利用改进的HBDE算法求解MAX-k-SAT问题

目前,利用进化算法求解组合优化问题已成为智能计算领域中的研究热点。本文基于二进制差分演化算法和动态变邻域搜索相结合提出了一种求解最大可满足问题(MAX-k-SAT)的改进算法(记为IBDE),通过与遗传算法和Johnson算法对一系列随机大规模MAX-k-SAT实例的求解比较表明:IBDE是一种求解MAX-k-SAT问题非常有效的新方法。     

混合优化策略在生命线管网拓扑设计中的应用

提出用遗传-模拟退火算法(GASA)混合优化策略来求解生命线管网的拓扑优化问题.混合优化策略结合了遗传算法的并行搜索机制和模拟退火算法的概率突跳特性,提高了算法的优化性能、参数鲁棒性以及计算效率.数值仿真实验表明了算法的稳定性非常好,首次达到最优值的进化代数,且比单一遗传算法提高了26.5倍.     

变粒度协同进化设计算法及其在卫星舱布局设计中应用

采用进化算法求解复杂卫星舱布局问题时,算法容易陷入局部最优,且干涉计算复杂度高,计算耗时长.为提高对复杂解空间的搜索能力,基于协同进化算法,将问题分解为若干子问题求解;为减少计算耗时,子问题求解时采用了一种设计变量的变粒度策略.称上述方法为变粒度合作式协同进化算法(CCEA-CFG).卫星舱布局优化数值实验表明,与目前常用的几种布局求解算法(遗传算法、协同进化算法以及遗传/粒子群算法(QPGP))相比,CCGA-CFG(基于GA的CCEA-CFG)具有较好的计算质量、计算效率和计算鲁棒性.     

混沌高效遗传算法在水库含沙量预报中的应用

利用混沌映射的遍历性和实编码遗传算法的全局优化性,通过在遗传进化过程中加入混沌变异操作,在变量的定义域内投放大量的混沌初始群体,在实编码遗传算法进化过程中加入单纯形法学习算子,建立了一种新的混沌高效遗传算法(chaos higher efficient genetic algorithm, CHEGA).应用该法对3个非线性、高维、多峰值测试函数进行了仿真,在收敛速度和全局优化方面好于现有的简单遗传算法和改进的遗传算法.建立了水库含沙量预报模型.并将CHEGA用于求解上述模型的参数优化问题,与实数编码加速遗传算法(RAGA)、二进制加速遗传算法和随机优化算法等方法相比,CHEGA可以遍历到整个区域,较好的保持了种群的多样性,并且精度高、收敛速度快.CHEGA对求解实际水库计算模型的参数优化问题非常有效.     

面向对象的改进遗传算法优化设计

为提高遗传算法的优化求解性能,从4个方面对遗传算法进行改进:即对障碍项及惩罚项因子的动态变化实现适应度函数的动态变化;对约束函数规格化处理以提高算法的搜索稳定性和算法的收敛速度;采用共享函数的方法使进化个体极易跳出局部最优而达到全局收敛;控制参数的动态变化以适应进化过程不同时期的需要.整个改进措施以面向对象的方法加以实现,并通过单级圆柱齿轮减速器设计实例验证,结果表明相对于常规优化算法,改进后的遗传算法使减速器体积减小25.8%,相比传统遗传优化算法使减速器体积减小5%,从而表明该改进遗传算法具有较高的优化求解效果.     

协同进化在遗传算法中的应用研究

协同进化在遗传算法中的应用直接催生了协同进化遗传算法(CGA)的产生,它是近几年来新兴起的一种智能优化算法,主要用于解决复杂的组合优化问题。     

基于GASA算法的成品燃油战时公路配送路径优化

为了实现配送的路径优化,结合战时极其重要的物资--成品燃油,提出了多属性道路网络下成品燃油战时配送的路径优化问题.综合考虑战时配送VRP(vehicle routing problem)的多个评价目标,基于重要性的多目标分层优化思想,分析建立了问题的完全分层优化模型.将进化算法和传统优化技术相结合,构造了模型的两层求解算法,第一层采用遗传算法和模拟退火算法混合的GASA(genetic simulated annealing algorithms)算法,第二层采用枚举法.实验表明,所构造的算法较标准遗传算法更有效.     

