区间分解优化的遗传算法及其在Internet环境下实现

为解决遗传算法面对复杂多模态函数优化问题时易陷入局部极值的问题,提出一种区间分解优化思想。通过区间分解,可以找到问题的多个局部最优解和全局最优解。同时,将算法在Internet环境下实现,既减少了算法的寻优时间,又节约了算法的运行成本。实验表明,区间分解优化方案能有效克服遗传算法陷入局部极值,大幅度提高算法的寻优性能。     

无定向拓扑连接的并行遗传算法及其变异算子改进

为解决巨量优化问题,在Internet平台下为并行遗传算法提出一个新的拓扑结构———无定向拓扑连接。该拓扑连接既允许驻留子种群的计算机节点中途退出,又允许新的计算机节点随时参与进化,增强了算法的鲁棒性和容错性能。针对传统浮点变异算子的不足,提出一种新的二元浮点补码变异算子,讨论了它在克服早熟收敛方面的作用。实验表明,提出的算法能显著提高寻优质量,节约寻优时间;新的变异算子能有效阻止遗传算法陷入局部极值,进一步提高了遗传算法的寻优能力。     

基于改进遗传算法的物流配送路径优化

物流配送路径规划对于提高物流配送效率、节约配送成本具有重要意义。以物流配送路径总长度为优化目标,将其转换为经典TSP优化问题进行求解并建立了数学模型。基于该数学模型,提出改进的遗传算法,针对遗传算法的选择、交叉和变异分别提出了基于序的选择算子、基于最小代价树的交叉算子和基于随机点长度控制的变异算子。改进的遗传算法与简单遗传算法的对比仿真实验表明,所改进的遗传算法有较好的全局寻优能力,且其收敛速度快,是解决物流配送路径优化问题的有效方法。     

基于混合遗传算法的物流配送车辆调度优化问题求解方法

物流配遥车辆调度优化问题是一个NP-hard问题,随着问题规模的扩大,若单纯地应用精确算法将很难获得最优解.首先对物流配送车辆调度问题进行了深入分析并建立了优化数学模型;然后,根据模型把问题的解决合理地划分为两个阶段,将遗传算法的全局搜索能力和C-W节约启发式算法的局部搜索能力有机结合,由此构造出一种混合遗传算法;最后,通过一个应用实例的分析验证了此算法寻优的有效性.     

遗传算法在离散变量优化问题中的应用研究

针对实际应用中大量存在的离散变量优化设计问题,研究了利用一般连续变量方法进行离散变量优化设计的不足。结合离散变量优化问题与遗传算法的特点,提出离散交叉算子和离散变异算子,使遗传算子真正在离散空间中进行搜索。基于线性搜索思想提出离散引导算子以提高遗传算法的局部寻优能力,将种群逐步向离散极值点进行引导,实现算法的快速离散寻优。通过对两个实际离散变量优化设计问题的应用研究,验证了本方法解决离散变量优化设计问题的有效性。     

正交试验遗传算法及其在函数优化中的应用

针对遗传算法参数多且配置困难的问题，本文提出一种利用正交试验优化选择参数的方法，它使得对于不同领域的优化问题只需用正交试验进行一次参数配置，然后用遗传算法进行具体寻优即可取得较好效果。这种正交试验遗传算法易于编程实现且在一定程度上避免了遗传算法参数配置的盲目性。     

采用共生遗传算法的模糊控制器设计方法

为解决模糊控制器自动优化设计中对结构和参数的学习和寻优搜索缓慢 ,以及模糊规则基维数爆炸问题 ,采用共生进化遗传算法结合分级模糊建模的思想进行模糊控制器自动设计。提出了模糊规则分类形成子种群 ,多种群并行进化的遗传算法。用这种方法可以同时设计模糊控制器的结构和参数 ,极大地减小编码规模 ,提高搜索速度。对车 杆平衡系统的控制仿真实验表明 ,该方法寻优搜索速度快 ,设计出的控制器控制效果很好。     

基于多种群遗传算法的城轨列车节能运行优化研究

通过建立定时约束条件下的最小能量控制模型,采用Pontryagain极小值原理推导了城市轨道列车节能操纵策略的组成。提出一种变长实矩阵编码的多种群遗传算法进行列车节能运行优化:采用多质点的列车牵引仿真器模拟列车运行;对列车运行控制序列采用变长实数矩阵编码;引入基于退火选择的变长算子以增强算法的全局搜索能力;适应值共享保持种群的多样性;多种群并行寻优提高收敛速度,增强寻优过程的稳定性。实例计算结果证实了该方法的有效性和先进性。     

单亲遗传算法及其在物流配送系统中的应用

本文介绍了一种新颖的单亲遗传算法。它在同一条梁色体上采用基因换位等算子进行染色体重，取消了传统遗传算法中的交叉算子。本文应用单亲跗算法解决了物流配送系统中的优化问题。结果表明了单亲遗传算法的寻优效率明显优于该问题的传统遗传算法，同时较好地解决了“早熟收敛”问题。     

一种可用于数值优化的一维智能体遗传算法的研究

针对复杂寻优问题,提出了一种新的遗传算法-一维智能体遗传算法(CAGA).该算法采用一维链式智能体网络结构,实现动态邻域竞争选择、正交交叉和自适应变异,可更好的保持种群多样性,从而获得较优的优化精度.实验采用了多个多维复杂函数进行了优化实验,结果表明,该遗传算法比其他多个著名优化算法可获得更优的优化结果.     

