及其应用

提出了一种求解多目标优化最短路径问题的混合进化算法。算法中依据小生境机制生成若干个实数编码染色体的子群,各子群分别利用自适应算子的局域搜索能力找出优化解。协同进化机制能更好地保证进化的方向性和种群的多样性,基于路径表示的染色体十进制编码方法以及染色体的交叉和变异具有新颖性。该算法用于解决智能交通系统的公共交通线路换乘问题,实验结果表明了其优越性。还运用Markov随机过程理论证明了算法的收敛性。     

协同进化扩展紧致量子进化算法

为了提高量子进化算法的全局收敛性能, 基于协同进化的思想, 并结合扩展紧致遗传算法, 提出了协同进化扩展紧致量子进化算法(CECQEA). 该算法利用多粒度机制进行量子染色体的旋转, 并依据边缘积模块(MPM) 进行交叉和变异以避免优良模式的破坏; 在每一个子种群内对个体依据MPM进行自调整操作, 同时进行种群的分裂、合并及优良个体的迁移操作. 通过对算法收敛性的分析可看出, CECQEA 能够收敛到满意解集; 经基准函数以及背包问题的仿真测试分析可看出, 算法收敛效果更加明显.     

一种基于云模型的多目标进化算法

在多目标进化算法的基础上,提出了一种基于云模型的多目标进化算法(CMOEA).算法设计了一种新的变异算子来自适应地调整变异概率,使得算法具有良好的局部搜索能力.算法采用小生境技术,其半径按X条件云发生器非线性动态地调整以便于保持解的多样性,同时动态计算个体的拥挤距离并采用云模型参数来估计个体的拥挤度,逐个删除种群中超出的非劣解以保持解的分布性.将该算法用于多目标0/1背包问题来测试CMOEA的性能,并与目前最流行且有效的多目标进化算法NSGA-II及SPEA2进行了比较.结果表明,CMOEA具有良好的搜索性能,并能很好地维持种群的多样性,快速收敛到Pareto前沿,所获得的Pareto最优解集具有更好的收敛性与分布性.     

基于混沌理论的免疫量子进化算法

提出了基于混沌理论的免疫量子进化算法,该算法应用混沌理论并依据小生境机制将初始个体划分为实数编码染色体的子群,各子群应用免疫特性的局域搜索能力找出优化解。混沌优化搜索机制能有效避免早熟收敛。为解决2进制算法所不能避免的精度与效率的冲突,采用10进制编码染色体。算法综合了量子计算的天然并行性、免疫算法的充分自适应性和混沌系统的遍历性,它比传统的进化算法具有更好的种群多样性,更快的收敛速度,更有效的全局和局域寻优能力。仿真实验也表明了该算法的优越性。     

遗传变异蝙蝠算法在0-1背包问题上的应用

0-1背包问题是经典组合优化NP难题。在蝙蝠算法的基础上结合遗传变异的思想,引入主动进化算子、无效蝙蝠和当前最优位置蝙蝠集聚的处理规则,提出了遗传变异蝙蝠算法,并将其用于求解0-1背包问题。仿真结果表明：该算法在收敛速度和精度上优于基本蝙蝠算法,并且能够有效地求解0-1背包问题。     

变种群规模合作型协同进化遗传算法及其在优化中的应用

分析合作型协同进化遗传算法的进化效率和计算复杂性等与子种群规模的关系；在此基础上提出子种群规模自适应调整算法的思想，给出子种群规模调整的依据和调整方法；进而提出基于实数编码的变焦遗传算法．典型函数优化实例验证了该算法具有计算复杂性小和进化效率高的优点．     

一种基于决策图贝叶斯网络的强度Pareto进化算法

提出了一种基于决策图贝叶斯网络的强度Pareto进化算法,该算法把贝叶斯概率模型结合到多目标进化算法中,通过构造和学习网络来替代传统进化算法中的交叉重组和变异等遗传操作,避免对大量参数的人工设置和重要构造块的破坏．求解多目标背包问题的仿真结果表明,所提算法可以快速收敛到较好的Pareto前沿,有很强的鲁棒性．     

动态区域性多群体搜索的遗传算法

提出了一种新的动态区域性多群体搜索的遗传算法.该方法的各个遗传群体所占据的搜索空间由自适应模糊Hamming神经网络的决定,此神经网络通过对遗传个体分类和学习,将不同的遗传群体分配在搜索空间的不同位置,并可以动态地调整遗传群体的搜索区域或建立新的遗传群体,从而确保了遗传群体的个体多样性,有效地抑制了可能发生的早熟收敛现象,而且使得遗传算法具有较强的全局寻优能力和快速局部寻优能力.本文的实验通过对典型的复杂多模函数的优化计算,也显示了动态区域性多群体搜索的遗传算法的优良性能.     

