基于文化遗传算法的资源受限项目调度

资源受限项目调度问题作为一类典型的组合优化问题,理论上属于NP难题.本文结合文化算法和自适应遗传算法的优点,提出一种新的智能优化算法--文化遗传算法来求解资源受限项目调度问题.算法设王了两类空间:群体空间和信仰空间.各空间采用不同的自适应遗传算法进行独立进化,进化过程中利用同步式传输方式定期通过接受操作和影响操作来更新信仰空间和群体空间.为避免各空间的局部收敛同题,文中使用正弦函教和余弦函数自适应控制交叉概率和变异概率以保证群体的多样性.通过对标准数据库PSPLIB中的多个问题的仿真,结果表明:此算法在解决资源受限项目调度问题时不仅具有全局收敛性,而且在一定程度上具有较好的收敛速度.     

一种改进的自适应遗传算法

提出的自适应遗传算法采用群体的最大适应度fitmax、最小适应度fitmin、适应度平均值fitave 这 3个变量来衡量群体适应度的集中程度 ,然后根据适应度集中程度 ,自适应地变化整个群体的交叉概率pc 和变异概率pm ,改进了M .Sriniras提出的自适应遗传算法。采取最优保存策略来保证最优个体不被大的pc和pm 破坏掉。并用无放回余数随机选择算子 (RSSR选择算子 )对基本选择算子进行了改进 ,选择误差比较小。将自适应遗传算法用于图像分割的试验结果表明 ,与基本遗传算法相比 ,由于该算法综合考虑了“快速收敛”和“全局最优”这两个要求 ,因此它不仅能得到较好的分割质量 ,而且基本保持了遗传算法的运算速度 ,利于硬件实现     

自调节遗传算法的研究

通过对普通遗传算法选择，交叉，变异三个算子的深入分析，揭示了早熟现象产生的原因，并数学证明了选择算子是早熟现象的主要原因，在此基础上设计了一种变异概率可以自调节的基因移民遗传算法，提出了群体相异度指标来衡量多样性，通过相异度的自动地调节变异概率的大小，确保群体的多样性来避免早熟现象的出现，最后，应用马尔可夫链数学工具从理论上证明了该算法是收敛的，实验表明：该算法具有一定的通用性，适合于实际的工程计算。     

一类多资源作业车间混合优化调度方法

针对多资源作业车间调度问题,结合启发式算法和遗传算法的特点,提出了混合优化调度方法,建立了多资源约束的车间优化调度模型.根据启发式算法中调度优先规则对调度目标的影响程度,设计了新的编码规则.采用正弦函数作为改进遗传算法中的自适应因子,使交叉概率和变异概率随群体的适应度自动改变,提高了运算的效率.通过实例仿真并与其他算法比较结果表明,该混合调度算法可以进行作业车间在机床、刀具等多种生产资源约束下的优化调度,并在评价指标上较其他算法更优.     

基于遗传模拟退火法的量子细胞自动机电路仿真

有机结合具有概率突跳特性的模拟退火和群体并行搜索的遗传算法的遗传模拟退火算法是一种有效搜索全局极值的算法，通过对算法操作和参数的合适设置，将其推广到量子细胞自动机电路的仿真。基于对量子细胞自动机基本逻辑电路的仿真结果验证了该算法的有效性，其性能明显优于Macussi等人提出的基于量子细胞自动机的模拟退火法。     

一种求解函数优化的混合差分演化算法

为了解决传统遗传算法易陷入局部最优解的问题,在多父体杂交算法和差分进化算法的基础上,提出了混合差分演化算法.该算法的核心在于,采用多父体杂交算子保证算法的遍历性,通过淘汰相同个体来保持群体的多样性,并以较小概率随机选取部分个体进行差分进化操作,从而充分利用最优个体的信息达到了加快收敛速度的目的.对复杂函数的寻优实验验证了混合差分演化算法的有效性.     