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SVM的故障预报中的并行优化仿真研究

在基于支持向量机的故障预报过程中,故障样本数据的不相关变量会影响支持向量机的性能;加权支持向量机中直接选择加权系数存在很多不足;支持向量机参数主要凭人的经验或通过多次实验获得,还没有一个确定而有效的方法.针对这三种问题,提出了采用改进的人工鱼群算法将特征选择、加权系数、支持向量机参数进行并行优化的方法,并将此方法应用于船舶动力装置冷凝器的故障预报中.仿真结果表明:相对于单独优化,并行优化能够在更短的时间内进行最有效的故障特征提取,并且提高支持向量机的性能;相对于遗传算法,改进人工鱼群算法能够以更快的速度达到最终的优化结果.     

灰熵并行分析引导PSO求解多目标优化问题

提出采用灰熵并行分析法引导粒子群算法求解多目标优化问题。灰熵并行分析法综合灰色关联分析法与信息熵的特点,对数据序列计算灰关联系数,同时并行地对数据序列计算信息熵及熵值权重,将灰关联系数与熵值权重结合求得灰熵并行关联度。〖JP2〗通过粒子群算法对优化问题的多个目标构建与粒子数相同数量的目标值序列,计算每个序列的灰熵并行关联度值,利用该值作为算法适应度值的分配策略引导粒子进化。以10个典型作业车间调度问题为例进行实验,结果与差分进化算法及遗传算法进行比较,表明灰熵并行分析法可以有效引导各算法进化,使算法在收敛性和分布均匀性方面表现良好,且粒子群算法的优化结果要好于其他两种算法的结果。     

用于柔性流程工业生产调度的并行多目标遗传算法

分析了柔性流程工业区别于一般制造系统在生产调度方面的特点 ,在此基础上针对这类系统所具有的多目标、混合动力学特性、调度实时性等特征 ,提出了一种新的并行多目标遗传算法 .在解决多目标解的评价时 ,采用了目标分级评价技术 ,求解过程始终将解的最优性和决策者对目标的偏好信息结合在一起 .为反映这类问题的混合特性 ,提出了一种新的双层编码方案 .在算法中采用的递阶分解并行技术 ,使计算时间至少减少一个数量级 .计算机仿真结果表明 ,对于这一类复杂的柔性流程工业生产调度优化问题 ,本文提出的方法具有很好的实际应用前景 .     

Markov控制过程基于性能势仿真的并行优化

Markov控制过程是研究随机离散事件动态系统性能优化问题的一个重要模型，并在许多实际工程问题中有着广泛的应用。在Markov性能势理论的基础上，我们讨论了一类连续时间Markov控制过程在紧致行动集上的性能优化仿真问题。由于实际系统的状态空间往往非常巨大，通常的串行仿真算法，可能耗时过长，也可能由于硬件限制而无法实现，故我们提出了一种基于性能势的并行仿真优化算法，来寻找系统的最优平稳策略。一个仿真实例表明该算法有较好的运行效率。该算法可应用于大规模实际系统的性能优化。     

基于遗传算法与模糊选择的多播路由优化

遗传算法在优化计算特别是在多播路由问题中得到了广泛应用,但在进行大规模优化时,遗传算法存在着爬山能力差以及不成熟收敛等缺点。为此,提出基于启发式遗传算法和模糊选择机制的新型多播树计算方法,本算法采用树型结构编码和高效的遗传操作,同时优化时延、丢包率和带宽利用率等多个参数。仿真实验表明,这种算法用于多播路由多目标优化问题时,可以克服采用遗传算法进行多目标优化的缺陷。     

解家纺企业生产计划问题的并行混合遗传算法

为解决家纺企业的实际车间批量生产计划问题，提出了一个基于自然编码的混合遗传算法。此算法具有如下特点：一方面编码方式能有效地反映调度方案；另一方面对每子代得到的调度方案利用爬山算法对其进行了局部调整，大大加快了收敛速度。同时为了更好地适应调度实时性和解大型企业此类问题的需要，基于遗传算法自然并行性特点的基础上，实现了主从式控制网络模式下并行混合遗传算法。计算结果表明，此算法是有效的，有着较高的并行性，并能适用于解大型此类企业车间批量生产计划问题，在实际应用中有着较广阔地应用前景。     

基于隐式基因混合遗传算法的多脉冲交会导引

针对航天器交会远程导引段时间非固定多脉冲轨道转移问题,研究多约束条件下且脉冲数未知的共面椭圆交会燃料最省导引律设计。因不同脉冲数将造成多脉冲优化问题求解变量和约束条件个数随之变化,为此在遗传算法中引入隐式基因使得种群中样本个体的基因具有长度可变特性,在单层迭代框架下可同时解出最优脉冲数和脉冲矢量。为进一步改善性能指标还将端点滑行时间作为优化变量,使得在最佳转移时刻进行离轨脉冲作用。寻优过程首先由遗传算法给出设计变量估计值,再由序列二次规划(sequential quadratic programming,SQP)求解全局最优解。最后基于主矢量和最优控制判据,表明所设计的含隐式基因混合遗传算法是求解复杂问题的有效全局优化方法,可解决一类优化变量个数可变的最优多脉冲远程导引律设计问题。     

基于蚁群算法的并行测试任务调度

并行测试的任务优化调度是并行测试技术的核心问题.提出了一种用于解决并行测试任务调度问题的改进蚁群算法,通过该算法可以获得测试时间最短的任务调度序列.给出了并行测试任务调度问题的数学模型,设计了启发式函数和状态转移概率的计算公式.采用动态标注方法在搜索过程中加大可行解间的信息素差别,避免算法早熟.给出了应用实例,实际应用表明该算法是有效的,能很好地解决此类多维动态组合优化问题.