面向多核任务调度的混合遗传算法

多核处理器的并行任务调度一直是研究的热点话题,属于NP-hard问题。针对此问题,本文提出了一种集启发式算法、禁忌搜索算法、模拟退火算法于一体的改进混合遗传算法(modified hybrid genetic algorithm,MHGA)。MHGA改进如下:首先,采用启发式的分层调度来初始化种群,提高初始种群质量;其次,提出基于禁忌搜索(tabu search,TS)的随机编号交叉算子,提高种群的多样性;最后,采用基于模拟退火(simulated annealing, SA)的变异,提高个体质量。实验结果表明,与其他遗传算法(genetic algorithm,GA)相比,MHGA可以得到更小的任务调度时间和更快的最优解搜索能力。     

基于混合遗传算法的海军航空兵场站物资配送车辆调度智能优化

为提升海军航空兵场站物资配送车辆调度效率，根据海军航空兵场站物资配送任务特点，建立了物资配送车辆调度优化模型，提出了混合遗传算法(hybrid genetic algorithm, HGA)对模型进行了求解。在HGA中引入了模拟退火(simulated annealing, SA)操作对经典遗传算法(genetic algorithm, GA)进行了改进：选择适合模型的编码方式和交叉算子；使用类似路径构造的方法构建初始种群；在遗传操作产生子种群之后，通过SA操作寻找子种群邻域中的潜在优秀个体，提升算法局部搜索能力。最后，通过与经典GA的对比实验，验证了所提算法的有效性和可靠性。     

电子侦察卫星任务调度方法

基于电子侦察卫星任务规划问题的特殊性,提出了规划预处理的基本方法,并基于合理假设建立了问题的多目标规划模型;设计了一种改进的遗传退火算法对模型进行求解,为防止最优解的丢失,引入了基于精英保留的选择机制,同时该算法有效避免了遗传算法局部优化能力差及模拟退火算法易陷入局部最优等缺陷。最后,通过实例将该算法与遗传算法(genetic algorithm, GA)及模拟退火算法(simulated annealing algorithm, SA)相比较,结果表明该算法能有效解决电子侦察卫星的任务规划问题。     

基于IFOA-SA-BP神经网络的雷达信号识别

为提高雷达信号的识别率,提出一种改进的果蝇优化算法(improved fruit fly optimization algorithm, IFOA)和模拟退火(simulated annealing, SA)算法相融合并用于优化反向传播(back propagation, BP)神经网络的雷达信号识别算法。首先,该算法提取雷达信号的调和平均盒维数、信息维数和差分近似熵特征作为信号识别的三维特征。然后,改进果蝇优化算法的寻优步长并添加逃脱系数以修改适应度函数,同时引入三维空间的搜索概念扩大果蝇的搜索范围,再对果蝇算法所求解的接受机制通过SA算法进行修正。最后,将融合后的算法IFOA-SA用于优化BP神经网络得到网络最优的初始权值和阈值,并用此网络进行雷达信号的分类识别。通过与BP和FOA-BP进行对比,结果表明IFOA-SA-BP能够提高雷达信号的识别率,证实了该算法的有效性。     

基于IFOA-SA-BP神经网络的雷达信号识别

为提高雷达信号的识别率,提出一种改进的果蝇优化算法(improved fruit fly optimization algorithm, IFOA)和模拟退火(simulated annealing, SA)算法相融合并用于优化反向传播(back propagation, BP)神经网络的雷达信号识别算法。首先,该算法提取雷达信号的调和平均盒维数、信息维数和差分近似熵特征作为信号识别的三维特征。然后,改进果蝇优化算法的寻优步长并添加逃脱系数以修改适应度函数,同时引入三维空间的搜索概念扩大果蝇的搜索范围,再对果蝇算法所求解的接受机制通过SA算法进行修正。最后,将融合后的算法IFOA-SA用于优化BP神经网络得到网络最优的初始权值和阈值,并用此网络进行雷达信号的分类识别。通过与BP和FOA-BP进行对比,结果表明IFOA-SA-BP能够提高雷达信号的识别率,证实了该算法的有效性。     