利用多群体DNA遗传算法求解线性规划问题

针对经典遗传算法存在的问题 ,提出了多群体DNA遗传算法。该方法在经典遗传算法的基础上 ,通过借鉴生物学及社会学 ,引入了多群体及DNA片断等概念 ,并提出迁移与自适应变异算法 ,可以提高遗传算法的有效性与收敛性。为了验证算法的有效性 ,将该算法应用于线性规划问题的求解。在求解过程中 ,首先利用熵障碍对偶方法对原问题进行转换 ,然后使用多群体DNA遗传算法对转换后的目标函数进行求解。仿真结果表明 ,该方法具有良好的全局搜索能力和较快的收敛速度。以上工作为解决大规模线性规划问题的求解提供了全新的思路和方法 ,对遗传算法应用的发展具有重要意义     

GAPSO：一种高效的遗传粒子混合算法及其应用

在粒子群算法和遗传算法融合的基础上提出了一种新的算法(GAPSO).该算法模仿自然界的个体成熟过程,对遗传算法中的每一代群体中的优秀个体,采用粒子群算法获得进一步的提高,使算法获得比遗传算法和粒子群算法更加好的优化效果.在FCRNN设计应用中表明该算法确实比遗传算法和粒子群算法有更加好的效果.     

求解0-1动态优化问题的双概率原对偶遗传算法

在原对偶遗传算法(PDGA)的基础上,提出一种双概率原对偶遗传算法(DPPDGA).引入弱势基因位值与强势基因位值的概念,对二者赋予不同的对偶映射概率,并对两个对偶概率进行适应性调整.比较原始算法,改进算法使种群具有更理想的多样性,并利于种群较快地收敛到满意解.仿真结果表明,该算法在0-1动态优化问题的求解中具有更好的性能.     

基于Elmore模型的Steiner树问题的求解

建立了一种求解基于Elmore延迟模型的Steiner树问题的遗传算法。针对Steiner树问题的特点,在引入一种新的具有自适应性的杂交概率和变异概率的基础上,提出了面向Steinet树问题的遺传算法和一种构造染色体的新方法。提供了遗传算法的结构并讨论了遗传算子。分析了基于时间和空间的算法复杂性。     

基于嵌入混沌序列的遗传算法

将混沌序列引入遗传算法中,获得了一种新的算法．该算法有效地克服了标准遗传算法中的“早熟”现象,并具有更快的收敛速度．计算机模拟验证了上述特征．同时还将改进了的算法用于多重小波神经网的训练．     

一种小种群自适应遗传算法研究

分析了变异算子在标准遗传算法和自适应遗传算法中的作用和当前研究的不足,提出一种新颖的能够大大提高遗传算法性能的变异策略,并进而提出一种小种群自适应遗传算法.该方法在采用赌轮选择和单点交叉的情况下,利用一种可伸缩的变异策略使得算法在探测和开发之间取得很好的平衡,从而能够用小规模的种群进行有效的全局搜索和局部搜索,避免早熟收敛,并能够以较快的速度收敛到全局最优解.对多峰函数的仿真实验表明了算法的有效性.     

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.     

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。     

遗传算法与旋转正交设计的结合应用

将遗传算法与旋转正交法结合起来 .在对种群进行操作的过程中 ,通过旋转正交法将问题可行域的不同正交子空间的最优个体不断引入到种群中 ,提高遗传算法的搜索效率和稳定性 ,同时有效的避免了多峰情况下经常出现的非成熟收敛现象.     

利用混沌搜索全局最优解的一种混合遗传算法

首先系统分析了遗传算法与其它算法混合的几种策略 ,详细讨论了遗传算法与混沌优化算法的混合问题后 ,给出一种新的混合遗传算法。仿真结果表明 ,新算法能在很短的时间内 1 0 0 %地搜索到全局最优解     

基于奇异值分解的混合递阶遗传算法训练径向基神经网络

提出了一种将递阶遗传算法和奇异值分解的优点相结合的新型径向基神经网络学习算法--混合递阶遗传算法。它具有较高的学习效率,并能同时确定径向基神经网络的结构和参数。利用所提出的混合递阶遗传算法对混沌时间序列学习和预测,取得了较好的效果。