云存储部署优化的进化算法设计

针对云计算环境下的云存储部署规划优化问题,全文研究和提出了一种进化算法并进行了求解.首先基于对象存储方法,设计了三层架构云存储模型.在建立的模型中,将云存储部署抽象为多目标优化调度问题,针对现有粒子群优化算法或遗传算法在解决这一优化调度问题过程中出现的收敛速度及调度效率等方面的不足,将2种算法进行有效融合,设计了混合进化算法来进行求解,讨论了进化算法的优化设计过程.同时,在云计算仿真平台CloudSim上,对所提出的优化算法进行仿真实验,并对云存储中负载均衡等性能指标的改善程度进行了检测.结果表明,所提出的混合进化算法有效实现了云存储的优化部署任务,与其他进化算法相比,能对性能指标实现更优配置.     

多方式进化遗传算法及其优化波纹薄壁管的耐撞性

 通过提出一种多方式进化遗传算法的途径改进了遗传算法,并用于求解汽车新型波纹薄壁管耐撞性优化问题。文中采用响应面法近似建立金字塔形波纹薄壁管的优化模型,在多方式进化遗传算法中采用多种编码方式、选择策略、交叉和变异操作,同时还设计了类似遗传学中染色体结构变异的倒位操作,有效改善了群体多样性。对于函数实例测试的结果显示,该算法克服了遗传算法有时局部收敛的缺陷,提升了收敛速度。在波纹薄壁管耐撞性优化问题上的应用研究表明了本算法在求解此类优化问题上的有效性和方便性。优化后波纹管吸能提高40%以上,显著改进了初始设计,进一步验证了多方式进化遗传算法求解此类优化问题的实用性。     

应用知识进化原理求解背包问题的算法研究

以知识进化论哲学思想为基础,提出一种应用知识进化原理求解背包问题的算法(简称为KP-KEA),利用Banach压缩映射原理证明了算法的全局收敛性.该算法使用传承算子来传承知识库中的优秀知识个体,利用创新算子来产生新知识个体,利用更新算子来更新知识库,在它们的共同作用下实现知识的进化,最后从知识库的最优知识个体中获取背包问题的最优解.实例表明,该算法在求解背包问题时取得了良好的效果,其收敛速度和最优解的质量均优于常用的遗传算法.该算法同样适用于其他约束优化问题的求解.     

遗传退火进化算法在背包问题中的应用

从增强算法收敛性和减少参数依赖性的角度出发，提出应用遗传退火进化算法求解背包问题，遗传退火进化算法结合了遗传算法和模拟退火算法的优点，并有效地克服了各自的弱点，使其在优化性能、优化效率和可靠性方面具有明显的优越性．阐明了用该算法求解背包问题的具体实现过程，并通过实际数值计算和结果比较表明，该算法优于遗传算法和模拟退火算法．     

差分进化算法求解自动堆垛起重机调度问题

[目的]研究了自动化码头双自动堆垛起重机(Automatic stacking crane,ASC)调度问题,为了提高堆场的作业效率,考虑ASC作业过程中的干扰和冲突,以极小化所有作业的总完工时间为目标,建立自动化码头双ASC调度问题的混合整数规划模型.[方法]通过CPLEX求解器对模型进行求解.为了解决中等规模问题,设计了基于任务编码的离散差分进化算法进行求解,并把求解结果与遗传算法求解结果进行对比分析.[结果]所设计的离散差分进化算法能够在要求的时间内解决自动化码头双ASC调度问题;[结论]相较于遗传算法,本文提出的算法寻优能力更强.     

灾变合作型协同进化遗传算法及其在Job Shop调度中的应用

合作型协同进化遗传算法是多个子种群通过协作而共同进化的新型算法,常应用于多目标、大规模的优化问题。本文在合作型协同进化遗传算法的基础上,进一步模拟自然界中的灾变现象,在原先的算法中加入灾变算子,提出灾变合作型协同进化遗传算法,以防止出现不成熟收敛现象,并用经典的函数优化问题和Job Shop车间调度问题进行仿真实验,其结果验证了改进算法的优良性能.     

