求解矩形放置问题的亲属帮助遗传算法

用基于几何位置的方法求解矩形放置问题,解空间有限,且包含最优放置,但解空间太大。为了解决这个问题,该文将基于几何位置的序列对算法作为遗传算法的编解码过程,同时根据序列对编码空间中局部最优解相互间保持一定距离的特点,从父代中随机地选出一定比例个体,用这些个体作为排斥体,使子代个体与排斥体都保持一定的距离,有效地避免了种群过早收敛到局部最优解。3组试验表明:这种算法在问题规模小时能有效地搜索到全局最优解;在问题规模较大时,能得到较好的结果。     

一种新的求解多目标问题的分组粒子群优化算法

用粒子群优化算法求解多目标问题容易陷入局部最优,为此本文提出了一种分组粒子群多目标优化算法。该算法将决策空间分成Q个子空间,每个子空间随机的分配N个粒子,这Q个粒子群分别在各自的空间进行独立搜索。为保证每个种群的搜索多样性和遍历性,用混沌序列对各组粒子位置进行初始化,同时对各组进行基于聚集距离的粒子择优进化。由典型多目标函数的优化实验结果表明,经过适当的分组,该算法能迅速逼近非劣最优解集,效果令人满意。     

杂草算法收敛性分析及其在工程中的应用

针对从自然界中杂草的生长繁殖特性演化而来的新型智能优化算法———扩张性杂草进化算法,通过马尔可夫链,分析证明了它的全局收敛性.相比其他启发式算法,其最大优点是基于种群中优秀的个体有指导地进行搜索,且算法中子代个体按正态分布的方式分布于父代个体周围,在进化过程中通过动态调整此正态分布的标准差,使算法在早期与中期充分保持群落的多样性,较其他启发式算法更容易保证对解空间的全面搜索.而在算法的后期加强对优秀个体周围的局部搜索,从而保证算法能够稳健地收敛到全局最优解.典型的复杂机械优化设计算例结果表明,该算法在优化过程中能有效避开局部最优解,快速、有效地收敛到全局最优解.     

节点约束型最短路径的分层Dijkstra算法

针对节点约束型最短路径问题,提出了基于回溯法的分层Dijkstra算法,通过分层结构寻找局部最优解来求得全局最优解或次优解.该算法利用分层结构可保存搜索进度的优势,使其在寻找过必经点最短路径时可以实现对搜索进度的保存与回溯等操作.实验结果表明:分层Dijkstra算法虽然增加了一定的空间复杂度,但能有效地减少Dijkstra算法的调用次数;与深度优先搜索、几何代数算法相比,分层Dijkstra算法虽然不一定能找到理论最优解,但出解速度较快,在数据量较大的情况下能快速找到次优解.     

基于交叉算子的改进人工蜂群算法

针对人工蜂群算法存在后期收敛速度慢、局部搜索能力差和易陷入局部最优的问题,提出一种基于交叉算子的改进人工蜂群算法.该算法利用佳点集方法产生初始种群,使得初始化个体尽可能均匀地分布在搜索空间;随机选择食物源位置与当前最优食物源位置进行算术交叉操作,引导群体向全局最优解靠近,提高算法的局部搜索能力和加快收敛速度.通过5个高维标准测试函数的实验结果表明新算法的有效性.     

基于聚类集成的蚁群优化与受限解空间的TSP算法

蚁群算法是一种元启发式搜索算法,能有效地解决TSP这类NP问题.针对该算法的信息素更新机制易导致陷入局部最优的缺点,提出了一种基于聚类集成的蚁群优化与受限解空间的TSP算法.其主要思想如下:先用三角形TSP算法生成初始TSP并构建蚁群的初始转移概率矩阵,以减少蚂蚁选择的随机性;然后运用k-means聚类集成生成关联矩阵,作为扰动因子以优化蚂蚁对城市的选择概率,即关联城市相互吸引,不关联城市相互排斥,以避免过早陷入局部最优;最后提出一种重组受限解空间的边的方法再次优化蚁群的解.实验结果表明,与同类算法相比,该算法具有较优的结果.     