基于GA-SA的低轨星座传感器资源调度算法

针对基于低轨预警系统的多目标跟踪,提出了兼顾跟踪精度与系统效率的传感器资源调度算法。首先,建立了目标跟踪模型。然后,以调度周期内后验克拉美罗下界(posterior Cramer-Rao lower bound,PCRLB)变化率、卫星切换率为指标,建立了传感器调度的混合整数规划模型,在此基础上,采用遗传(genetic algorithm,GA) 模拟退火(simulated annealing,SA)混合算法对调度模型进行优化求解,提高了对解空间的搜索能力与求解速度。最后,仿真试验表明本文调度模型的正确性与GA-SA混合优化算法的有效性。     

基于模拟退火算法的VaR-GARCH模型

针对GARCH模型中的参数估计问题，提出了一种基于模拟退火算法（simulated annealing algorithm)的估计方法，并将其应用于VaR估计中，道琼斯指数和汇率的算例表明，基于模拟退火的VaR-GARCH模型在计算鲁棒性和估算精度方面优于传统的数值方法。     

基于最小连通支配集的复杂网络关键节点与连边识别方法

复杂网络关键节点与关键连边在网络中均起着十分重要的作用,目前的识别方法往往无法做到同时识别,并且识别指标角度较为单一。为解决上述问题,提出一种基于最小连通支配集(minimum connected dominatingset,MCDS)的复杂网络关键节点与连边识别方法,通过使用免疫粒子群(immune particle swarm optimization,IPSO)算法寻找网络最小连通支配集,构建核心骨干网,实现对复杂网络关键节点与连边的同时识别。该算法在求解过程中引入免疫机制指导粒子节点搜索方向、加快算法收敛速度,同时优化搜索节点质量。经实验验证表明,所提识别方法能够有效识别网络中的关键节点与关键连边。     

基于混合遗传BP神经网络的城市系统作战能力评估

针对现有城市系统作战能力评估方法较少的问题,利用反向传播(back propagation,BP)神经网络在能力评估方面所具有的自适应、自学习、强容错性和泛化映射等优势,建立了评估指标体系并给出了指标的隶属函数。通过模拟退火遗传算法(simulated annealing and genetic algorithm，SAGA)优化 BP 神经网络的连接权重和阀值,弱化了指标评价中的人为因素,提高了评价结果的准确性、客观性和权威性,有效解决了传统遗传算法和 BP 神经网络易陷入局部极小值、收敛速度慢和抗干扰能力差等问题。仿真实例验证了该方法对城市系统作战能力评估的可行性和有效性。     

求解约束优化的模拟退火PSO算法

针对有约束最优化问题,提出了基于模拟退火的粒子群优化(particle swarm optimization simulated annealing, PSO SA)算法。该算法利用模拟退火算法以一定概率接受较差点的概率突跳特性,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性原则进行约束处理,并在模拟退火算法产生新粒子的过程中保留最优不可行解的信息,弥补了可行性原则处理最优点位于约束边界附近时存在的不足。4个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解.     

求解混合变量约束优化问题的改进粒子群算法

针对工程设计中混合变量约束优化问题,提出一种基于模拟退火的粒子群算法。通过引入模拟退火算法,重新生成停止进化粒子的位置,增强了全局搜索能力。鉴于最优解位于可行域边界的特点,结合一种自适应保持群体中不可行解比例的策略,采用个体比较准则处理约束。同时结合混合变量优化问题的特点,通过转换函数,使算法真正在离散空间中进行搜索,保证了解的可行性。仿真结果表明:该算法能够快速准确地找到最优解,具有较好的稳定性。     

基于模拟退火遗传算法的编队对地攻击火力分配建模与优化

针对编队对地攻击火力分配的特点,围绕效费比最大化目标,以毁伤下界为约束,建立了基于模拟退火遗传算法的编队对地攻击火力分配模型。模型从两个阶段分别实现编队对地攻击的效用最大化和费用最小化。利用遗传算法出色的全局选优能力和模拟退火算法优秀的局部搜索能力,构建了模拟退火混合遗传算法,并将其用于编队对地攻击火力分配求解中。仿真结果表明,该方法能以较快的速度求得最优解,得出的最佳火力分配方案符合作战要求,验证了模型的合理性和算法的可行性。     

