自适应变异的遗传算法求解Flow Shop问题

针对遗传算法在求解流水车间调度问题中易出现早熟收敛的局限性．提出了自适应变异的遗传算法。该算法在运行的过程中，首先定义了一种新的衡量种群多样性的熵．然后根据熵值来确定变异概率。这种变异增强了遗传算法跳出局部最优解的能力。仿真实例的结果表明了该算法的有效性，最后利用该算法设计并实现了一个简单的服装加工智能调度器。     

高粱DNA导入小麦"周麦16"引起后代变异的研究及SSR分析

[目的]将高粱DNA导入"周麦16"选育新的冬小麦变异种质系.[方法]将高粱"抗5"DNA通过花粉管通道导入小麦品种"周麦16",对变异后代系统选择稳定的变异种质系,并对得到的稳定变异株系进行SSR分子标记检测.[结果]将高粱"抗5"DNA导入"周麦16",其后代在株高、叶片蜡质层、芒型、穗型、旗叶、成熟期等几个方面发生大量变异.通过对变异后代系统选择得到稳定的变异种质系Di6-1、D16-4等,对"周麦16"、D16-1、D16-4、高粱"抗5"基因组DNA的引物xgwm6、xgwm148、xgwm295、xgwm328、xgwm257检测出了较丰富的多态性DNA片段,其中xgwm6、xgwm257检出了高粱"抗5"DNA特有而"周麦16"没有的特异带型,进一步说明了D16-1、D16-4是由高粱"抗5"DNA片段嵌入"周麦16"基因组DNA变异而来.[结论]利用外源DNA导入技术可实现小麦远缘、超远缘遗传物质的转移,极大地丰富了小麦遗传的物质基础,为创造新的突破性的种质资源材料开辟了有效途径.     

混合禁忌搜索算法求解关联运输调度问题

考虑到实际生活中车辆受发车时间限制以及道路路况影响运输成本等因素,建立了带客户软时间窗、车场硬时间窗、多车型、道路路况等约束的关联运输调度问题模型.结合禁忌搜索与遗传算法的优势,构造了混合禁忌搜索算法,以通过构造多个初始解来增大搜索空间;设计了两种禁忌表,分别为局部禁忌表和全局禁忌表,这不仅能加快寻优速度,还可以摆脱对单个解的依赖;将禁忌搜索生成的优化解作为遗传算法的初始解,可以加快寻优速度;自适应调整禁忌表长度可以避免早熟收敛;提取核心路径便于进行后期优化,relocate算子能减少路径网络回路数目.对实例进行的仿真表明,提出的IVRP优于一般的VRP,可节约大量成本,且提出的算法在收敛速度和寻优结果两方面都优于遗传算法和禁忌搜索算法.由3种算法求解得到的总成本、总里程及收敛时间的标准差体现出该算法的稳定性比另外两种算法的好.     

多群多策略差分大规模多目标优化算法

针对差分进化算法在解决大规模多目标优化问题时,出现优化后期多样性不足、收敛速度慢等问题,提出一种多群多策略差分大规模多目标优化算法.根据个体特性不同,将种群分为3个等级不同的子群,利用多群策略的优势维持种群多样性.为减少种群陷入局部最优的概率,在不同等级的子群中引入多个变异策略以较好地平衡子群个体的多样性和收敛性.为保证不同子群间信息得到有效交换,根据3个子群的进化状态确定重新分群时机,既保证个体在本群内得到充分进化,又保证个体在一定的条件下进行信息交换.为利用更多的信息生成优秀的子代,将更新后的子群与其父代子群合并,选出下一代子群.为验证所提出算法的有效性,在一组大规模基准测试问题上评估算法的性能,实验结果表明,所提出算法在两个常用测试指标IGD和HV上明显优于其他对比算法.     

基于动态搜索的自适应猫群算法

针对猫群算法(cat swarm optimization,CSO)中极易陷入局部极值和收敛的速度偏慢等问题,提出一种基于动态搜索的自适应猫群算法(adaptive cat swarm algorithm based on dynamic search,ADSCSO).根据Logistic函数特点对分组率和惯性权重实行...     

基于半变异函数的多极化SAR图像地表淹没程度分析

洪涝灾害范围的提取能够为灾害的动态监测、评估提取重要的数据。由于半变异函数能够反映图像数据的随机性和结构性,可以很好的体现地物的空间自相关性。而地物在SAR图像上也表现出很好的空间自相关性和纹理特征,各种淹没程度的地物在图像上也表现出不同的空间自相关性,所以将特定窗口下特定步长的半变异函数应用到地表淹没程度分析,证明该方法的可行性。     

遗传算法综述

本文主要回顾了遗传算法的发展历程,并对遗传算法的基本原理及特点作了简要阐述。进一步指出了遗传算法存在的问题及相应的改进措施,讨论了遗传算法在实际中的应用。     

基于混沌和动态变异的蛙跳算法

针对混合蛙跳算法SFLA(shuffled frog leaping algorithm)易陷入局部最优、收敛速度慢的问题,提出一种改进的混合蛙跳算法。该算法首先用混沌的Tent序列初始化青蛙群体以增强群体的多样性,提高初始解的质量;再根据每只青蛙的群体适应度方差值选取不同的变异概率,有效增强了SFLA跳出局部最优解的能力。通过对6个经典函数的仿真测试,结果表明,新算法比SFLA和ISFLA1的寻优能力更强,迭代次数更少,解的精度更高。     

基于高斯-柯西变异的帝国竞争算法优化

为解决帝国竞争算法(Imperial Competitive Algorithm,ICA)竞争过程中收敛速度慢和易陷入局部最优的问题,提出了一种基于高斯-柯西变异的帝国竞争算法(Imperial Competitive Algorithm Based on Gauss-Cauchy Mutation,GCICA).在ICA帝国竞争时引入高斯变异,加快竞争过程中的收敛速度;帝国灭亡后多样性减少且仅在小范围区域内进行寻优,引入柯西变异,使其跳出局部最优.分析引入高斯、柯西、高斯-柯西变异后的算法在多个典型基准测试函数上的仿真结果,GCICA的收敛速度和寻优精度都得到了提升.     

一类自适应混沌文化算法

混沌变异进化算法忽略了混沌规律性,未充分利用知识来提高算法的局部收敛能力.为此,借鉴文化算法的双层进化结构,在文化算法的进化引导函数中引入自适应混沌变异策略,提出一种自适应混沌文化算法.利用进化过程隐含知识控制变异尺度,使知识引导个体能跳出局部较优解,在保证种群多样性的同时,实现进化后期的精细搜索.仿真结果表明,该算法可以有效提高进化收敛速度,具有较好的计算稳定性.