基于区域分割的差分进化算法求解0-1背包问题

为了更有效地求解0-1背包问题,提出了基于区域分割的差分进化算法(PDE).为保证变异算子的封闭性,对传统差分进化算法(DE)的变异算子进行了修改.引入区域分割算法以后,解空间中一些没有希望的点被移除,缩小了最优解的搜索范围,增加了找到最优解的概率.将区域分割和贪婪算法相结合,用搜索到的最好解替换了种群中目标函数值最差的个体,保证了种群的多样性.数值实验表明:该算法比文献中的DE算法更稳健,全局搜索能力更强,能以更大的概率找到背包问题的最优解.     

基于速度权重扰动机制的改进蝙蝠优化算法

为提高基本蝙蝠算法的局部最优解开发能力,拟引入速度权重扰动机制,提出一种基于速度权重扰动机制的改进蝙蝠优化算法.在算法迭代寻优过程中,蝙蝠个体自身当前位置优于群体当前位置均值时,选择带有速度权重扰动机制的速度演化策略更新下一代速度信息,从而提高算法跳出局部最优的能力,并最终实现群体逼近收敛到全局最优解.针对典型基准测试函数的仿真实验结果表明,该速度机制能够有效提高蝙蝠个体的局部开发能力,加强算法的全局寻优能力.     

基于多策略融合灰狼优化算法的特征选择方法

针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法.首先,设计一种基于正弦函数的非线性过渡参数策略替代原灰狼优化算法中的线性递减策略,以实现算法从勘探到开发的良好过渡;其次,利用个体自身历史最佳位置和决策层个体共同引导群体进行搜索,以加速算法收敛速度和提高寻优精度;然后,在当前最优灰狼个体上引入小孔成像学习策略产生新的候选个体,以降低算法陷入局部最优的概率.选取6个基准测试函数进行数值实验.结果 表明:改进算法在求解精度和收敛速度指标上均优于其他比较算法.最后,将改进算法用于求解特征选择问题,对10个基准数据集的仿真结果表明,改进算法能有效地提高分类精度和选择最优特征.     

自适应遗传退火算法的圆形件下料问题求解

针对长度不限、宽度固定的卷材的直冲圆形件下料问题,采用自适应遗传模拟退火算法(adaptive genetic simulatecl annearling algorithm,AGSA)优化毛坯序列,并采用最佳位置(best location position,BLP)算法决定毛坯放置位置。在遗传算法的基础上,引入环形交叉策略和自适应交叉变异概率,有效地提高收敛速度。将模拟退火算法与遗传算法结合,通过退温机制更改接受概率,避免遗传算法陷入局部最优解导致早熟。实验结果表明:本文提出的算法计算时间合理,能有效提高收敛速度和材料利用率。     

改进的实码加速遗传算法

对实码加速遗传算法(RAGA)8个步骤的局部参数进行修改,再对最后一次加速收缩后的区间用标准遗传算法(SGA)进行精细搜索。经过实例证明,改进后的算法计算机运行的次数减少,并且精度也得到提高。另外,对加速后的区间产生偏向最优点一侧的概率做了理论上的探讨,提出了把区间端点值重新赋给2个个体参加下一轮搜索。这样处理后避免舍去上次搜索的最优值,在一定程度上避免了某个变量的搜索区间在最优值一侧发生偏移。     

A Model Combining Discrete Event System Simulation and Genetic Algorithm for Buffer Allocation in Unreliable Large Production Lines

To solve the difficulties in allocating buffers for unreliable large production lines, this paper investigated a model combining the genetic algorithm with the discrete event system simulation method. In the simulation method, times-to-failure of an unreliable large production line is assumed to follow exponential distribution, whereas times-to-repair and times-to-processing are set to follow an Erlang-k distribution. Using a genetic algorithm based on special position-based mapping means and elitist protection strategy, the buffer configuration of an auto-body welding line is optimized. The simulation of the optimized configuration shows that the performance of the production line, such as productivity and the main average utilization of the workstations, is much improved. This model can optimize the allocation of buffers for unreliable large production lines effectively.     