遗传算法在预拌混凝土配送中的应用

针对预拌混凝土(RMC)配送的特点,建立了双目标RMC配送优化模型,并采用自适应遗传算法对该模型进行求解.在进化过程中采用了小生境技术保持群体多样性,并结合自适应遗传算法优化进化参数.另外,采用帕累托边界法为双目标提供多个方案,以便决策者可根据实际情况进行最终选择.     

递阶结构进化神经网络在故障诊断中的应用

主要研究进化神经网络在旋转机械故障诊断中的应用 ,提出了一种基于递阶结构的遗传算法与进化规划相结合的神经网络学习新算法 ,利用该算法可以同时对网络进行结构优化和权重求解。通过旋转机械故障分类应用实例 ,与传统的 BP训练算法作了比较 ,证明基于递阶结构的进化神经网络算法不仅在权重训练方面比传统 BP训练算法更加快速稳定 ,避免陷入局部极小点 ,而且同时对网络结构进行了优化 ,得到了结构更为简捷的旋转机械故障分类网络     

遗传算法研究综述

遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度有效的随机搜索算法.近年来,由于遗传算法求解复杂优化问题的巨大潜力及其在工业工程领域的成功应用,这种算法受到了国内外学者的广泛关注.本文介绍了遗传算法的主要特点、基本原理及其设计步骤,并指出了相关的研究方向.     

一种求解0-1背包问题的整数混沌粒子群优化算法

针对0-1背包问题(0-1KP)的特点,以经典的速度-位移模型为基础整数编码各粒子,以混沌序列指导全局搜索,以排列的改变描述粒子的飞行.更新粒子的位置,进而提出用于求解0-1KP的整数混沌粒子群优化(ICPSO)算法.该算法由于背包容量的限制,融入到编码和粒子飞行中,因而不会在进化中产生无效的粒子,从而提高了算法的求解效率.实验结果表明:ICPSO算法简明、有效,较典型遗传算法,及粒子群算法具有更好的收敛性能和求解速度.     

基于并行量子遗传算法的QoS组播路由方法

通信网络时延受限且满足带宽要求的最小代价组播树问题是NP完全问题,传统方法难以求解,一般采用启发式方法求解.提出了一种基于并行量子遗传算法的服务质量(QoS)组播路由算法,算法中将各个子群体独立地并行进化,并通过相邻子群体间的信息交换实现克服早熟,避免局部收敛的目的,还提出了一种新的动态旋转角调整策略,使算法具有更好的种群多样性和全局寻优能力.仿真实验表明,新算法在求解性能上优于遗传算法(GA)和采用静态旋转角的量子遗传算法(QGA).     

一种基于Rough集的启发式人工选择算法

在传统二进制编码遗传算法(GA)的基础上,提出一种基于Rough集的启发式人工选择算子和人工选择算法。利用粗糙集对遗传算法的历史数据进行分析,发现重要基因位,获得重要模式信息,并以此为启发式信息,选择优秀模式进行人工育种,从而对复杂优化问题进行有效求解。采用该算法对典型测试函数进行了验证,算例结果表明,人工选择算法加速了常规遗传算法进化速度,提高了收敛效率。     

基于蜜蜂进化型遗传算法的电力系统无功优化

采用蜜蜂进化机制与遗传算法相结合的蜜蜂进化型遗传算法(bee evolutionary genetic algo-rithm,BEGA)对电力系统进行无功优化计算.该算法以一定概率将蜂王(最优个体)与雄蜂(被选的个体)2部分进行交叉,因此对最优个体包含信息的开采能力得以增强.随机种群的引入,降低了算法出现过早收敛的可能性,保持了种群多样性.应用BEGA对IEEE6节点系统进行无功优化计算的结果表明:较其他算法,BEGA具有更强的全局寻优能力和更快的收敛速度.