危险品关联运输调度问题的优化设计

针对带硬时间窗的关联运输调度问题(Incident Vehicle Routing Problem with Hard Time Windows,IVRPHTW),联系实际应用中危险品的车辆路径问题,介绍了混沌遗传算法的基本原理,并对其进行改进,自适应地调整交叉概率和变异概率,引进了模拟退火机制,并用改进的算法来对IVRPHTW求解,然后与遗传算法求解此模型的结果相比较。实例证明该算法求解危险品的关联运输调度问题是可行的,且优于传统的遗传算法。     

基于混合元胞遗传算法的柔性车间调度问题研究

针对柔性作业车间调度问题,建立了以最大完工时间最小、机器最大负荷最小、总机器负荷最小为优化目标的多目标优化模型.引入多色集合理论,建立了柔性车间调度问题的多色集合约束模型,提出了基于多色集合约束模型的元胞遗传算法(apolychromatic collection based cellular genetic algorithm,PCGA),以解决遗传算法在求解柔性车间调度问题时表现出的早熟和收敛性不足等问题.用改进的元胞遗传算法求解柔性车间调度的多目标优化算例,并与其它遗传算法进行比较,实验结果表明,基于多色集合的改进元胞遗传算法在求解此问题时更为高效.     

基于路径优化模式的出租车合乘调度

针对城市出租车实际运营中存在的时空分布不平衡、调度效率低等问题,对出租车合乘调度进行了研究。通过引入合乘站点的概念,借助时空网络的方法,构建了动态的调度优化路网。考虑乘客时间窗、出租车容量限制等相关约束条件,最大化合乘服务水平,以合乘过程中出租车的运营时间和乘客的出行时间(包括乘车和等待时间)最小为目标函数,建立了基于路径优化的出租车合乘调度模型。并针对该模型特点设计了相应的混合蚁群遗传算法(HACGA)进行求解,通过多次运算验证了混合蚁群遗传算法(HACGA)求解路径优化模型的有效性。算例分析表明,同时和出租车单乘相比,基于路径优化模式的合乘策略可以大幅度减少对出租车的需求,出租车总的运营里程也明显降低。     

无线传感器网络基于改进遗传算法的节点调度

节点调度问题是经典的NP-hard组合优化问题之一。为解决该问题提出了诸如蚁群算法、粒子群算法和遗传算法等智能算法,以遗传算法(genetic algorithm,GA)更为有效,但经典的遗传算法在解决节点调度问题时,其算法自身存在寻优速度慢,容易陷入局部最优。提出一种改进的轮盘赌优化方法,该方法基于适应度比例的选择,即用全部个体的选择概率来计算累计概率,产生完整的子代个体并保留其基因,避免陷入局部最优,进而快速精确地求出节点调度问题的最优解,实验结果表明,经过改进的遗传算法求解的路径长度、收敛性和运行时间等指标均有明显改善。     

改进遗传算法及其在矿山生产调度中的应用

基于多目标生产调度的特点和不足,从采掘运输成本和矿石品位两个角度出发,考虑矿石种类、铲位出矿量及卡车调度等因素,构建了多目标矿山生产调度模型.结合遗传算法解决多目标优化问题的优势,提出了基于改进遗传算法的矿山生产调度策略以及实现过程,并将改进前后遗传算法对模型的求解进行对比.模拟实验结果表明,运用改进遗传算法对矿山资源...     

基于改进遗传算法的Job-shop调度问题

建立了作业调度问题的模型,阐明了遗传算法是一种有效的全局随机优化方法,并将遗传算法用于Job-shop调度问题的研究中.针对标准遗传算法计算费时、稳定性差等不足,从适应度尺度变换、稳态繁殖、自适应遗传参数等方面作了改进.给出了基于改进遗传算法的模型求解方法和步骤.经过实例计算,取得了良好的调度效果,表明该方法可为制定工程装备作战保障的指挥自动化决策提供科学、有效的支持.     

选煤厂配煤调度中的云模型改进遗传算法

针对传统遗传算法求解最优值存在搜索速度慢、容易陷入局部最优解的问题,基于传统遗传算法和云模型,提出了云自适应遗传算法和云遗传算法,建立了选煤厂三产品配煤调度模型,并分别采用改进算法和传统遗传算法求解。实例表明,两种改进算法优于传统遗传算法,为选煤厂配煤调度优化提供了技术途径。     

JSSP基本约束特点分析及调度算法

车间作业调度问题(JSSP)具有两类基本约束,即工件工艺路径约束和资源(机台)独占性约束;如何解决"死锁"是以工件加工次序为决策变量的JSSP调度算法需要研究的重要问题之一。该文研究了JSSP基本约束的特点,在此基础上,提出了一种基于操作顺序的可行解生成方法,以及基于此方法的遗传算法(GA),并进行了数值计算;针对不同实例,该GA可以稳定地得到满意解,并具有较好的动态性能。该文所提出的方法易于实现,运算量小,与其他搜索算法结合后,可用于求解许多更一般的JSSP。     

求解作业车间调度问题的改进飞蛾扑火优化算法

针对作业车间调度问题,为了克服早熟收敛和容易陷入局部最优等不足,提出一种基于Lévy飞行的改进飞蛾扑火优化模型(LMFO)。首先,采用MFO算法求解作业车间调度问题,并与粒子群算法(PSO)、遗传算法(GA)进行对比研究,证明了MFO算法求解此类问题的有效性;然后,采用改进的随机键编码,引入Lévy飞行对MFO算法进行改进;最后,仿真实验表明,LMFO算法在求解作业车间调度问题时优于MFO、PSO和GA算法,能够跳出局部最优找到更好的解,且具有一定的鲁棒性。     