具有年龄结构的遗传算法

该文提出了一种基于年龄结构的遗传算法。标准遗传算法(SGA)已经被成功地应用到很多进化优化问题上,但是对于复杂的多模态函数寻优时,会出现早熟收敛现象。为了解决这个问题,该文结合自然规律和遗传算法的特点,提出了具有年龄结构的遗传算法的框架以及实现。通过对不同年龄个体的不同操作,克服了早熟收敛问题且保持了群体的多样性,使算法能顺利地收敛到全局最优值。     

Approximate algorithms for some generalized knapsack problems

In this paper we construct approximate algorithms for the following problems: integer multiple-choice knapsack problem, binary multiple-choice knapsack problem and multi-dimensional knapsack problem. The main result can be described as follows: for every ε 0 one can construct a polynomial-time algorithm for each of the above problems such that the ratio of the value of the objective function by this algorithm and the optimal value is bounded below by 1 - ε.     

A self-organizing random immigrants genetic algorithm for dynamic optimization problems

In this paper a genetic algorithm is proposed where the worst individual and individuals with indices close to its index are replaced in every generation by randomly generated individuals for dynamic optimization problems. In the proposed genetic algorithm, the replacement of an individual can affect other individuals in a chain reaction. The new individuals are preserved in a subpopulation which is defined by the number of individuals created in the current chain reaction. If the values of fitness are similar, as is the case with small diversity, one single replacement can affect a large number of individuals in the population. This simple approach can take the system to a self-organizing behavior, which can be useful to control the diversity level of the population and hence allows the genetic algorithm to escape from local optima once the problem changes due to the dynamics.     

克隆选择免疫遗传算法对高维0/1背包问题应用

针对遗传算法求解高维背包问题收敛速度慢、易于陷入局部最优的缺点,基于生物免疫系统克隆选择原理,提出一种克隆选择免疫遗传算法。该算法中抗体采用二进制编码,通过抗体浓度设计抗体亲和力,进化群分离为可行群和非可行群,进化过程仅可行抗体动态克隆和突变,非可行抗体经修复算子获可行抗体。数值实验中,选取三种著名的算法用于四种高维的背包问题求解,结果表明:所提算法较其他算法具有更强的约束处理能力和快速收敛的效果。     

一种新的优胜劣汰遗传算法

为防止进化种群早熟收敛，并考虑进化种群多样性与进化代数的关系，提出一种新的近亲交叉回避策略，该策略中实施亲交叉回避操作的下限随进化代数和种群平均海明距离变化，在此基础上提出一种新的优胜劣汰遗传算法，该算法能有效地避免近亲繁殖且体现了优胜劣汰思想，业已证明，提出的算法可以保证收敛到全局最优解，仿真结果表明，与简单遗传算法相比该算法是有效的。     

一种改进的遗传算法及其在TSP中的实现

TSP问题是典型的NP完全问题，遗传算法是求解NP完全问题的一种方法。文章针对TSP问题．提出了一种改进的遗传算法。在遗传算法中引入进化算法的思想，在此基础上提出顶端培育策略和分阶段策略，以求在保证群体多样性的同时加快收敛速度。在算法的仿真和测试中，改进后的算法明显优于传统的遗传算法。这表明，该算法具有良好的可行性和实用性。     

异构环境下独立任务分配问题的免疫遗传算法

针对异构环境下独立任务分配问题，提出了一种免疫遗传算法，为抑制早熟停滞现象，基于免疫原理，为遗传算法定义了染色体浓度，采用免疫变异算子来维持种群的多样性，采用接种疫苗算子来提高算法的求精能力，使算法在空间探索和局部求精间取得了很好的平衡，仿真结果表明．遗传算法能够很好地应用于求解任务分配问题，基于免疫原理的优化算子能够有效地提高遗传算法的搜索效率、优化搜索结果．