MT资料反演的一种实数编码混合遗传算法

设计了一种求解一维大地电磁测深反演问题的实数编码混合遗传算法,它是通过单纯形搜索与遗传算法结合而成。针对传统的遗传算法在优化应用中存在局部搜索能力弱、计算量大、对较大空间适应能力弱和早熟收敛,而基于局部线性化的单纯形法易使解陷入局部极小值,严重依赖初始模型的选择等问题,在遗传算法中加入一个改进的单纯形搜索算子,并采用最优群体保留策略。该新算法既具有遗传算法的全局收敛性,又具有单纯形法的快速收敛性。对各种类型的大地电磁测深理论曲线进行计算,结果表明:采用实数编码混合遗传算法进行反演具有收敛速度快、解的精度高和避免出现早熟等优点,可用于大地电磁资料解释。     

一种基于信息熵的多种群遗传算法

通过模型变换建立了一种约束优化的演化设计模型．并构造出求解此模型的多种群空间收缩遗传算法．利用最优解在各种群中的存在概率将信息熵概念引入进化过程,构造出一种含有熵的多目标优化模型,利用该模型可以直接显式地给出作为拉格朗日乘子的种群最优解存在概率,从而得出多种群遗传操作的空间收缩因子,控制各种群寻优搜索时解空间的收缩．用种群的多样性避免遗传进化的早熟现象,以空间收缩尺度作为停机判据,有效地控制了算法的收敛．数值算例显示,熵的介入使随机搜索类进化算法的寻优目的性大为增强,从而提高了演化设计的计算效率。     

基于生产费用的柔性作业车间调度优化

考虑在制品库存费用、机床工时费、直接工人的工资费用、工件的提前和拖期完工造成的损失费用,提出了一种双资源柔性作业车间调度的生产费用计算方法.将模拟退火算法嵌入遗传算法中,设计了一种新的混合遗传算法.该算法首先利用遗传算法快速搜索一组较好的解,然后利用模拟退火算法进行群体寻优.采用基于工序的编码和一种新的解码方法,并运用多种交叉方法使得算法能够在解空间中尽可能地搜索最优解.为了避免最优解在进化过程中损失,采用择优操作将每代中的最优解保留下来,并不断更新.仿真结果表明:该方法是可行的,并具有一定的优越性.     

基于遗传算法的双闭环系统模糊优化设计

提出一种基于遗传算法的直流双闭环调速系统参数优化设计方法,根据工程技术的要求,选用速度超调量和过渡时间作为参数优化性能指标,将该指标用模糊隶属度函数归一化,再加权平均形成系统优化模型的目标函数。采用计算机数值计算方法,通过仿真获得系统对应参数的动力响应曲线及其性能指标。最后以工程设计的参数为搜索范围,以速度调节器和电流调节器的参数为染色体中的基因,通过遗传算法在搜索范围中优化这些基因,获得优化解,     

遗传算法在桁架优化设计中的应用

用遗传算法处理设计变量为杆件中离散型材截面的桁架最轻重量优化问题。将离散的截面参数用二进制的遗传因子表示，利用染色体的遗传繁殖和自然淘汰等特点，可以在较广的参数域内对优化解进行搜索。并将满强度设计与遗传算法相结合，加速了收敛速度。算例表明，在不大的计算量下可获得相当良好的全局性优化解。     

加速遗传算法在反演计算土层的剪切模量、阻尼比模型参数值中的应用研究

针对成都地区土层特有的沉积环境及物理力学性质的差异性,采用Martin-Davidenkov模型和阻尼比经验公式,使用基于实码、并引入了更新概率(Pu)的加速遗传算法(AGA),编制了相应的C++程序,反演计算出成都地区各类沉积土的动剪切模量比G/Gmax和阻尼比λ与剪应变幅值γ的关系曲线模型的参数值.结果表明,RAG...     

工程优化数学模型的预处理分析

工程优化数学模型预处理是对模型构成要素的一系列规范化处理过程。为了方便采用遗传算法对优化模型的求解，提出对目标函数、优化变量及约束因子在优化前进行预处理。在分析惩罚函数法对约束处理效率较低的情况下，提出了一种基于知识调整策略的修正法，对解码中不满足约束的映射关系进行修正，使调整后个体映射到最有希望获得最优解的空间中。理论分析和测试数据表明：对优化数学模型采用适当的预处理，简化了优化设计过程，加速了算法的收敛速度，同时提高了最优解的质量。     

A hybrid genetic algorithm based on mutative scale chaos optimization strategy

In order to avoid such problems as low convergent speed and local optimal solution in simple genetic algorithms, a new hybrid genetic algorithm is proposed. In this algorithm, a mutative scale chaos optimization strategy is operated on the population after a genetic operation. And according to the searching process, the searching space of the optimal variables is gradually diminished and the regulating coefficient of the secondary searching process is gradually changed which will lead to the quick evolution of the population. The algorithm has such advantages as fast search, precise results and convenient using etc. The simulation results show that the performance of the method is better than that of simple genetic algorithms.