基于遗传算法-多智能体的FMS 工件调度研究

针对柔性制造系统（ FMS）一般调度方法的不足,提出基于全局黑板的多智能体调度系统,该系统建立多智能体交互过程,通过多智能体的合作快速建立调度模型,并通过优化模块对调度模型进行求解,从而获得非劣调度方案。在设计优化模块时,采用遗传算法,针对柔性制造系统调度问题的特点,改进并扩展了基于工序的编码方法,引入工序-机器的关系矩阵,从而实现解和染色体的一一对应关系,并设计算法的适值函数、选择方法、交叉和变异方法。仿真结果表明,该调度系统在求解时收敛速度快、精度较高。最后通过10个经典的柔性job-shop调度算例,与单纯使用遗传算法和禁忌搜索算法进行比较,目标值平均改善2.21％和1.04％。     

新式遗传算法在QoS路由选择中的应用

针对服务质量(QoS)路由的特点，提出了一种新式遗传算法。与基于二进制编码的通用遗传算法相比，本算法采用节点序列编码，编码、解码过程简单、直观，并在此基础上引入新的遗传交叉、变异算子。仿真实验表明，该遗传算法用于QoS路由具有全局收敛性，收敛速度较通用遗传算法有很大改观。     

基于遗传算法优化多出口疏散路径问题

提出了一种基于遗传算法来优化疏散路径问题的方法．首先将疏散路径图转换为等价的距离完全图,将目标点、源点和中间点分离,随机选取中间点构造最小生成树,最终用遗传算法得到最优路径．通过数值实验,验证了算法的有效性,并与传统方法进行了比较．     

遗传算法求解TSP问题的MATLAB实现

以遗传算法求解旅行商问题（TSP）为例,提出一种改进的交叉和变异算子,深入讨论了各个遗传算子的程序实现,并给出其算子的MATLAB程序编码,最后用5个城市的非对称TSP进行仿真分析.结果表明,改进的算法比传统算法收敛速度更快,适应值更优,说明改进算法是有效的,证实TSP问题是遗传算法得以成功应用的典型例子.     

面向成本优化的SBS虚拟化资源分配

在部署云应用问题中,对于结构复杂的基于SBS的资源优化分配问题,目前尚缺少深入研究.针对这一问题,提出了组件服务资源配置的概念及其确定方法,基于此将SBS的资源优化分配建模为资源配置的组合优化.为求解优化模型,给出了一种改进了交叉算子和变异算子的遗传算法.实验验证了优化模型的有效性,同时表明提出的遗传算法具有较快的收敛速度,且与线性规划相比,虽然最优解的质量相近,但是在较大规模问题上求解效率明显优于后者.     

基于遗传算法的地下遗址GPR数据分析

作者以遗传算法（Genetic Algorithm）为手段，介绍一种探地遥感数据分类的新方法。从一系列EM雷达信号图像获得的必要的物体相关信息，基于简单遗传算法（SGA）对其进行数据采集处理可达到较好结果。图像经过与处理后，探测目标定位任务转换为曲线拟合。除了利用SGA的遗传性，在解决实际问题时加入了专家经验和环境条件。和传统的分类方法相比，遗传算法(GA)咋usouxun目标的速度和准确度上都有所提高。作者提出了在遗迹探测领域中对地下物体进行定位的一种可行的方法。在今后的工作中将使用复杂GA进行遗迹的三维建模。     

遗传算法求解TSP的进化策略

本文提出用遗传算法（ＧＡ）求解旅行商问题（ＴＳＰ）的一整套进化策略，包括染色体的编码、反向运算、循环运算、交换运算．其中除反向运算外，均与通常的ＧＡ算法所采用的策略不同．文中解释了它们的几何意义．用该算法求解中国３１个城市的ＴＳＰ问题得到了１５４０４公里的新的路径长度．计算结果表明整个算法是有效的     

基于改进和声算法的TSP路径求解

为了提高和声搜索算法（HSA）的收敛速度和准确度,设计了一个基于动态调节概率机制的动态和声搜索算法(DHSA),并将其应用于旅行商问题（TSP）求解.为了验证DHSA的有效性,选取TSP数据集bayg29和ch150,通过Matlab软件将遗传算法（GA）、HSA与DHSA进行仿真实验.实验结果表明,DHSA收敛精度最优,获得的最优路径最短.     

一种改进的遗传算法及其在线天线阵方向图综合中的应用

提出了一种适用于具有任意几何参数的线天线阵方向图综合的新方法。该方法简单而灵活,是传统遗传算法的一种改进。应用这种方法,以降低线天线阵的旁瓣辐射为优化目标,对线天线阵的方向图进行了优化设计,并将所得结果和Chebyshev方法所得的结果进行了比较,表明新方法综合结果和Chebyshev方法所得结果相近。针对同一问题,还将改进的遗传算法同传统的遗传算法进行了比较,表明改进方法特别适用于参数连续变化的问题。然而,对这一改进算法加入量化过程后同样可应用于离散参数的优化问题中。     

用改进的遗传算法实现网络计划优化

遗传算法的网络计划优化属于离散的非单调、欺骗性问题，较难得到全局最优解．而采用改进的遗传算法，并运用数据库，通过对大量实际运算结果的统计分析表明：改进后遗传算法，能显著提高全局最优解的成功率．研究中发现，该类问题适应度的动态缩放技术具有最好的效果，并就该类问题提出了合适的参数取值．