设计自适应IIR滤波器的单纯形-退火策略

作为信号处理领域的重要研究课题 ,滤波器设计本质上是一个多维参数寻优问题 ,且往往存在多极小。传统最小二乘法和单纯形法易陷入局部极小 ,而单一模拟退火算法搜索过程冗长 ,单一遗传算法易早熟收敛。结合模拟退火的随机概率突跳性搜索和单纯形法的凸多面体几何搜索 ,提出了有效设计自适应IIR滤波器的一种简单易实现的单纯形 退火策略 (simplexmethod simulatedannealing ,SMSA) ,并给出了算法操作和参数的合理设计方案。基于多个典型系统的随机数值仿真以及与最小二乘方法的比较研究 ,验证了所提方法的有效性、全局优化性和初值鲁棒性。     

Job Shop调度问题的遗传退火算法

针对作业车间(JobShop)调度问题,提出了一个遗传退火算法。该算法构造了基于工作的遗传算子,因而保证了遗传进程中生成个体的可行性,有效地解决了工件机器顺序的约束限制。通过对最佳个体进行模拟退火,把模拟退火机制引入到遗传进化过程中,将模拟退火和遗传算法两者的优点有机地结合起来,从而进一步提高了算法的全局寻优能力。仿真计算表明了该算法的良好收敛性和有效性。     

基于NSGA-Ⅱ的非平衡制造数据关键质量特性识别

针对非平衡产品制造数据关键质量特性(critical to quality characteristics,CTQs)识别,提出基于NSGA-Ⅱ的特征选择算法.首先,在分类错误率和特征子集大小基础上,针对数据非平衡性,引入第Ⅱ类错误率度量质量特性子集的重要性.接着,应用多目标进化算法NSGA-Ⅱ最小化以上三个度量标准,得到非支配解集.最后,引入理想点法从非支配解集中选择最佳调和解,得到CTQ集.算例结果表明,所提算法能够得到较高分类精度,同时有效降低第Ⅱ类错误率与CTQ集大小,说明了算法的有效性.     

基于学习机制的退火并行遗传算法应用研究

本文综合并行遗传算法(PGA)和模拟退火算法(SA)的优点,提出一种新的退火并行混合优化策略(PGASA).该算法克服了并行遗传算法局部搜索能力弱的缺点,在子种群的搜索中引入SA作为GA种群的变异算子,增强和补充了PGA的局部进化能力;同时将机器学习原理引入到混合算法中,增加了种群的平均适值,有效地避免了最优解的丢失,加快了进化速度.针对车间调度中的典型问题进行了仿真,结果证明了新算法的有效性.     

时变路网下考虑时空距离的同时配集货车辆路径优化

针对道路行驶速度时变且软时间窗条件下的同时配集货车辆路径问题,以车辆派遣成本、时间窗惩罚成本以及车辆运输成本之和最小化为目标建立路径优化模型。根据问题特征设计了考虑时空距离的混合变邻域搜索遗传算法,采用时空距离对客户进行聚类生成初始解,提高算法求解质量;将变邻域搜索算法的深度搜索能力运用到遗传算法的局部搜索策略中,增强算法的局部搜索能力;提出自适应邻域搜索次数策略以及模拟退火的新解接受机制,平衡种群进化所需的广度和深度。通过多组不同规模的算例验证了本文模型及算法的有效性,研究成果不仅深化和拓展同时配集货车辆路径问题的相关研究,也为物流企业优化车辆调度方案提供理论依据。     

基于改进局部搜索遗传算法的目标分配决策

为满足舰载武器目标分配需求,对传统的局部搜索遗传算法进行了改进,并用其求解目标分配问题的最优解。构造了适合于目标分配问题的染色体;设计了搜索性能较好且能够保留优秀基因的交叉操作方法;将局部搜索机制引入标准遗传算法,提高了目标分配算法的收敛速度;把模拟退火算法引入局部搜索问题,在一定程度上避免了局部最优问题;将贪婪算法应用于局部搜索提高了最优分配方案的搜索效率。仿真计算表明,改进局部搜索遗传算法的目标分配性能优于已有算法。     

基于效果的常规导弹火力分配模型智能求解算法

基于效果作战已成为现代信息化战争的一种新的作战模式。以基于效果作战思想为基础,通过引入射击有利度这一新要素,建立了基于效果作战模式下常规导弹火力最优分配模型。针对该类组合优化模型求解的复杂性,通过遗传算法与模拟退火算法的有机融合,提出了基于动态收敛准则的遗传模拟退火算法。仿真实验表明:该算法具有优良的全局收敛性,有利于提高常规导弹火力分配的有效性和准确性。研究结果可为常规导弹作战中的火力指挥决策提供支持,对提高常规导弹力量火力打击效果具有参考价值。